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 FAQ: Keras에 대해 자주 묻는 질문들

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>

Keras를 어떻게 인용하면 되죠?

Keras가 연구에 도움이 되었다면 당신의 저작물에 인용해 주세요. 예를 들어 BibTeX 양식으로는 다음과 같습니다:

@misc{chollet2015keras,
  title={Keras},
  author={Chollet, Fran\\c{c}ois and others},
  year={2015},
  publisher={GitHub},
  howpublished={\\url{<https://github.com/fchollet/keras>}},
}

GPU에서 Keras를 어떻게 돌릴 수 있죠?

TensorFlow나 CNTK 백엔드에서 돌리고 있는 경우에 사용 가능한 GPU가 감지된다면 코드는 자동으로 GPU에서 돌아갈 겁니다.

Theano 백엔드에서 돌리고 있는 경우에는 다음과 같은 방법을 사용하세요:

방법 1: Theano flags를 사용합니다.

THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py

'gpu'라는 이름은 당신의 기기의 식별자에 따라 변경해야 할 수도 있습니다(예를 들어, gpu0, gpu1, 등등).

방법 2: .theanorc를 설정하세요: 설정 방법

방법 3: 다음과 같이 코드의 시작 부분에 직접 theano.config.device, theano.config.floatX을 설정해 주세요:

import theano
theano.config.device = 'gpu'
theano.config.floatX = 'float32'

"샘플", "batch", "epoch"가 무슨 뜻인가요?

다음은 Keras를 정확하게 이용하기 위해 제대로 알고 이해할 필요가 있는 일반적인 정의입니다:

• 샘플: 데이터셋의 하나의 요소(element)입니다.
  • 예: 하나의 이미지는 합성곱 신경망(convolutional network)의 한 샘플 입니다.
  • 예: 하나의 음성 파일은 담화 인지(speech recognition) 모델의 한 샘플 입니다.
• Batch: N개의 샘플의 세트입니다. 한 batch 안의 샘플들은 독립적이고 평행하게 처리됩니다. 훈련 중에는 한 batch는 모델에 한 번의 업데이트를 합니다.
  • Batch 는 일반적으로 개별 입력 보다 입력 데이터 전체의 분포를 더 근사합니다. Batch가 더 클 수록 더 잘 근사합니다. 하지만, batch는 처리에 시간이 더 걸리고 업데이트는 한 번 밖에 안 됩니다. 추론(평가/예측)에 있어서는, 메모리를 다 써버리지 않는 한도 내에서 최대한 batch 크기를 크게 하는 것을 추천합니다(보통 batch가 클 수록 평가나 예측이 더 빠릅니다).
• Epoch: 임의의 끊어주기이며, 일반적으로 "전체 데이터셋에 대해 한 바퀴 돌기"로 정의됩니다. 훈련 과정을 단계별로 구분하여서 로깅과 주기적인 평가를 하는 데에 유용합니다.
  • Keras 모델의 fit 메소드와 evaluation_data 혹은 evaluation_split을 사용할 경우, 평가는 매 epoch의 끝에 수행됩니다.
  • Keras에서는 epoch의 끝에 특수하게 설계된 callbacks을 추가할 수 있습니다. 이러한 예는 학습율 변경 및 모델 체크포인트 저장 등 입니다.

Keras 모델을 어떻게 저장할 수 있나요?

전체 모델 저장하기/불러오기 (아키텍처 + 가중치 + 최적화기 상태)

Keras 모델을 저장하기 위해서는 pickle이나 cPickle을 사용하는 것을 추천합니다.

model.save(filepath)을 사용하여 Keras 모델을 다음과 같은 항목을 포함는 하나의 HDF5 파일에 저장할 수 있습니다:

• 모델을 다시 만들 수 있도록 하는 모델의 아키텍처
• 모델의 가중치
• 훈련 구성 (손실, 최적화기)
• 훈련을 중단한 그 시점 그대로 훈련을 재개할 수 있도록 하는 최적화기의 상태

모델을 다시 인스턴스화하기 위해 keras.models.load_model(filepath)을 사용할 수 있습니다. load_model은 저장된 훈련 구성을 사용하여 모델을 컴파일 할 수 있도록 합니다(원래의 모델이 컴파일된 적이 없지 않은 경우).

예제입니다:

from keras.models import load_model

model.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'
del model  # deletes the existing model

# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')

모델의 아키텍처만 저장하기/불러오기

가중치나 훈련 구성은 빼고 모델의 아키텍처만 저장할 필요가 있을 때는, 다음과 같이 할 수 있습니다:

# save as JSON
json_string = model.to_json()

# save as YAML
yaml_string = model.to_yaml()

생성된 JSON / YAML 파일은 사람이 읽을 수 있고, 필요 시 직접 수성할 수 있습니다.

또한 이 데이터로 부터 다음과 같이 새로운 모델을 만들 수도 있습니다:

# model reconstruction from JSON:
from keras.models import model_from_json
model = model_from_json(json_string)

# model reconstruction from YAML
from keras.models import model_from_yaml
model = model_from_yaml(yaml_string)

모델의 가중치만을 저장하기/불러오기

모델의 가중치만을 저장할 필요가 있을 때는, 아래와 코드와 같이 HDF5 형식으로 할 수 있습니다.

다만, HDF5와 파이썬 라이브러리 h5py는 Keras와 같이 설치되지 않으므로 별도로 설치하여야 한다는 점에 주의하세요.

model.save_weights('my_model_weights.h5')

모델을 인스턴스화하는 코드가 있다고 한다면, 저장한 가중치를 동일한 아키텍처를 가진 모델에 불러와 적용할 수 있습니다.

model.load_weights('my_model_weights.h5')