1. 개요
이 실습에서는 Keras 분류기를 빌드하는 방법을 알아봅니다. 꽃을 인식하기 위한 완벽한 신경망 레이어 조합을 파악하는 대신 먼저 전이 학습이라는 기법을 사용하여 강력한 사전 학습된 모델을 데이터 세트에 적용합니다.
이 실습에는 신경망에 관한 필요한 이론적 설명이 포함되어 있으며 딥 러닝을 배우는 개발자에게 좋은 시작점이 됩니다.
이 실습은 'TPU의 Keras' 시리즈의 2부입니다. 다음 순서대로 또는 독립적으로 실행할 수 있습니다.
- TPU 속도 데이터 파이프라인: tf.data.Dataset 및 TFRecords
- [이 실습] 전이 학습을 사용한 첫 번째 Keras 모델
- Keras 및 TPU를 사용한 컨볼루셔널 신경망
- Keras 및 TPU를 사용한 최신 ConvNets, SqueezeNet, Xception
학습할 내용
- 소프트맥스 레이어와 교차 엔트로피 손실을 사용하여 자체 Keras 이미지 분류기를 빌드합니다.
- 자체 모델을 빌드하는 대신 전이 학습을 사용하여 😈 속입니다.
의견
이 Codelab에서 잘못된 부분을 발견하면 알려주세요. GitHub 문제 [의견 링크]를 통해 의견을 제공할 수 있습니다.
2. Google Colaboratory 빠른 시작
이 실습에서는 Google Collaboratory를 사용하며 별도의 설정이 필요하지 않습니다. Colaboratory는 교육 목적으로 제공되는 온라인 노트북 플랫폼입니다. CPU, GPU, TPU 학습을 무료로 제공합니다.
이 샘플 노트북을 열고 몇 개의 셀을 실행하여 Colaboratory에 익숙해질 수 있습니다.
TPU 백엔드 선택
Colab 메뉴에서 런타임 > 런타임 유형 변경 을 선택한 다음 TPU를 선택합니다. 이 Codelab에서는 하드웨어 가속 학습을 지원하는 강력한 TPU (Tensor Processing Unit)를 사용합니다. 런타임 연결은 첫 번째 실행 시 자동으로 이루어지거나 오른쪽 상단의 '연결' 버튼을 사용할 수 있습니다.
노트북 실행
셀을 클릭하고 Shift-Enter를 사용하여 셀을 한 번에 하나씩 실행합니다. 런타임 > 모두 실행 을 사용하여 전체 노트북을 실행할 수도 있습니다.
목차
모든 노트북에는 목차가 있습니다. 왼쪽의 검은색 화살표를 사용하여 열 수 있습니다.
숨겨진 셀
일부 셀에는 제목만 표시됩니다. 이는 Colab 전용 노트북 기능입니다. 이러한 셀을 더블클릭하면 내부 코드를 볼 수 있지만 일반적으로 그다지 흥미롭지 않습니다. 일반적으로 지원 또는 시각화 함수입니다. 내부 함수를 정의하려면 이러한 셀을 실행해야 합니다.
인증
승인된 계정으로 인증하면 Colab에서 비공개 Google Cloud Storage 버킷에 액세스할 수 있습니다. 위의 코드 스니펫은 인증 프로세스를 트리거합니다.
3. [정보] 신경망 분류기 101
요약
다음 단락의 굵은 용어를 모두 알고 있다면 다음 연습으로 이동할 수 있습니다. 딥 러닝을 처음 시작하는 경우 계속 읽어보세요.
레이어 시퀀스로 빌드된 모델의 경우 Keras는 Sequential API를 제공합니다. 예를 들어 3개의 밀집 레이어를 사용하는 이미지 분류기는 Keras에서 다음과 같이 작성할 수 있습니다.
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=[192, 192, 3]),
tf.keras.layers.Dense(500, activation="relu"),
tf.keras.layers.Dense(50, activation="relu"),
tf.keras.layers.Dense(5, activation='softmax') # classifying into 5 classes
])
# this configures the training of the model. Keras calls it "compiling" the model.
model.compile(
optimizer='adam',
loss= 'categorical_crossentropy',
metrics=['accuracy']) # % of correct answers
# train the model
model.fit(dataset, ... )
밀집 신경망
이미지를 분류하는 가장 간단한 신경망입니다. 레이어에 배열된 '뉴런'으로 구성됩니다. 첫 번째 레이어는 입력 데이터를 처리하고 출력을 다른 레이어에 공급합니다. 각 뉴런이 이전 레이어의 모든 뉴런에 연결되어 있으므로 '밀집'이라고 합니다.
