728x90
반응형
벡터화된 연산은 알고리즘의 성능을 올린다.
- 넘파이, 머신러닝, 딥러닝 패키지들은 다차원 배열의 계산을 빠르게 수행한다. - 행렬 연산 빠르게 수행
- 이런 기능을 벡터화(vertorization)된 연산 - 벡터화 연산 사용시 알고리즘 성능을 높일 수 있다.
배치 경사 하강법으로 성능 올리기
- 선형 회귀, 로지스틱 회귀는 알고리즘을 1번 반복할 때 1개의 샘플을 사용하는 '확률적 경사 하강법'을 사용했다.
- 확률적 경사 하강법은 1번 업데이트시 1개의 샘플 사용하므로 손실 함수의 전역 최솟값을 불안정하게 찾는다.
- 배치 경사 하강법은 가중치를 1번 업데이트할 때 전체 샘플을 사용하므로 손실 함수의 전역 최솟값을 안정적으로 찾는다.
- 단점 : 1번 업데이트시 사용되는 데이터의 개수가 많으므로 계산 비용이 많이든다.
- 전체 데이터 세트의 크기가 너무 크면 배치 경사 하강법을 사용하지 못하는 경우도 있다.
점 곱
단일층 신경망
forpass() 메서드
z = np.sum(x * self.w) + self.b
- 넘파이의 원소별 곱셈 기능 덕에 입력과 가중치의 곱을 x * self.w로 간단하게 표현 가능
x = [x1,x2,x3,x4....xn]
W = [W1,W2,W3,W4....Wn]
x * W = [x1*W1, x2*W2.....xn*Wn]
- x(x1,x2...)와 W(W1,W2..)는 벡터라고 부르고 벡터는 볼드로 표기한다.
- 두 벡터를 곱하여 합을 구하는 계산(np.sum(x*self.w))를 점 곱(dot product) 또는 스칼라 곱(scalar product)이라고 한다.
점 곱 행렬 곱셈으로 표현하기
z = np.dot(x, self.w) + self.b
SingleLayer 클래스에 배치 경사 하강법 적용하기
1. 사용할 넘파이, 맷플롯립 임포트
# 1. 넘파이 맷플롯립 임포트
import numpy as np
import matplotlib.pyplot as plt
2. 위스콘신 유방암 데이터 세트를 훈련, 검증, 테스트 세트로 나누고 데이터 살펴보기
# 2. 위스콘신 유방암 데이터 세트를 훈련, 검증 , 테스트 세트로 나누고 데이터 살펴보기
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
cancer = load_breast_cancer()
x = cancer.data
y = cancer.target
x_train_all, x_test, y_train_all, y_test = train_test_split(x, y, stratify=y, test_size=0.2, random_state=42)
x_train, x_val, y_train, y_val = train_test_split(x_train_all, y_train_all, stratify=y_train_all, test_size = 0.2, random_state=42)
3. 훈련 세트와 검증 세트 확인
# 3. cancer 데이터 세트 특성 개수 30개
# shape으로 크기 확인
print(x_train.shape, x_val.shape)
4. 정방향 계산을 행렬 곱셈으로 표현하기
5. 그레이디언트 계산 이해
- 그레이디언트는 오차와 입력 데이터의 곱이다.
- XT제곱은 X를 전치한 것이고 E는 오차들을 모은 것이다.
- X의 크기는 (364,30)이므로 전치하면 (30, 364)크기의 행렬이 된다.
- 행렬의 계산은 (30, 364) * (364, 1) = (30, 1)와 같다.
- g1은 모든 샘플의 첫 번째 특성(x1(1), x1(2)...)과 오차(e(1),e(2)....e(364)를 곱해 더한 값이므로 그레이디언트 평균값을 계산할 때 이 값을 다시 전체 샘플 수로 나눈다.
6. forpass(), backprop() 메서드에 배치 경사 하강법 적용하기
- 행렬 곱셈을 적용한 결과가 그레이디언트의 합이다.
- 전체 샘플 개수로 나눠 평균 그레이디언트를 구한다.
- len() 함수는 넘파이 배열의 행 크기를 반환한다.
# 6. forpass(), backprop() 메서드에 배치 경사 하강법 적용하기
def forpass(self, x):
z = np.dot(x, self.w) + self.b # 선형 출력 계산
return z
def backprop(slef, x, err):
m = len(x)
w_grad = np.dot(x.T, err) / m # 가중치에 대한 평균 그레이디언트를 계산한다.
b_grad = np.sum(err) / m # 절편에 대한 평균 그레이디언트를 계산한다.
return w_grad, b_grad
# 파이썬의 len() 함수는 넘파이 배열의 행 크기를 반환하므로 이 값을 이용해 그레이디언트의 평균을 계산한다.
# 절편의 그레이디언트는 오차이므로 오차 행렬의 평균값을 구한다.
7. fit() 메서드 수정하기
- 배치 경사 하강법에서는 forpass()메서드와 backprop()메서드에서 전체 샘플을 한꺼번에 계산하므로 두 번째 for문이 삭제된다.
