수업소개
BatchNormalization layer를 사용하여 보다 학습이 잘되는 모델을 만들어 봅니다.
강의
소스코드
보스턴 집값 예측
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 | ############################ 라이브러리 사용import tensorflow as tfimport pandas as pd############################ 1.과거의 데이터를 준비합니다.보스턴 = pd.read_csv(파일경로)# 종속변수, 독립변수독립 = 보스턴[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax', 'ptratio', 'b', 'lstat']]종속 = 보스턴[['medv']]print(독립.shape, 종속.shape)############################ 2. 모델의 구조를 만듭니다X = tf.keras.layers.Input(shape=[13])H = tf.keras.layers.Dense(8, activation='swish')(X)H = tf.keras.layers.Dense(8, activation='swish')(H)H = tf.keras.layers.Dense(8, activation='swish')(H)Y = tf.keras.layers.Dense(1)(H)model = tf.keras.models.Model(X, Y)model.compile(loss='mse')# 2. 모델의 구조를 BatchNormalization layer를 사용하여 만든다.X = tf.keras.layers.Input(shape=[13])H = tf.keras.layers.Dense(8)(X)H = tf.keras.layers.BatchNormalization()(H)H = tf.keras.layers.Activation('swish')(H)H = tf.keras.layers.Dense(8)(H)H = tf.keras.layers.BatchNormalization()(H)H = tf.keras.layers.Activation('swish')(H)H = tf.keras.layers.Dense(8)(H)H = tf.keras.layers.BatchNormalization()(H)H = tf.keras.layers.Activation('swish')(H)Y = tf.keras.layers.Dense(1)(H)model = tf.keras.models.Model(X, Y)model.compile(loss='mse')############################ 3.데이터로 모델을 학습(FIT)합니다.model.fit(독립, 종속, epochs=1000) |
아이리스 품종 분류
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 | ############################ 라이브러리 사용import tensorflow as tfimport pandas as pd############################ 1.과거의 데이터를 준비합니다.아이리스 = pd.read_csv(파일경로)# 원핫인코딩아이리스 = pd.get_dummies(아이리스)# 종속변수, 독립변수독립 = 아이리스[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]종속 = 아이리스[['품종_setosa', '품종_versicolor', '품종_virginica']]print(독립.shape, 종속.shape)############################ 2. 모델의 구조를 만듭니다X = tf.keras.layers.Input(shape=[4])H = tf.keras.layers.Dense(8, activation='swish')(X)H = tf.keras.layers.Dense(8, activation='swish')(H)H = tf.keras.layers.Dense(8, activation='swish')(H)Y = tf.keras.layers.Dense(3, activation='softmax')(H)model = tf.keras.models.Model(X, Y)model.compile(loss='categorical_crossentropy', metrics='accuracy')############################ 2. 모델의 구조를 BatchNormalization layer를 사용하여 만든다.X = tf.keras.layers.Input(shape=[4])H = tf.keras.layers.Dense(8)(X)H = tf.keras.layers.BatchNormalization()(H)H = tf.keras.layers.Activation('swish')(H)H = tf.keras.layers.Dense(8)(H)H = tf.keras.layers.BatchNormalization()(H)H = tf.keras.layers.Activation('swish')(H)H = tf.keras.layers.Dense(8)(H)H = tf.keras.layers.BatchNormalization()(H)H = tf.keras.layers.Activation('swish')(H)Y = tf.keras.layers.Dense(3, activation='softmax')(H)model = tf.keras.models.Model(X, Y)model.compile(loss='categorical_crossentropy', metrics='accuracy') ############################ 3.데이터로 모델을 학습(FIT)합니다.model.fit(독립, 종속, epochs=1000) |
