Building a Neural Network | Advanced Learning Algorithm

Coursera Machine Learning Specialization > Supervised Machine Learning: Advanced Learning Algorithms > Neural Network Intuition

 

 

Hidden layer가 1개 있는 뉴런 네트워크가 있다고 해보자. 여기서 TensorFlow를 쓰면, 이전의 예시처럼 하나하나 계산하지 않고, TensorFlow의 Sequential(순차)함수로 간단하게 모델을 만들 수 있다. 

 

layer_1 = Dense(units=3, activation="sigmoid")
layer_2 = Dense(units=1, activation="sigmoid")
model = Sequential([layer_1, layer_2])

 

TensorFlow에게 내가 만든 두 layer를 이용해서 Neural Network를 만들어주세요! 라고 부탁할 수 있다. 다음과 같은 커피 로스팅 데이터가 있다고 가정해보자.

Temperature	Duration	y(Good Coffee?)
200	17	1
120	5	0
425	20	0
212	18	1

 

이것을 TensorFlow에 사용하려면 다음과 같이 데이터화 할 수 있다.

x = np.array([[200.0, 17.0],
			   [120.0, 5.0]
               [425.0, 20.0],
               [212.0, 18.0]])
               
y = np.array([1, 0, 0, 1])

# 이것은 다음 시간에 다루도록 하자.
model.compile(...)

# 위에서 생성한 x, y 데이터를 이용해서 모델을 트레이닝 할 수 있다.
model.fit(x, y)

# 이후, 새로운 x값, x_new가 있다면 그것으로 예측해볼 수 있다.
model.predict(x_new)

 

이렇게 TensorFlow에서 신경망을 학습하고 추론해볼 수 있다.

 

숫차 분류 모델에도 이 코드를 적용해볼 수 있다.

 

 

# 노드 갯수에 맞춰서 sigmoid 함수를 activation function으로 쓰는 레이어들을 생성했다.
layer_1 = Dense(units=25, activation="sigmoid")
layer_2 = Dense(units=15, activation="sigmoid")
layer_3 = Dense(units=1, activation="sigmoid")

model = Sequential([layer_1, layer_2, layer_3])
model.compile(...)

# 2가지 이미지의 예시가 들어있다. 첫번째는 1을 그리는 픽셀들의 값, 2번째는 0이다.
x = np.array([0..., 245, ..., 17],
			 [0..., 200, ..., 184])

# target값이 저장되어있다.
y = np.array([1, 0])

# 트레이닝 데이터셋 x, y를 이용해서 모델을 트레이닝 한다.
model.fit(x, y)

# 새로운 x값을 이용해서 예측한다.
model.predict(x_new)

 

 

 

 

Reference

Coursera Machine Learning Specialization > Supervised Machine Learning: Advanced Learning Algorithms > Neural Network Intuition

Advanced Learning Algorithms