텐서플로우를 활용하여 신경망 구현하기

텐서플로우를 활용하여 신경망 구현하기 - 모델 학습

Haribo- 2022. 11. 25. 18:39

텐서플로우를 활용하여 신경망 구현하기 - 모델 학습

[실습2]에 이어서 이번 실습에서는 텐서플로우와 케라스(Keras)를 활용하여 신경망 모델을 학습해보겠습니다.

텐서플로우와 케라스를 이용해 신경망 모델을 학습하기 위한 함수/메서드

학습 방법 설정complie() 메서드는 모델을 어떻게 학습할 지에 대해서 설정합니다. loss는 회귀에서는 일반적으로 MSE인 ‘mean_squared_error’, 분류에서는 ‘sparse_categorical_crossentropy’ 를 주로 사용합니다.
model.compile(loss='mean_squared_error', optimizer='adam') Copy
학습 수행
```python
model.fit(X, epochs=100, verbose=2)

```
X 데이터를 에포크를 100번으로 하여 학습합니다. verbose 인자는 학습 시, 화면에 출력되는 형태를 설정합니다. (0: 표기 없음, 1: 진행 바, 2: 에포크당 한 줄 출력)

지시사항

Dataset으로 변환된 학습용 데이터를 바탕으로 모델의 학습을 수행합니다.
- compile 메서드를 사용하여 최적화 모델을 설정합니다. loss는 ‘mean_squared_error’, optimizer는 ‘adam’으로 설정합니다.
- fit 메서드를 사용하여 학습용 데이터를 학습합니다. epochs는 100으로 설정합니다.

import tensorflow as tf

import pandas as pd

import numpy as np

from sklearn.model_selection import train_test_split

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

np.random.seed(100)

tf.random.set_seed(100)

# 데이터를 DataFrame 형태로 불러 옵니다.

df = pd.read_csv("data/Advertising.csv")

# DataFrame 데이터 샘플 5개를 출력합니다.

print('원본 데이터 샘플 :')

print(df.head(),'\n')

# 의미없는 변수는 삭제합니다.

df = df.drop(columns=['Unnamed: 0'])

X = df.drop(columns=['Sales'])

Y = df['Sales']

# 학습용 테스트용 데이터로 분리합니다.

train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.3)

# Dataset 형태로 변환합니다.

train_ds = tf.data.Dataset.from_tensor_slices((train_X.values, train_Y))

train_ds = train_ds.shuffle(len(train_X)).batch(batch_size=5)

# keras를 활용하여 신경망 모델을 생성합니다.

model = tf.keras.models.Sequential([

tf.keras.layers.Dense(10, input_shape=(3,)),

tf.keras.layers.Dense(1)

])

"""

1. 학습용 데이터를 바탕으로 모델의 학습을 수행합니다.

step1. compile 메서드를 사용하여 최적화 모델 설정합니다.

loss는 mean_squared_error, optimizer는 adam으로 설정합니다.

step2. fit 메서드를 사용하여 Dataset으로 변환된 학습용 데이터를 학습합니다.

epochs는 100으로 설정합니다.

"""

model.compile(loss=None, optimizer=None)

history = model.fit(train_ds, epochs=None, verbose=2)