history 콜백

history 콜백은 .fit() 메서드로 모델을 학습할 때마다 기본적으로 반환됩니다. 해당 지표에 접근하려면 반환된 h_callback 객체의 history 딕셔너리에서 해당 키로 값을 가져오면 됩니다.

이전 레슨에서 만들었던 관개 장치 model이 학습할 준비가 되어 있으며, 특성과 레이블은 각각 X_train, y_train, X_test, y_test로 로드되어 있습니다. 이번에는 모델의 history 콜백을 저장하고, 학습하면서 validation_data 파라미터를 사용해 보세요.

history에 저장된 결과는 두 개의 간단한 matplotlib 함수인 plot_accuracy()와 plot_loss()로 시각화합니다. 콘솔에 show_code(plot_loss)를 붙여 넣으면 해당 코드도 확인할 수 있어요.

이제 학습의 이면을 직접 살펴보겠습니다!

이 연습은 강의의 일부입니다

Keras로 시작하는 딥 러닝

연습 안내

X_train과 y_train으로 모델을 학습하고, 각 epoch마다 X_test와 y_test로 검증하세요.
h_callback에서 loss와 val_loss를 추출해 plot_loss를 사용하세요.
h_callback에서 accuracy와 val_accuracy를 추출해 plot_accuracy를 사용하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Train your model and save its history
h_callback = ____.____(____, ____, epochs = 25,
               validation_data=(____, ____))

# Plot train vs test loss during training
plot_loss(h_callback.history[____], h_callback.history[____])

# Plot train vs test accuracy during training
plot_accuracy(h_callback.history[____], h_callback.history[____])

코드 편집 및 실행

이 연습은 강의의 일부입니다

Keras로 시작하는 딥 러닝

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 첫 번째 장에서는 신경망을 소개하고, 어떤 종류의 문제를 해결할 수 있는지, 그리고 언제 사용하면 좋은지 이해하게 됩니다. 또한 여러 네트워크를 직접 만들어 보고, 우리에게 다가오는 유성의 궤도를 근사하는 회귀 모델을 학습해 지구를 구해 볼 거예요!

Exercise 1: Keras란 무엇인가요?Exercise 2: Keras 설명하기 Exercise 3: 딥러닝을 사용하시겠나요?Exercise 4: 첫 번째 신경망 만들기 Exercise 5: 헬로, 네트워크!Exercise 6: 매개변수 세기 Exercise 7: 그림처럼 만들어요!Exercise 8: 운석 충돌에서 살아남기 Exercise 9: 모델 지정하기 Exercise 10: 학습 Exercise 11: 궤도 예측하기!

이 장을 마치면 신경망으로 이진, 다중 클래스, 다중 레이블 문제를 해결하는 방법을 익히게 됩니다. 가짜 달러 지폐 탐지, 다트판에서 누가 어떤 다트를 던졌는지 판별, 농장을 자동으로 물 주는 지능형 시스템 구축 같은 문제를 풀며 배워요. 또한 모델 학습 지표를 시각화하고, 더 이상 개선되지 않을 때 학습을 중지하고 모델을 저장하는 방법도 익힙니다.

Exercise 1: 이진 분류 Exercise 2: 달러 지폐 탐색하기 Exercise 3: 이진 분류 모델 Exercise 4: 이 달러 지폐는 위조일까요?Exercise 5: 다중 클래스 분류 Exercise 6: 다중 클래스 모델 Exercise 7: 데이터셋 준비하기 Exercise 8: 다트 던진 사람 학습시키기 Exercise 9: Softmax 예측 Exercise 10: 멀티라벨 분류 Exercise 11: 관개 기계 Exercise 12: 다중 레이블로 학습하기 Exercise 13: Keras 콜백 Exercise 14: history 콜백

현재 연습

Exercise 15: 모델에 조기 종료 적용하기 Exercise 16: 콜백의 조합

앞선 장들에서 많은 모델을 학습했죠! 이제 학습 곡선을 해석해 모델이 학습되는 과정을 이해하는 법을 배웁니다. 활성화 함수, 배치 크기, 배치 정규화가 미치는 영향도 시각화해 볼 거예요. 마지막으로, sklearn을 사용해 Keras 모델의 하이퍼파라미터를 자동으로 최적화하는 방법을 익힙니다.

Exercise 1: 학습 곡선 Exercise 2: 숫자 학습하기 Exercise 3: 모델이 과적합되고 있을까요?Exercise 4: 데이터를 더 늘려야 할까요?Exercise 5: 활성화 함수 Exercise 6: 다양한 활성화 함수 Exercise 7: 활성화 함수 비교하기 Exercise 8: 활성화 함수 비교 II Exercise 9: 배치 크기와 배치 정규화 Exercise 10: 배치 크기 바꾸기 Exercise 11: 익숙한 모델에 배치 정규화 적용하기 Exercise 12: 배치 정규화의 효과 Exercise 13: 하이퍼파라미터 튜닝 Exercise 14: 튜닝을 위한 모델 준비 Exercise 15: 모델 하이퍼파라미터 튜닝 Exercise 16: 교차 검증으로 학습하기

이제 더 고급 아키텍처를 소개할 차례예요! 오토인코더로 노이즈가 섞인 이미지를 복원하고, 합성곱 신경망의 활성화를 시각화하며, 사전 학습된 딥 모델로 이미지를 분류해 봅니다. 또한 순환 신경망과 텍스트 처리에 대해 더 알아보고, 문장에서 다음 단어를 예측하는 네트워크를 만들어 봅니다.

Exercise 1: 텐서, 층, 그리고 오토인코더 Exercise 2: 텐서의 흐름이에요 Exercise 3: 신경망 분리 Exercise 4: 오토인코더 만들기 Exercise 5: 오토인코더처럼 노이즈 제거하기 Exercise 6: CNN 소개 Exercise 7: CNN 모델 구축하기 Exercise 8: 합성곱 살펴보기 Exercise 9: 입력 이미지 준비하기 Exercise 10: 실제 모델 사용해 보기 Exercise 11: LSTM 소개 Exercise 12: LSTM으로 텍스트 예측하기 Exercise 13: LSTM 모델 만들기 Exercise 14: 예측 결과 디코딩하기 Exercise 15: 모델을 시험해 보세요!Exercise 16: 수고하셨습니다!