1. Keras 소개
   1. [시작하기] Sequential 모델 가이드
   2. [시작하기] 함수형 API 가이드
   3. [시작하기] FAQ
   4. [모델] Keras의 모델
   5. [모델] 함수형 API
   6. [모델] Sequential
   7. [계층] Keras의 계층
   8. [계층] Core 계층
   9. [계층] 합성곱 계층
   10. [계층] 풀링 계층
   11. [계층] 부분적으로 연결된 계층
   12. [계층] 재발 계층
   13. [계층] 임베딩 계층
   14. [계층] Merge 계층
   15. [계층] 고급 활성화 계층
   16. [계층] 표준화 계층
   17. [계층] 노이즈 계층
   18. [계층] 계층 Wrappers
   19. [계층] 자신만의 Keras 계층 만들기
   20. [전처리] 시퀀스 전처리
   21. [전처리] 텍스트 전처리
   22. [전처리] 이미지 전처리
2. Metrics
3. 손실
4. 최적화기
5. 활성화
6. Callbacks
7. 데이터셋
8. 애플리케이션
9. 백엔드 1
10. 백엔드 2
11. 백엔드 3
12. 백엔드 4
13. 백엔드 5
14. 초기화기
15. 정규화기
16. 제한
17. 시각화
18. Scikit-Learn API
19. 유용한 도구

Keras: 파이썬 딥러닝 라이브러리

여러분은 지금 막 Keras를 발견했습니다.

Keras는 파이썬으로 작성되었으며 TensorFlow, CNTK 또는 Theano 위에서 실행되는 고수준(high-level) 신경망(neural networks) API입니다. 빠른 실험 수행을 가능하게 하는 것에 중점을 두고 개발되었습니다. 아이디어에서 결과로 나아가는 데 발생하는 지연을 최소화하는 것이 좋은 연구를 하는 열쇠입니다.

다음과 같은 기능을 가진 딥러닝 라이브러리가 필요하다면 Keras를 사용하십시오.

• (사용자 편의성, 모듈성 및 확장성을 통한) 쉽고 빠른 프로토타이핑이 가능합니다.
• 합성곱 신경망(Convolutional networks)와 재발 신경망(Recurrent networks)을 모두 지원하며, 둘이 결합된 것도 지원합니다.
• CPU와 GPU에서 매끄럽게 실행됩니다.

Keras.io에서 전체 문서를 읽을 수 있습니다.

Keras는 다음 파이썬 버전에서 사용할 수 있습니다: Python 2.7-3.5.

가이드 원칙

• 사용자 편의성. Keras는 기계가 아닌 인간을 위해 설계된 API입니다. 사용자 경험을 중심에 놓습니다. Keras는 인지 부하를 줄이는 모범 사례를 따르고 있습니다. 일관성 있고 간단한 API를 제공하며, 일반적인 사용 사례에 필요한 사용자 작업의 수를 최소화하고, 오류 발생 시 명확하고 실용적인 피드백을 제공합니다.
• 모듈화. 모델은 독립적이고 완전히 설정 가능한 모듈을 선형적으로 연결하거나 그래프로 구성한 것으로, 가능한 최소한의 제한으로 함께 연결할 수 있습니다. 특히, 신경 계층(neural layers), 비용 함수(cost functions), 최적화기(optimizers), 초기화 스킴(initialization schemes), 활성화 함수(activation functions), 정규화 스킴(regularization schemes)은 모두 독립적인 모듈로, 새로운 모델을 생성하기 위해 결합할 수 있습니다.
• 쉬운 확장성. 새로운 모듈은 (새로운 클래스와 함수를 통해) 추가하기 쉽고, 기존 모듈은 충분한 예제를 제공합니다. 새로운 모듈을 쉽게 만들 수 있으므로 자유로운 표현이 가능하며, 따라서 Keras는 고급 연구에 적합합니다.
• 파이썬으로 작업. 선언적 형식의 모델 설정 파일이 별도로 존재하지 않습니다. 모델은 파이썬 코드로 작성되므로 작고, 디버그하기 쉽고, 확장성이 좋습니다.

시작하기: Keras 30초 맛보기

Keras의 핵심 데이터 구조는 모델이며 계층(layer)을 구성하는 데 이용합니다. 가장 간단한 유형의 모델은 Sequential 모델로, 계층을 선형적으로 쌓은 것입니다. 더 복잡한 아키텍처의 경우 Keras 함수형 API를 사용해야 합니다. 이 API를 사용하면 임의의 계층 그래프를 구성할 수 있습니다.

Notice

<aside> 💡 CodeOnWeb에서는 따로 파이썬을 설치하지 않더라도 코드박스 아래의 실행 버튼을 클릭하여 바로 파이썬 코드를 실행해볼 수 있습니다. TensorFlow, Theano와 같은 백엔드 코드도 마찬가지로 설치 없이 실행 버튼만 눌러 실행할 수 있습니다. 'Keras 연습하기' 과정에서는 실행 결과까지 출력하는 예제 코드에 대해서만 실행하여 결과를 확인할 수 있도록 하였습니다.

</aside>

Sequential 모델은 다음과 같이 초기화할 수 있습니다:

from keras.models import Sequential
model = Sequential()

.add()를 이용하면 계층을 손쉽게 쌓을 수 있습니다:

from keras.layers import Dense, Activation

model.add(Dense(units=64, input_dim=100))
model.add(Activation('relu'))
model.add(Dense(units=10))
model.add(Activation('softmax'))

모델이 적당히 구축되었다면 .compile() 메소드(method)를 이용해서 학습 과정을 구성할 수 있습니다:

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

필요한 경우 최적화기를 구성할 수도 있습니다. Keras의 핵심 원칙은 구성을 합리적인 수준으로 간단하게 만드는 동시에, 사용자가 필요할 때는 완벽하게 제어할 수 있도록 하는 것입니다(궁극적으로 소스 코드의 쉬운 확장성을 제공).

model.compile(loss=keras.losses.categorical_crossentropy,
							optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

이제 훈련 데이터를 batch 단위로 반복처리할 수 있습니다:

# x_train and y_train are Numpy arrays --just like in the Scikit-Learn API.
model.fit(x_train, y_train, epochs=5, batch_size=32)

또는, batch 데이터를 여러분이 직접 모델에 공급할 수도 있습니다:

model.train_on_batch(x_batch, y_batch)

한 줄만 써주면 성능을 평가해볼 수 있습니다:

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

새로운 데이터에 관한 결과를 예측해볼 수도 있습니다:

classes = model.predict(x_test, batch_size=128)

질문 응답 시스템, 이미지 분류 모델, 뉴럴 튜링 머신(Neural Turing Machine), 기타 다른 모델을 구축하는 작업도 이처럼 빠르게 할 수 있습니다. 딥러닝 이면에 있는 아이디어는 참 간단한데, 구현이 어려워야만 할 이유가 있을까요?

Keras에 관한 더 자세한 튜토리얼은 다음 문서를 참고하십시오.

• [시작하기] Sequential 모델 가이드
• [시작하기] 함수형 API 가이드

설치

Keras는 다음과 같은 의존성을 가지고 있습니다:

• numpy, scipy
• yaml
• HDF5 and h5py (필수는 아니지만 모델을 저장하고 불러오는 함수를 이용하려면 필요합니다)
• 필수는 아니지만 CNN을 사용한다면 추천합니다: cuDNN.

TensorFlow 백엔드를 사용할 경우:

• TensorFlow

CNTK 백엔드를 사용할 경우:

• CNTK

Theano 백엔드를 사용할 경우: