$\color{#3B88C3}\rule{675px}{2px}$Ch.07(07-1) 확인 문제 풀고, 풀이 과정 정리하기

https://colab.research.google.com/drive/1V08YBVsXXTyLpPh2Bm6xtLkOTJEiUqrf?usp=sharing

07-1 인공 신경망

$$ z_1 = x_1w_1 + x_2w_2 + … + x_{784}*w_{784} + b_1 $$

인공 신경망(artificial neural network, ANN)

• $x$, 입력층(input layer) : 입력 값, 특별한 계산x

• 뉴런(neuron) : $z$값을 계산(선형 계산)하는 단위 = 유닛(unit)

• $z$, 출력층(output layer) : 신경망의 최종 값

  • 밀집층(dense layer): 양쪽 뉴런 모두 연결 =완전 연결층(fully concerted layer)

   keras. layers.Dense(뉴런개수, 뉴런 출력에 적용할 함수, 입력크기)
  

확인문제

1. 어떤 인공 신경망의 입력 특성이 100개이고 밀집층에 있는 뉴런 개수가 10개 일 때 필요한 모델 파라미터의 개수는?

   ③ 1,010개

   → (뉴런 하나 당 입력 100개, 10100) + (뉴런 하나 당 절편 1개, 101) =1010

2. 케라스의 Dense 클래스를 사용해 신경망의 출력층을 만든다. 이 신경망이 이진 분류 모델이라면 activation 매개변수에 어떤 활성화 함수를 지정해야 하나?

   ② ‘sigmoid’

   → 시그모이드 함수로 0~1사이 값을 출력하여 음성<0.5<양성 클래스 분류.

3. 케라스 모델에서 손실 함수와 측정 지표 등을 지정하는 메서드는?

   ④ compile()

   → compile(loss, metrics)

   • loss : 손실함수

     이진 분류 : ‘binary_crossentropy’

     다중 분류: ‘categorical_crossentropy’

     클래스 레이블이 정수 : ‘sparse_categorical_crossentropy’

     회귀 모델: ‘mean_square_error’

   • metrics : 측정하고 싶은 지표 지정

4. 정수 레이블을 타깃으로 가지는 다중 분류 문제일 때 케라스 모델의 compile() 메서드에 지정할 손실 함수로 적절한 것은?

   ① ‘sparse_categorical_crossentropy’

   → 다중 분류 ‘categorical_crossentropy’ 중 정숫값 하나만 사용 하는 ‘sparse_categorical_crossentropy’ 사용

$\color{#3B88C3}\rule{675px}{2px}$Ch.07(07-2) 확인 문제 풀고, 풀이 과정 정리하기

07-2 심층 신경망

확인문제

1. 다음 중 모델의 add() 메서드 사용법이 올바른 것은?

   ② model.add(keras.layer.Dense(10, activation=’relu’))

   → keras.layers 패키지 아래에 있는 층의 객체 Dense 그대로 전달.

2. 크기가 300*300인 입력을 케라스 층으로 펼친다. 어떤 층을 사용해야 하는가?

   ② Flatten

   → reshape() 메서드로 직접 변환보다 Flatten층으로 곱해지는 가중치나 절편 없이 입력을 일렬로 펼친다.

3. 다음 중에서 이미지 분류를 위한 심층 신경망에 널리 사용되는 케라스의 활성화 함수는?

   ③ relu

   → 시그모이드의 층이 많아질수록 효과가 누적되어 학습에 민감하지 않음. 렐루 함수는 입력이 양수일 경우 통과 시키고 음수일 경우 0으로 만드는 간단힌 활성화 함수.

4. 다음 중 적응적 학습률을 사용하지 않는 옵티마이저는?

   ① SGD

   → SGD는 기본 경사 하강법 옵티마이저. Adagrad, RMSprop, Adam 모두 적응적 학습률 옵티마이저