모든 픽셀의 RGB 값을 긴 벡터로 평면화하고 이를 입력으로 사용하여 이미지를 이러한 네트워크에 공급할 수 있습니다. 이미지 인식에 가장 적합한 기법은 아니지만 나중에 개선할 것입니다.
뉴런, 활성화, RELU
'뉴런'은 모든 입력의 가중 합계를 계산하고 '편향'이라는 값을 추가하며 결과를 '활성화 함수'를 통해 공급합니다. 가중치와 편향은 처음에는 알 수 없습니다. 무작위로 초기화되고 알려진 많은 데이터로 신경망을 학습하여 '학습'됩니다.
가장 많이 사용되는 활성화 함수는 정류 선형 유닛의 RELU라고 합니다. 위의 그래프에서 볼 수 있듯이 매우 간단한 함수입니다.
소프트맥스 활성화
위의 네트워크는 꽃을 5가지 카테고리 (장미, 튤립, 민들레, 데이지, 해바라기)로 분류하므로 5개의 뉴런 레이어로 끝납니다. 중간 레이어의 뉴런은 클래식 RELU 활성화 함수를 사용하여 활성화됩니다. 하지만 마지막 레이어에서는 이 꽃이 장미, 튤립 등이 될 확률을 나타내는 0과 1 사이의 숫자를 계산하려고 합니다. 이를 위해 '소프트맥스'라는 활성화 함수를 사용합니다.
벡터에 소프트맥스를 적용하려면 각 요소의 지수를 취한 다음 일반적으로 L1 노름 (절댓값의 합)을 사용하여 벡터를 정규화하여 값이 합산되어 1이 되고 확률로 해석될 수 있도록 합니다.
교차 엔트로피 손실
이제 신경망이 입력 이미지에서 예측을 생성하므로 예측이 얼마나 좋은지, 즉 네트워크가 알려주는 내용과 정답(일반적으로 '라벨'이라고 함) 간의 거리를 측정해야 합니다. 데이터 세트의 모든 이미지에 올바른 라벨이 있다는 점을 기억하세요.
거리는 무엇이든 사용할 수 있지만 분류 문제의 경우 소위 '교차 엔트로피 거리'가 가장 효과적입니다. 이를 오류 또는 '손실' 함수라고 합니다.
경사하강법
신경망을 '학습'한다는 것은 실제로 학습 이미지와 라벨을 사용하여 교차 엔트로피 손실 함수를 최소화하도록 가중치와 편향을 조정하는 것을 의미합니다. 작동 방식은 다음과 같습니다.
교차 엔트로피는 가중치, 편향, 학습 이미지의 픽셀, 알려진 클래스의 함수입니다.
모든 가중치와 모든 편향에 대해 교차 엔트로피의 편미분을 계산하면 주어진 이미지, 라벨, 현재 가중치 및 편향 값에 대해 계산된 '기울기'를 얻습니다. 수백만 개의 가중치와 편향이 있을 수 있으므로 기울기를 계산하는 것은 많은 작업처럼 들립니다. 다행히 TensorFlow에서 이 작업을 대신 수행합니다. 기울기의 수학적 속성은 '위'를 가리킨다는 것입니다. 교차 엔트로피가 낮은 곳으로 이동하고 싶으므로 반대 방향으로 이동합니다. 기울기의 일부로 가중치와 편향을 업데이트합니다. 그런 다음 학습 루프에서 다음 학습 이미지 및 라벨 배치를 사용하여 동일한 작업을 반복합니다. 이것이 교차 엔트로피가 최소인 곳으로 수렴되기를 바라지만 이 최소값이 고유하다고 보장하는 것은 없습니다.
미니 배치 및 모멘텀
예시 이미지 하나에 대해서만 기울기를 계산하고 가중치와 편향을 즉시 업데이트할 수 있지만, 예를 들어 128개의 이미지 배치에 대해 이렇게 하면 다양한 예시 이미지에서 부과하는 제약조건을 더 잘 나타내는 기울기가 생성되므로 솔루션으로 더 빠르게 수렴될 수 있습니다. 미니 배치 크기는 조정 가능한 매개변수입니다.
때로는 '확률적 경사하강법'이라고 하는 이 기법에는 또 다른 실용적인 이점이 있습니다. 배치로 작업하는 것은 더 큰 행렬로 작업하는 것을 의미하며 일반적으로 GPU 및 TPU에서 더 쉽게 최적화할 수 있습니다.
