딥러닝 모델 활성화 함수와 학습 방법에 대한 퀴즈

선택하는 활성화 함수

모델 컴파일, optimizer는 'adam', 손실 함수는 'categorical_crossentropy'로 설정

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

model.summary()

모델 학습, epoch는 1000으로 설정

hist = model.fit(X_train, y_train, epochs=1000, validation_data=(X_test, y_test))

학습 결과 시각화

plt.plot(hist.history['loss'], label='train loss') plt.plot(hist.history['val_loss'], label='val loss') plt.plot(hist.history['accuracy'], label='train acc') plt.plot(hist.history['val_accuracy'], label='val acc') plt.legend(loc='upper right') plt.show()

모델 평가

loss, accuracy = model.evaluate(X_test, y_test) print('Test Loss:', loss) print('Test Accuracy:', accuracy)

새로운 데이터에 대한 예측

new_data = np.array([[5.7, 3.0, 4.2, 1.2]]) prediction = model.predict(new_data) print('Prediction:', prediction)1. 모델 컴파일 시 optimizer로 adam, loss로 categorical_crossentropy를 사용한다. 2. 학습에는 X_train과 y_train 데이터를 사용하며, 100번의 epoch으로 학습을 진행한다. 3. 모델 평가에는 X_test와 y_test 데이터를 사용하며, verbose는 2로 설정한다. 4. loss와 accuracy를 시각화한 그래프를 출력한다. 5. SGD가 아닌 batchsize gradient descent 방식을 사용한다. 6. 모델은 categorical classification에 사용된다. 7. 학습 데이터와 테스트 데이터가 존재한다. 8. 학습 데이터와 테스트 데이터는 X와 y로 구분된다. 9. 모델은 총 100번의 epoch으로 학습한다. 10. 모델의 성능 평가에는 verbose가 2로 설정된다. 11. 모델의 손실(loss)과 정확도(accuracy)를 시각화하여 출력한다. 12. 모델은 adam optimizer를 사용하여 학습한다.

TensorFlow를 이용한 머신러닝 예제 요약

1. numpy와 mpl_toolkits.mplot3d, matplotlib.pyplot을 import하고, 2차원 배열에서 3번째 열을 xs로, 4번째 열을 ys로, 5번째 열을 zs로 저장하여 3D 그래프를 생성한다.
2. x와 y 값을 주면 y 값을 구할 수 있는 모델을 만들기 위해 TensorFlow를 import하고, 모델을 생성하고, 컴파일한다.
3. 학습을 통해 모델을 예측하고, 가중치와 편향을 구한다.
4. XOR 문제를 해결하기 위해 뉴런을 추가하고, 모델을 컴파일한다.
5. 분류 문제를 해결하기 위해 OneHotEncoder와 train_test_split을 사용하여 데이터를 전처리하고, 모델을 생성하고, 컴파일한다.