4OurFuture 님의 블로그

딥러닝 모델을 학습시키는 데는 많은 시간과 컴퓨팅 자원이 필요합니다. 따라서 한 번 학습된 모델을 저장하고, 필요할 때 불러와 사용하면 매우 효율적입니다.이번 글에서는 케라스 모델 저장 및 불러오기 방법, 그리고 모델 서빙(Serving) 및 추론(Inference) 실습을 다뤄보겠습니다.1. 모델 저장 (Save) 및 불러오기 (Load)(1) 전체 모델 저장 및 불러오기 (HDF5 형식)모델 전체(구조 + 가중치 + 옵티마이저 상태)를 단일 파일로 저장할 수 있습니다.✅ 모델 저장model.save("my_model.h5")✅ 모델 불러오기from tensorflow.keras.models import load_modelloaded_model = load_model("my_model.h5") 🔹 H..

딥러닝 모델을 구축한 후, 효과적으로 학습시키기 위해서는 손실 함수(Loss Function), 최적화 알고리즘(Optimizer), **평가 지표(Metrics)**를 적절하게 선택해야 합니다. 또한 콜백(Callback) 기능을 활용하면 학습 과정을 더 효율적으로 관리할 수 있습니다.이번 글에서는 모델의 컴파일, 학습 및 평가 방법을 알아보고, 학습 결과를 시각화하는 방법까지 살펴보겠습니다.1. 손실 함수, 최적화 알고리즘, 평가 지표 선택 방법1️⃣ 손실 함수(Loss Function)손실 함수는 모델의 예측값과 실제값의 차이를 측정하여 모델이 얼마나 잘못 예측했는지를 나타냅니다.적절한 손실 함수를 선택하는 것이 학습 성능에 큰 영향을 미칩니다.문제 유형손실 함수이진 분류(Binary Classif..

케라스(Keras)에서 딥러닝 모델을 구성하는 방법에는 Sequential API와 Functional API 두 가지가 있습니다.이전 글에서는 Sequential API를 사용하여 간단한 신경망을 구축했지만, 복잡한 모델을 만들기 위해서는 Functional API가 필요합니다.이번 글에서는 Functional API와 Sequential API의 차이점을 살펴보고, 다중 입력/출력 및 잔차 연결(Residual Connection) 같은 복잡한 모델을 구축하는 방법을 예제와 함께 알아보겠습니다.1. Functional API와 Sequential API의 차이점✅ Sequential API레이어를 순차적으로 쌓는 방식으로 모델을 구성간단한 신경망에 적합하지만, 복잡한 네트워크를 구현하기 어려움예제 코..

딥러닝을 처음 접하는 사람들에게 케라스(Keras)는 직관적인 API를 제공하여 모델을 쉽게 구축할 수 있도록 도와줍니다. 그중에서도 Sequential API는 가장 간단한 방식으로 신경망을 구성할 수 있는 방법입니다. 이번 글에서는 Sequential 모델의 기본 개념과 사용법을 배우고, 간단한 MNIST 손글씨 분류 모델을 만들어보겠습니다.1. Sequential 모델의 기본 구조와 사용법Sequential 모델이란?Sequential 모델은 **레이어(Layer)**를 차례대로 쌓아 올리는 방식으로 신경망을 구성하는 방법입니다.하나의 입력에서 시작하여 여러 레이어를 거쳐 최종 출력을 도출하는 순차적인(feedforward) 신경망을 만들기에 적합합니다.Sequential 모델의 기본 구조Seque..

케라스(Keras)는 딥러닝 모델을 쉽고 빠르게 구축할 수 있도록 도와주는 고수준의 파이썬 라이브러리입니다. 이 글에서는 딥러닝 모델의 핵심 구성 요소인 데이터와 텐서, 모델 및 레이어, 활성화 함수와 함께 케라스의 API 개요에 대해 알아보겠습니다.1. 데이터와 텐서의 개념데이터와 텐서란?데이터딥러닝에서 데이터는 이미지, 텍스트, 숫자 등 모델 학습에 필요한 입력값을 의미합니다. 이 데이터는 일반적으로 수치 데이터로 변환되어 모델에 입력됩니다.텐서(Tensor)텐서는 다차원 배열(multidimensional array)을 의미하며, 딥러닝 라이브러리의 핵심 자료구조입니다.예를 들어,스칼라 (0차원 텐서): 단일 값벡터 (1차원 텐서): 값들의 리스트행렬 (2차원 텐서): 행과 열로 구성된 값들의 배열..