# 7. fit() 메서드 수정하기
# 배치 경사 하강법에서는 forpass() 메서드와 backprop() 메서드에서 전체 샘플을 한꺼번에 계산하므로 두 번째 for문이 삭제된다.
def fit(self, x, y, eprochs=100, x_val=None, y_val=None):
y = y.reshape(-1,1) # 타깃을 열 벡터로 바꾼다.
y_val = y_val.reshape(-1, 1) #검증용 타깃을 열 벡터로 바꾼다.
m = len(x) # 샘플 개수 저장
self.w = np.ones((x.shape[1], 1)) # 가중치 초기화
self.b = 0
self.w_history.append(self.w.copy()) # 가중치를 기록한다.
for i in range(epochs):
z = self.forpass(x) # 정방향 계산을 수행한다.
a = slef. activation(z) # 활성화 함수를 적용한다.
err = -(y -a) # 오차 계산
w_grad, b_grad = self.backprop(x, err) # 오차를 역전파해 그레이디언트를 계산한다.
w_grad += (self.l1 * np.sign(self.w) + self.l2* self.w) / m # 그레이디언트에서 패널티 항의 미분값 더하기
self.w -= self.lr * w_grad # 가중치 절편 업데이트
self.b -= self.lr * b_grad
self.w_history.append(self.w.copy()) # 가중치 기록하기
a = np.clip(a, 1e-10, 1-1e-10) # 안전한 로그 계산을 위해 클리핑하기
loss = np.sum(-(y*np.log(a) + (1-y) * np.log(1-a))) # 로그 손실 규제 손실 더해 리스트에 추가
self.losses.append((loss + self.reg_loss())/m)
self.update_val_loss(x_val, y_val) # 검증 세트에 대한 손실 계산
# 전체 구조는 확률적 경사 하강법과 비슷하지만 for문이 한 단계 삭제되어 코드가 훨씬 간단해짐
# 활성화 출력 a가 열 벡터이므로 이에 맞추어 타깃값을(m,1)크기의 열 벡터로 변환하고 평균 손실 구하기 위해 np.sum()함수로 각 샘플의 손실을 더한 후 전체 샘플의 개수로 나눈다.
8,. 나머지 메서드 수정
# 8. 나머지 메서드 수정
#predict() 메서드에서 사용했던 리스트 내포와 update_val, loss() 메서드 간단하게 변환
def predict(self, x):
z = self.forpass(x) # 정방향 계산을 수행한다.
return z >0 # 스텝 함수 적용
def update_val_loss(self, x_val, y_val):
z = self.forpass(x_val) # 정방향 계산 수행
a = self.activation(z) # 활성화 함수 적용
a = np.clip(a, 1e-10, 1-1e-10) #출력값 클리핑
# 로그 손실과 규제 손실 더해 리스트에 추가
val_loss = np.sum(-(y_val*np.log(a) + (1-y_val) * np.log(1-a)))
self.val_losses.append((val_loss + self.reg_loss()) / len(y_val))
# SingleLayer 클래스 전체 코드
class SingleLayer:
def __init__(self, learning_rate=0.1, l1=0, l2=0):
self.w = None # 가중치
self.b = None # 절편
self.losses = [] # 훈련 손실
self.val_losses = [] # 검증 손실
self.w_history = [] # 가중치 기록
self.lr = learning_rate # 학습률
self.l1 = l1 # L1 손실 하이퍼파라미터
self.l2 = l2 # L2 손실 하이퍼파라미터
def forpass(self, x):
z = np.dot(x, self.w) + self.b # 선형 출력을 계산합니다.
return z
def backprop(self, x, err):
m = len(x)
w_grad = np.dot(x.T, err) / m # 가중치에 대한 그래디언트를 계산합니다.
b_grad = np.sum(err) / m # 절편에 대한 그래디언트를 계산합니다.
return w_grad, b_grad
def activation(self, z):
z = np.clip(z, -100, None) # 안전한 np.exp() 계산을 위해
a = 1 / (1 + np.exp(-z)) # 시그모이드 계산
return a
def fit(self, x, y, epochs=100, x_val=None, y_val=None):
y = y.reshape(-1, 1) # 타깃을 열 벡터로 바꿉니다.
y_val = y_val.reshape(-1, 1)
m = len(x) # 샘플 개수를 저장합니다.
self.w = np.ones((x.shape[1], 1)) # 가중치를 초기화합니다.
self.b = 0 # 절편을 초기화합니다.
self.w_history.append(self.w.copy()) # 가중치를 기록합니다.
