[혼공학습단8기] 혼공머신 6주차

혼공머신 마지막주차 내용입니다. 😎

 

Ch 7. 딥러닝

인공 신경망 (ANN)

 - 확률적 경사하강법을 사용하는 로지스틱 회귀와 같음

 - 데이터셋이 충분하므로 교차검증 없음

 - dense layer = 가장 간단한 인공신경망,

                     출력층에 밀집층 사용 시 분류하려는 클래스수 = 뉴런 수

 - hidden layer = 입력층과 출력층 사이에 잇는 모든 층

 - dropout = 훈련 중 일부 뉴런의 출력을 0으로 만들어 과대적합 방지

 - callback = 훈련과정 중간에 어떤 작업을 수행 할 수 있게 하는 객체 ex) 최고 성능 모델 저장

 - early stopping = 과대적합이 시작 되기 전에 훈련을 미리 중지, 훈련 에포크 횟수 제한

 

예시 코드:

---

기본 미션 : Ch.07(07-1) 확인 문제 풀고, 풀이 과정 정리하기

 

1.어떤 인공 신경망의 입력 특성이 100개이고 밀집층에 있는 뉴런 개수가 10개일 때 필요한 모델 파라미터의 개수는 몇 개인가요?

① 1,000개

② 1,001개

③ 1,010개

④ 1,100개

모델 파라미터 수 = 입력 수 * 뉴런 개수 + 뉴런 개수 = 100 * 10 + 10 = 1010

 

2. 케라스의 Dense클래스를 사용해 신경망의 출력층을 만들려고 합니다. 이 신경망이 이진분류 모델이라면 activation 매개변수에 어떤 활성화 함수를 지정해야 하나요?

① ‘binary’

② ‘sigmoid’ → 이진 분류 activation 함수

③ ‘softmax’ → 다중 분류 activation 함수

④ ‘relu’

 

3. 케라스 모델에서 손실함수와 측정 지표 등을 지정하는 메서드는 무엇인가요?

① Configure()

② Fit() → 훈련

③ Set()

④ Compile() → 모델 객체를 만든 후 훈련하기 전에 사용할 손실 함수와 측정 지표 등을 지정

 

4. 정수 레이블을 타깃으로 가지는 다중 분류 문제일 때 케라스 모델의 compile() 메서드에 지정할 손실 함수로 적절한 것은 무엇인가요?

① ‘sparse_categorical_crossentropy’ → 정수로 된 타깃 값으로 다중 분류하는 손실 함수

② ‘categorical_crossentropy’ → 원핫 인코딩 타깃 값으로 다중 분류하는 손실 함수

③ ‘binary_crossentropy’ → 이진 분류 손실 함수

④ ‘mean_square_error’ → 회귀 문제 손실함수

 

선택 미션: Ch.07(07-2) 확인 문제 풀고, 풀이 과정 정리하기

1.다음 중 모델의 add() 메서드 사용법이 올바른 것은 어떤 것인가요?

① model.add(keras.layers.Dense)

② model.add(keras.layers.Dense(10, activation = ‘relu’)) → model.add(keras.layers.Dense(뉴런 개수, activation = ‘활성화 함수’))

③ model.add(keras.layers.Dense, 10, activation = ‘relu’)

④ model.add(keras.layers.Dense) (10, activation = ‘relu’)

 

2. 크기가 300 x 300 인 입력을 케라스 층으로 펼치려고 합니다. 다음 중 어떤 층을 사용해야 하나요?

① Plate

② Flatten → 배치 차원을 제외하고 나머지 입력차원을 일렬로 펼침

③ Normalize

④ Dense

 

3. 다음 중에서 이미지 분류를 위함 심층 신경망에 널리 사용되는 케라스의 활성화 함수는 무엇인가요?

① Linear

② Sigmoid → 이진분류

③ Relu → 이미지 처리에 좋은 성능을 가지는 활성화 함수

④ Tanh -> 순환 신경망

 

4. 다음 중 적응적 학습률을 사용하지 않는 옵티마이저는 무엇인가요?

① SGD → 일정한 학습률 사용

② Adagrad → 적응적 학습률

③ RMSprop → 적응적 학습률

④ Adam → 적응적 학습률

 

 

#혼공학습단 8기 6주간 모두 수고하셨습니다~ 🎉🎉