하지만 수렴은 여전히 약간 혼란스러울 수 있으며 기울기 벡터가 모두 0이면 중지될 수도 있습니다. 최솟값을 찾았다는 의미인가요? 항상 그렇지는 않습니다. 기울기 구성요소는 최솟값 또는 최댓값에서 0일 수 있습니다. 수백만 개의 요소가 있는 기울기 벡터에서 모두 0인 경우 모든 0이 최솟값에 해당하고 최댓값에 해당하는 0이 없을 확률은 매우 작습니다. 다차원 공간에서 안장점은 매우 일반적이며 안장점에서 멈추고 싶지 않습니다.
그림: 안장점. 기울기는 0이지만 모든 방향에서 최솟값은 아닙니다. (이미지 저작자 Wikimedia: By Nicoguaro - Own work, CC BY 3.0)
해결 방법은 최적화 알고리즘에 모멘텀을 추가하여 멈추지 않고 안장점을 지나갈 수 있도록 하는 것입니다.
용어집
배치 또는 미니 배치: 학습은 항상 학습 데이터 및 라벨의 배치에서 수행됩니다. 이렇게 하면 알고리즘이 수렴하는 데 도움이 됩니다. '배치' 측정기준은 일반적으로 데이터 텐서의 첫 번째 측정기준입니다. 예를 들어 [100, 192, 192, 3] 모양의 텐서에는 픽셀당 3개의 값 (RGB)이 있는 192x192픽셀의 이미지 100개가 포함되어 있습니다.
교차 엔트로피 손실: 분류기에서 자주 사용되는 특수한 손실 함수입니다.
밀집 레이어: 각 뉴런이 이전 레이어의 모든 뉴런에 연결된 뉴런 레이어입니다.
특성: 신경망의 입력을 "특성"이라고도 합니다. 좋은 예측을 얻기 위해 신경망에 공급할 데이터 세트의 부분 (또는 부분의 조합)을 파악하는 기술을 '특성 추출'이라고 합니다.
라벨: 지도 분류 문제에서 "클래스" 또는 정답의 또 다른 이름입니다.
학습률: 학습 루프의 각 반복에서 가중치와 편향이 업데이트되는 기울기의 일부입니다.
로짓: 활성화 함수가 적용되기 전의 뉴런 레이어의 출력을 "로짓"이라고 합니다. 이 용어는 가장 많이 사용되는 활성화 함수였던 '로지스틱 함수'(일명 '시그모이드 함수')에서 유래했습니다. '로지스틱 함수 이전의 뉴런 출력'이 '로짓'으로 줄었습니다.
손실: 신경망 출력을 정답과 비교하는 오류 함수입니다.
뉴런: 입력의 가중 합계를 계산하고 편향을 추가하며 활성화 함수를 통해 결과를 공급합니다.
원-핫 인코딩: 5개 중 3번째 클래스는 5개 요소의 벡터로 인코딩됩니다. 3번째 요소를 제외한 모든 요소는 0입니다.
relu: 정류 선형 유닛입니다. 뉴런에 많이 사용되는 활성화 함수입니다.
sigmoid: 한때 많이 사용되었으며 특수한 경우에 여전히 유용한 또 다른 활성화 함수입니다.
softmax: 벡터에 작용하고 가장 큰 구성요소와 다른 모든 구성요소 간의 차이를 늘리며 벡터를 정규화하여 합계가 1이 되도록 하는 특수한 활성화 함수입니다. 따라서 확률 벡터로 해석할 수 있습니다. 분류기의 마지막 단계로 사용됩니다.
텐서: '텐서'는 행렬과 비슷하지만 임의의 차원 수를 가집니다. 1차원 텐서는 벡터입니다. 2차원 텐서는 행렬입니다. 그런 다음 3, 4, 5개 이상의 차원이 있는 텐서를 가질 수 있습니다.
4. 전이 학습
이미지 분류 문제의 경우 밀집 레이어로는 충분하지 않을 수 있습니다. 컨볼루셔널 레이어와 이를 배열하는 다양한 방법을 알아야 합니다.
하지만 바로 가기를 사용할 수도 있습니다. 완전히 학습된 컨볼루셔널 신경망을 다운로드할 수 있습니다. 마지막 레이어인 소프트맥스 분류 헤드를 잘라내고 자체 레이어로 바꿀 수 있습니다. 학습된 모든 가중치와 편향은 그대로 유지되며 추가하는 소프트맥스 레이어만 다시 학습합니다. 이 기법을 전이 학습이라고 하며 신경망이 사전 학습된 데이터 세트가 데이터 세트와 '충분히 가까운' 한 놀랍게도 작동합니다.
