728x90
반응형
신경망 학습 순서
- 신경망에는 적응 가능한 가중치와 편향이 있고, 이 가중치와 편향을 훈련 데이터에 적응하도록 조정하는 과정을 '학습'이라 한다.
- 단계 - 미니배치
- 훈련 데이터 중 일부를 무작위로 가져온다. 이렇게 선별한 데이터를 미니배치라 하며, 그 미니배치의 손실 함수 값을 줄이는 것이 목표다.
- 단계 - 기울기 산출
- 미니배치의 손실 함수 값을 줄이기 위해 가중치 매개변수의 기울기를 구한다. 기울기는 손실 함수의 값을 가장 작게 하는 방향을 제시한다.
- 단계 - 매개변수 갱신
- 가중치 매개변수를 기울기 방향으로 아주 조금 갱신한다.
- 단계 - 반복
- 1~3단계 반복
- 기존에는 기울기를 구하기 위해 수치 미분을 사용했다. 하지만 수치 미분은 구현하기는 쉽지만 계산이 오래 걸린다.
- 오차역전파법을 이용하면 느린 수치 미분과 달리 기울기를 효율적이고 빠르게 구할 수 있다.
오차역전파법을 적용한 신경망 구현
TwoLayerNet 클래스의 인스턴스 변수
인스턴스 변수 | 설명 |
params | 딕셔너리 변수로, 신경망의 매개변수를 보관 |
params['W1']은 1번째 층의 가중치, params['b1']은 1번째 층의 편향 | |
params['W2']는 2번째 층의 가중치, params['b2']는 2번째 층의 편향 | |
layers | 순서가 있는 딕셔너리 변수로, 신경망의 계층을 보관 |
layers['Affine1'], layers['Relu1'], layers['Affine2']와 같이 각 계층을 순서대로 유지 | |
lastLayer | 신경망의 마지막 계층 |
이 예에서는 SoftmaxWithLoss 계층 |
TwoLayerNet 클래스 메서드
메서드 | 설명 |
__init__(self,input_size,hidden_size,output,size,weight_init_std)) | 초기화를 수행 |
인수는 앞에서부터 입력층 뉴런 수, 은닉층 뉴런 수, 출력층 뉴런 수, 가중치 초기화 시 정규분포의 스케일 | |
predict(self,x) | 예측(추론)을 수행한다. |
인수 x는 이미지 데이터 | |
loss(self,x,t) | 손실 함수의 값을 구한다. |
인수 x는 이미지 데이터, t는 정답 레이블 | |
accuracy(self,x,t) | 정확도를 구한다. |
numerical_gradient(self,x,t) | 가중치 매개변수의 기울기를 수치 미분 방식으로 구한다. |
gradient(self,x,t) | 가중치 매개변수의 기울기를 오차역전파법으로 구한다. |
# 5.7 오차역전파법 구현
import sys, os
sys.path.append(os.pardir)
import numpy as np
from layer import *
from gradient import numerical_gradient
from collections import OrderedDict
class TwoLayerNet:
def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
# 가중치 초기화
self.params={}
self.params['W1'] = weight_init_std *\
np.random.randn(input_size,hidden_size)
self.params['b1'] = np.zeros(hidden_size)
self.params['W2'] = weight_init_std * \
np.random.randn(hidden_size, output_size)
self.params['b2'] = np.zeros(output_size)
# 계층 생성
self.layers = OrderedDict()
self.layers['Affine1']=\
Affine(self.params['W1'], self.params['b1'])
self.layers['Relu1'] = Relu()
self.layers['Affine2'] = \
Affine(self.params['W2'], self.params['b2'])
self.lastLayer = SoftmaxWithLoss()
def predict(self, x):
for layer in self.layers.values():
x = layer.forward(x)
return x
# x : 입력 데이터, t : 정답 레이블
def loss(self, x, t):
y = self.predict(x)
return self.lastLayer.forward(y, t)
def accuracy(self, x, t):
y = self.predict(x)
y = np.argmax(y, axis = 1)
if t.ndim != 1 :
t = np.argmax(t, axis = 1)
accuracy = np.sum(y == t) / float(x.shape[0])
return accuracy
# x : 입력 데이터, t : 정답 레이블
def numerical_gradient(self, x, t):
loss_W = lambda W:self.loss(x,t)
grads = {}
grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