# epochs만큼 반복합니다.
for i in range(epochs):
z = self.forpass(x) # 정방향 계산을 수행합니다.
a = self.activation(z) # 활성화 함수를 적용합니다.
err = -(y - a) # 오차를 계산합니다.
# 오차를 역전파하여 그래디언트를 계산합니다.
w_grad, b_grad = self.backprop(x, err)
# 그래디언트에서 페널티 항의 미분 값을 더합니다.
w_grad += (self.l1 * np.sign(self.w) + self.l2 * self.w) / m
# 가중치와 절편을 업데이트합니다.
self.w -= self.lr * w_grad
self.b -= self.lr * b_grad
# 가중치를 기록합니다.
self.w_history.append(self.w.copy())
# 안전한 로그 계산을 위해 클리핑합니다.
a = np.clip(a, 1e-10, 1-1e-10)
# 로그 손실과 규제 손실을 더하여 리스트에 추가합니다.
loss = np.sum(-(y*np.log(a) + (1-y)*np.log(1-a)))
self.losses.append((loss + self.reg_loss()) / m)
# 검증 세트에 대한 손실을 계산합니다.
self.update_val_loss(x_val, y_val)
def predict(self, x):
z = self.forpass(x) # 정방향 계산을 수행합니다.
return z > 0 # 스텝 함수를 적용합니다.
def score(self, x, y):
# 예측과 타깃 열 벡터를 비교하여 True의 비율을 반환합니다.
return np.mean(self.predict(x) == y.reshape(-1, 1))
def reg_loss(self):
# 가중치에 규제를 적용합니다.
return self.l1 * np.sum(np.abs(self.w)) + self.l2 / 2 * np.sum(self.w**2)
def update_val_loss(self, x_val, y_val):
z = self.forpass(x_val) # 정방향 계산을 수행합니다.
a = self.activation(z) # 활성화 함수를 적용합니다.
a = np.clip(a, 1e-10, 1-1e-10) # 출력 값을 클리핑합니다.
# 로그 손실과 규제 손실을 더하여 리스트에 추가합니다.
val_loss = np.sum(-(y_val*np.log(a) + (1-y_val)*np.log(1-a)))
self.val_losses.append((val_loss + self.reg_loss()) / len(y_val))
9. 훈련 데이터 표준화 전처리하기
- transformer() 메서드로 데이터를 표준화 전처리
# 9. 훈련 데이터 표준화 전처리
# 데이터 전처리 관련 클래스들을 sklearn.preprocessing 모듈 아래에 존재한다.
# 이런 클래스들을 변환기(transformer) 라고 부른다.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(x_train)
x_train_scaled = scaler.transform(x_train)
x_val_scaled = scaler.transform(x_val)
# fir() 메서드를 통해 변환 규칙 익히기
# transform() 메서드로 데이터를 표준화 전처리를 하고
# 훈련 세트와 검증 세트에 표준화 적용해 x_train_scaled, x_val_scaled준비
10. SingleLayer 클래스 객체에 전달해 배치 경사 하강법 적용
# 10. SingleLayer 클래스 객체에 전달해 배치 경사 하강법 적용
single_layer = SingleLayer(l2=0.01)
single_layer.fit(x_train_scaled, y_train, x_val=x_val_scaled, y_val=y_val,
epochs=10000)
single_layer.score(x_val_scaled, y_val)
# 에포크를 늘린 이뉴는 확률적 경사 하강법과 배치 경사 하강법은 에포크마다
# 가중치 업데이트를 하는 횟수에 차이가 있기 때문이다.
# 훈련 세트 샘플이 364개 일 경우 확률적 경사 하강법은 100번의 에포크를 수행하면 36,400번의 가중치 업데이트가 일어난다.
# 반면 배치 경사 하강법은 전체 훈련 세트를 한 번에 계산한 다음 오차를 역전파 하기 때문에 100번의 에포크를 수행하면 가중치는 100번만 업데이트 된다.
# 따라서 확률적 경사 하강법은 에포크횟수를 크게 늘려주어야 한다.
11. 검증 세트로 성능 측정하고 그래프로 비교
# 11. 검증 세트로 성능 측정하고 그래프로 비교
# 훈련 손실과 검증 손실 그래프로 출력해 확률적 경사 하강법과 비교
plt.ylim(0, 0.3)
plt.plot(single_layer.losses)
plt.plot(single_layer.val_losses)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train_loss','val_loss'])
plt.show()
# 배치 경사 하강법은 전체 샘플을 사용해 가중치를 업데이트하기 때문에 손실값이 안정적으로 감소한다.
12. 가중치 변화 그래프로 보기
w2 = []
w3 = []
for w in single_layer.w_history:
w2.append(w[2])
w3.append(w[3])
plt.plot(w2, w3)
plt.plot(w2[-1],w3[-1],'ro')
plt.xlabel('w[2]')
plt.ylabel('w[3]')
plt.show()
728x90
반응형
최근댓글