딥러닝의 층 구조 딥러닝을 배워보자

 

 

딥러닝 기본 구조 신경망

 

딥러닝의 구조는 크게 3부분으로

나뉘어져 있다.

 

1. 입력 부분

2. 분석 부분

3. 출력 부분

 

마지막으로 모델을 만들고 난 후,

컴파일을 하는 부분으로 구성된다.

 

층층이 쌓아올린 모델들이 신경망

처럼 연결되어서 과거데이터를 분석

하고, 새로운 결과물을 도출해내는

것이다.

 

딥러닝 모델 생성

 

딥러닝은 여러층의 신경망이 겹쳐져서

'모델'을 생성한다. 대표적인 딥러닝 라이브러리인

텐서플로에서도 keras를 이용해 딥러닝 모델을

간단하게 만들어보자.

 

먼저 딥러닝에 필요한 모델을 생성하기 위한

모듈을 호출한다. 

 

Sequential()은 딥러닝에서 모델 신경망 층을

생성하기 위한 함수다.

 

Dense()는 층마다 입력값과 활성화 함수를 정의한다.

아래 예시는 1개의 입력층과 1개의 출력층을 의미한다.

30개의 노드에서 17개의 입력값을 받아서 다음 층으로

보내는 활성화 함수는 relu알고리즘을 사용하겠다는

의미가 된다.

from keras.models import Sequential
from keras.layers import Dense
 
model = Sequential()
model.add(Dense(30, input_dim=17, activation='relu')
model.add(Dense(1, activation='sigmoid')

 

딥러닝 모델 컴파일

 

컴파일의 부분에는 3가지 파라미터가

포함된다.

 

activation

>> 다음 층으로 값을 넘기는

방법을 정의한다. relu, sigmoid 함수가

사용되는것이 대표적인 예시다.

 

 

loss

>> 신경망 층이 넘어갈 때 마다 발생하는

오차를 추적하는 함수를 적어준다. 

mean_squared_error, binary_crossentropy등의

함수가 사용된다.

 

 

optimizer

>> 필연적으로 발생하는 오차를

줄이기 위한 최적화 함수를 표기한다. 대표적으로

adam 함수를 사용한다.

 

 

딥러닝 머신러닝 차이점을 알고싶다면?

 

딥러닝 머신러닝 차이, 머신러닝 딥러닝