grads['b2'] = numerical_gradient(loss_W, self.params['b2'])
return grads
def gradient(self, x, t):
# 순전파
self.loss(x, t)
# 역전파
dout = 1
dout = self.lastLayer.backward(dout)
layers = list(self.layers.values())
layers.reverse()
for layer in layers:
dout = layer.backward(dout)
# 결과 저장
grads = {}
grads['W1'] = self.layers['Affine1'].dW
grads['b1'] = self.layers['Affine1'].db
grads['W2'] = self.layers['Affine2'].dW
grads['b2'] = self.layers['Affine2'].db
return grads
오차역전파법으로 구한 기울기 검증
- 기울기를 구하는 두 가지 방법
- 수치 미분을 써서 구하는 방법
- 해석적으로 수식을 풀어 구하는 방법
- 해석적 방법은 오차역전파법을 이용해 매개변수가 많아도 효율적으로 계산이 가능하다.
- 수치 미분은 느려서 오차역전파를 제대로 구현해두면 쓸모는 없다. 하지만 수치 미분은 오차역전파법을 정확히 구현했는지 확인하기 위해서 필요하다.
- 수치 미분은 구현이 쉬워서 버그가 숨어있기 어렵지만 오차역전파는 구현하기 복잡해서 종종 실수나 버그가 발생한다.
# 오차역전파법으로 구한 기울기 검증하기 - 기울기 확인(gradient check)
import sys, os
sys.path.append(os.pardir)
import numpy as np
from mnist import load_mnist
from two_layer_net import TwoLayerNet
# 데이터 읽기
(x_train, t_train), (x_test, t_test) =\
load_mnist(normalize =True, one_hot_label=True)
network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)
x_batch = x_train[:3]
t_batch = t_train[:3]
grad_numerical = network.numerical_gradient(x_batch, t_batch)
grad_backprop = network.gradient(x_batch, t_batch)
# 각 가중치의 차이의 절댓값을 구한 후 , 그 절댓값들의 평균을 낸다.
for key in grad_numerical.keys():
diff = np.average(np.abs(grad_backprop[key] - grad_numerical[key]))
print(key + " : " + str(diff))
오차역전파법을 사용한 학습 구현
# 오차역전파법을 사용한 학습 구현
import sys, os
sys.path.append(os.pardir)
import numpy as np
from mnist import load_mnist
from two_layer_net import TwoLayerNet
# 데이터 읽기
(x_train, t_train), (x_test, t_test) = load_mnist(normalize =True, one_hot_label=True)
network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)
iters_num = 10000
train_size = x_train.shape[0]
batch_size = 100
learning_rate = 0.1
train_loss_list = []
train_acc_list = []
test_acc_list = []
iter_per_epoch = max(train_size / batch_size, 1)
for i in range(iters_num):
batch_mask = np.random.choice(train_size, batch_size)
x_batch = x_train[batch_mask]
t_batch = t_train[batch_mask]
# 오차역전파법으로 기울기 구하기
grad = network.gradient(x_batch, t_batch)
# 갱신
for key in ('W1', 'b1', 'W2', 'b2'):
network.params[key] -= learning_rate * grad[key]
loss = network.loss(x_batch, t_batch)
train_loss_list.append(loss)
if i % iter_per_epoch == 0:
train_acc = network.accuracy(x_train, t_train)
test_acc = network.accuracy(x_test, t_test)
train_acc_list.append(train_acc)
test_acc_list.append(test_acc)
print(train_acc, test_acc)
출처 : 밑바닥부터 시작하는 딥러닝
https://www.hanbit.co.kr/store/books/look.php?p_code=B8475831198
728x90
반응형
최근댓글