실습
다음 노트북을 열고 셀을 실행 (Shift-Enter)하고 '작업 필요' 라벨이 표시되는 곳의 안내를 따르세요.
Keras Flowers transfer learning (playground).ipynb
추가 정보
전이 학습을 사용하면 최고의 연구원이 개발한 고급 컨볼루셔널 신경망 아키텍처와 대규모 이미지 데이터 세트의 사전 학습을 모두 활용할 수 있습니다. 이 경우 꽃과 충분히 가까운 많은 식물과 야외 장면이 포함된 이미지 데이터베이스인 ImageNet에서 학습된 네트워크에서 전이 학습을 수행합니다.
그림: 이미 학습된 복잡한 컨볼루셔널 신경망을 블랙박스로 사용하고 분류 헤드만 다시 학습합니다. 이것이 전이 학습입니다. 이러한 복잡한 컨볼루셔널 레이어 배열이 어떻게 작동하는지 나중에 살펴보겠습니다. 지금은 다른 사람의 문제입니다.
Keras의 전이 학습
Keras에서는 tf.keras.applications.* 컬렉션에서 사전 학습된 모델을 인스턴스화할 수 있습니다. 예를 들어 MobileNet V2는 크기가 적절한 매우 우수한 컨볼루셔널 아키텍처입니다. include_top=False를 선택하면 최종 소프트맥스 레이어가 없는 사전 학습된 모델을 가져와서 자체 모델을 추가할 수 있습니다.
pretrained_model = tf.keras.applications.MobileNetV2(input_shape=[*IMAGE_SIZE, 3], include_top=False)
pretrained_model.trainable = False
model = tf.keras.Sequential([
pretrained_model,
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(5, activation='softmax')
])
pretrained_model.trainable = False 설정도 확인하세요. 소프트맥스 레이어만 학습하도록 사전 학습된 모델의 가중치와 편향을 고정합니다. 일반적으로 가중치가 비교적 적고 매우 큰 데이터 세트가 필요하지 않으므로 빠르게 수행할 수 있습니다. 하지만 데이터가 많은 경우 전이 학습은 pretrained_model.trainable = True를 사용하여 훨씬 더 잘 작동할 수 있습니다. 그러면 사전 학습된 가중치가 우수한 초기 값을 제공하며 학습을 통해 문제를 더 잘 해결하도록 조정할 수 있습니다.
마지막으로 밀집 소프트맥스 레이어 앞에 삽입된 Flatten() 레이어를 확인하세요. 밀집 레이어는 평면 데이터 벡터에서 작동하지만 사전 학습된 모델이 반환하는 것이 무엇인지 알 수 없습니다. 따라서 평면화해야 합니다. 다음 장에서 컨볼루셔널 아키텍처를 자세히 살펴보면서 컨볼루셔널 레이어에서 반환되는 데이터 형식을 설명합니다.
이 접근 방식을 사용하면 정확도가 75% 에 가까워야 합니다.
해결 방법
해결 방법 노트북은 다음과 같습니다. 문제가 발생하면 사용할 수 있습니다.
Keras Flowers transfer learning (solution).ipynb
학습한 내용
- 🤔 Keras에서 분류기를 작성하는 방법
- 🤓 소프트맥스 마지막 레이어와 교차 엔트로피 손실로 구성됨
- 😈 전이 학습
- 🤔 첫 번째 모델 학습
- 🧐 학습 중 손실 및 정확도 추적
잠시 시간을 내어 이 체크리스트를 살펴보세요.
5. 축하합니다.
이제 Keras 모델을 빌드할 수 있습니다. 다음 실습으로 이동하여 컨볼루셔널 레이어를 어셈블하는 방법을 알아보세요.
- TPU 속도 데이터 파이프라인: tf.data.Dataset 및 TFRecords
- [이 실습] 전이 학습을 사용한 첫 번째 Keras 모델
- Keras 및 TPU를 사용한 컨볼루셔널 신경망
- Keras 및 TPU를 사용한 최신 ConvNets, SqueezeNet, Xception
실제 TPU
TPU 및 GPU는 Cloud AI Platform에서 사용할 수 있습니다.
마지막으로 Google은 의견을 환영합니다. 이 실습에서 잘못된 부분을 발견하거나 개선해야 한다고 생각되면 알려주세요. GitHub 문제 [의견 링크]를 통해 의견을 제공할 수 있습니다.
|
