레이어를 추가하는 법

먼저 익힐 네 가지 레이어

Sequential 모델이 무엇을 표현할 수 있는지는 쌓은 레이어가 결정해. 일상적인 작업의 대부분은 다음 네 가지로 시작할 수 있어.

Dense(units, activation)는 모든 입력을 모든 출력에 연결하는 완전 연결 레이어야. units가 출력 개수를 정해.
Dropout(rate)은 학습할 때만 입력 일부를 0으로 만들어 과적합을 줄여. 추론 때는 자동으로 꺼지므로 예측 모델에서 따로 제거하지 않아도 돼.
Flatten()은 28×28 영상처럼 여러 차원인 입력을 길이 784의 벡터로 펼쳐. 벡터를 받는 Dense 앞에서 모양을 이어주는 역할이야.
Activation(fn)은 비선형 함수를 적용해. 보통은 별도 레이어보다 Dense(64, activation="relu")처럼 앞 레이어의 인자로 넣어.

첫 레이어에는 입력 모양을 알려줘야 해

두 번째 레이어부터는 앞 레이어의 출력으로 입력 모양을 자동 추론할 수 있어. 첫 레이어에는 그 앞이 없으므로 keras.Input(shape=(...))을 목록의 첫 항목으로 두는 것이 가장 명확해. 입력 모양을 모르면 Keras는 가중치를 만들 수 없어 모델이 아직 빌드되지 않은 상태로 남아. 입력을 미리 선언하면 데이터가 들어오기 전에도 모델이 완성되고 summary()도 온전한 구조를 보여줘.

Code

텐서 모양을 설명한 4층 모델·python

model = keras.Sequential([
    keras.Input(shape=(28, 28, 1)),  # 28x28 grayscale images
    layers.Flatten(),                       # → (784,)
    layers.Dense(128, activation="relu"),   # → (128,)
    layers.Dropout(0.2),                   # Regularization
    layers.Dense(10, activation="softmax"), # → (10,) probabilities
])

먼저 익힐 네 가지 레이어

첫 레이어에는 입력 모양을 알려줘야 해

Code

External links

Exercise

Progress

댓글 0