1. 해보자 딥러닝
딥러닝 실행을 위해 필요한 세 가지
1. 데이터
- 딥러닝은 데이터를 통하여 판별, 예측을 진행한다.
이러한 데이터에게 네이밍이 되어있는지, 아닌지에 따라 지도 학습(CNN, RNN 등)과 비지도 학습(GAN, 오토인코더)으로 나뉜다.
2. 컴퓨터
- 딥러닝은 CPU 컴퓨터에서 GPU에서 동작하게 할 지 선택 할 수 있다.
다량의 데이터를 적용하기 위해서는 GPU 사용을 권장한다.
3. 프로그램
- 딥러닝을 구동하기 위해서는 프로그래밍이 필요하다.
딥러닝을 만들고 실행하는 대표적인 방법
1. 구글 코랩
장점
- 구글이 제공
- 설치가 필요없음
- 구글의 GPU나 TPU를 무료로 사용해 빠른 실행이 가능
- 구글 드라이브와 연동 가능
단점
- 아무 작업도 하지 않을 경우 90분 뒤 세션 종료
- 최대 세션 유지 시간은 12시간 ( 무료 버전의 경우)
2. 아나콘다
장점
- 세션 유지 시간의 제약이 없음
단점
- 아나콘다를 설치해야 이용 가능
- 컴퓨터 사양에 작업 성능이 종속됨
구글 코랩으로 코드 실행해보기
print 코드 실행
tesnorflow는 딥러닝을 하기 위해 필요한 라이브러리로 현재 버전을 출력한다.
텍스트 입력
Markdown 언어로 입력 가능
2. 딥러닝의 핵심 미리보기
미지의 일을 예측하는 원리
머신러닝: 기존 데이터를 이용해 아직 일어나지 않은 미지의 일을 예측하기 위해 만들어진 기법
학습: 데이터가 입력되고 패턴이 분석되는 과정
곧 우리가 배우려고 하는 것은 이러한 학습과 예측의 구체적인 과정으로
머신 러닝의 정확도를 높이는것은 곧 얼마나 정확한 규칙의 선을 긋는지의 문제이며,
이를 위해 퍼셉트론, 아달라인, 선형 회귀 등을 지나 오늘날의 딥러닝이 탄생하게 되었다.
딥러닝을 시작하기 전에 해야할 일들
1. 환경 준비: 딥러닝에 필요한 라이브러리를 불러온다.
예를들어 첫번째 줄의 from tensorflow.keras.models import Sequential 코드의 경우
텐서플로(tensorflow)의 케라스(keras)라는 API에 있는 모델 클래스로부터 Sequential() 함수를 불러오라는 뜻
두번째 줄의 from tensorflow.keras.layers import Dense 코드의 경우
마찬가지로 케라스 API의 레이어 클래스에서 Dense()라는 함수를 불러오라는 뜻
불러온 라이브러리 명이 길거나 같은 이름이 있는 경우 다음과 같이 이름 변경도 가능하다.
2. 데이터 준비: 데이터를 불러온 후 사용할 수 있도록 준비한다.
예를 들어
해당 코드를 사용하여 실행할 경우 다음과 같은 data 폴더가 생긴다.
이후 data 폴더를 확인하여 준비되어 있는 데이터들을 확인할 수 있다.
data 폴더 안에 있는 파일들은 ./data/데이터명 형식으로 불러올 수 있다.
예를 들어 넘파이 라이브러리르 이용해 data 폴더에 있는 csv 파일을 불러오고 싶다면
다음과 같은 코드를 사용 할 수 있다.
3. 구조 결정: 어떤 딥러닝을 만들 것인지 결정하기
텐서플로는 구글에서 만든 딥러닝을 위한 라이브러리로 활용하면 매우 다양한 딥러닝 작업을 할 수 있다는 장점이 있는 반면 사용법이 어렵다는 단점이 있다. 이를 해결하기 위한 것이 케라스이며 이를 활용하면 딥러닝 작업을 보다 수월하게 할 수 있다.
4. 모델 실행: 만든 딥러닝을 실행하고 결과 확인하기
이렇게 완성한 딥러닝 코드를 실행하고 활용할 수 있다.
'전공 이야기 > Deep Learning' 카테고리의 다른 글
| #2 예측 모델의 기본 원리 (2) | 2023.11.25 |
|---|