Life is Good!

앙상블 CNN Jensen Inequality 평가 deepLearnging 파이썬 python

CNN 앙상블을 구성하고 평가하려면 test_ensemble.py라는 별도의 파일을 만들고 다음 코드를 삽입합니다.

2-9 행은 필요한 Python 패키지를 가져 오는 반면 12-15 행은 명령 줄 인수를 구문 분석합니다. 여기에는 직렬화 된 네트워크 가중치가 디스크에 저장되는 경로 인 –models가있는 단일 스위치 만 필요합니다.

여기에서 CIFAR-10 데이터 세트를 로드하여 네트워크를 평가할 뿐 (훈련이 아닌) 테스트 세트 만 유지할 수 있습니다

이제 Python에 내장 된 glob 모듈을 사용하여 쉽게 사전 훈련 된 MiniVGGNet 네트워크에 대한 경로를 수집해야합니다.

31 행은 –models 디렉토리의 모든 .model 파일에 대한 와일드 카드 경로 (파일 경로에 별표 “*”표시)를 구성합니다. 32 행에서 glob.glob을 사용하면 .model 파일 확장자로 끝나는 –models 내의 모든 파일 경로를 자동으로 찾을 수 있습니다.

32 행을 실행 한 후 modelPaths 목록에 다음 항목이 포함됩니다.

그런 다음 33 행은 디스크에서 로드 된 역 직렬화 된 MiniVGGNet 네트워크를 저장할 모델 목록을 초기화합니다. 이제 디스크에서 각 모델을로드 해 보겠습니다.

37 행에서는 각 개별 modelPath 파일 경로를 반복합니다. 그런 다음 load_model을 통해 직렬화 된 네트워크를 로드하고 모델 목록에 추가합니다. 마지막으로 앙상블을 평가할 준비가 되었습니다.

44 행에서 예측 목록을 초기화합니다. 모델 목록의 각 모델은 테스트 세트의 모든 데이터 포인트에 대해 10 개의 확률 (CIFAR-10 데이터 세트의 각 클래스 레이블에 대해 하나씩)을 생성합니다. CIFAR-10 데이터 세트에 10,000 개의 데이터 포인트가 있다고 가정하면 각 모델은 10,000×10 크기의 배열을 생성합니다. 각 행은 주어진 데이터 포인트에 해당하고 각 열은 해당 확률에 해당합니다.

이러한 예측을 누적하기 위해 47 행에서 각 개별 모델을 반복합니다. 그런 다음 테스트 데이터에서 .predict를 호출하고 각 모델에서 생성 된 확률로 예측 목록을 업데이트합니다. 앙상블의 5 개 모델을 반복하고 예측 목록을 업데이트 한 후, 예측 배열은 이제 (5, 10000, 10) 모양을 갖습니다. 즉, 각 모델에 대해 10 개의 클래스 레이블 확률을 생성 한 10,000 개의 테스트 데이터 포인트에 5 개의 모델이 있음을 의미합니다. 그런 다음 54 행은 5 개 모델 모두에서 각 테스트 데이터 포인트의 확률을 평균합니다.

이를 확인하기 위해 우리는 예측 배열의 모양을 보면 이제 (10000, 10) 5 개 모델 각각에 대한 확률이 함께 평균화 되었음을 의미합니다. 평균화는이 방법을 앙상블이라고 부르는 이유입니다. 여러 독립 모델의 출력을 가져 와서 함께 평균하여 최종 출력을 얻습니다. Jensen의 Inequality에 따르면 앙상블 방법을 적용하는 것은 개별 모델 중 하나를 무작위로 선택하는 것보다 (평균적으로) 더 나쁘지 않아야합니다.

마지막으로 55 행과 56 행은 앙상블 예측에 대한 분류 보고서를 표시합니다. MiniVGGNet 모델의 앙상블이 분류 정확도를 증가 시켰는지 확인하려면 다음 명령을 실행하십시오.

출력 분류 보고서를 보면 이러한 네트워크가 동일한 하이퍼 파라미터를 사용하여 동일한 데이터 세트에서 훈련되었지만 여러 네트워크의 출력을 결합하는 것만으로 정확도가 83 %에서 84 %로 증가했음을 알 수 있습니다. 일반적으로 데이터 세트에 따라 컨볼루션 신경망 앙상블을 적용 할 때 1-5 %의 정확도 증가를 기대할 수 있습니다.

이 장에서 우리는 앙상블 기계 학습 기술과 여러 개의 독립적 인 모델을 훈련 한 후 결과를 함께 평균화하여 분류 정확도를 높일 수있는 방법을 검토했습니다.

앙상블 방법에 대한 이론적 정당성은 Jensen의 Inequality 등을 검토하여 찾을 수 있습니다. Jensen의 Inequality는 평균적으로 무작위로 하나를 선택하는 것보다 여러 모델의 결과를 함께 평균하는 것이 좋다는 것입니다. 실제로 최첨단 논문 (Inception, ResNet 등 포함)에서 보고 한 상위 결과는 여러 모델의 평균입니다 (일반적으로 3-5개, 저자는 출판 기한 전에 네트워크를 훈련시켜야 하므로). 데이터 세트에 따라 일반적으로 정확도가 1~5 % 증가 할 것으로 예상 할 수 있습니다. 앙상블은 분류 정확도를 향상시키는 간단한 방법 일 수 있지만 단일 네트워크를 훈련하는 대신 계산 비용이 많이 드는 앙상블이지만 이제 N 개의 훈련을 할 수 있습니다. CNN 훈련은 이미 시간이 많이 걸리는 작업이므로 일부 상황에서는 선형으로 확장하는 방법이 실용적이지 않을 수 있습니다.

다중 모델 훈련의 계산 부담을 줄이기 위해 Huang et al. 2017 년 논문 Snapshot Ensembles : Train 1, get M for free에서 단일 학습 프로세스 동안 여러 모델을 학습하기 위해 순환 학습률 일정을 사용하는 아이디어를 제안합니다. 이 방법은 높은 학습률로 학습을 시작한다음 빠르게 낮추고 모델 가중치를 저장 한 다음 네트워크 가중치를 다시 초기화하지 않고 학습률을 원래 값으로 재설정하는 방식으로 작동합니다. 이 작업을 통해 네트워크는 훈련 과정 중에 이론적으로 지역 최소 영역 (또는 적어도 손실이 적은 영역)으로 커버리지를 여러 번 확장 할 수 있습니다. Snapshot Ensembles는 범위를 벗어나지만 분류 정확도를 높여야하지만 여러 모델을 교육 할 여유가 없는 경우 조사 할 가치가 있습니다.

파이썬 python Classification Ensemble 앙상블 Jensen Inequality 인공지능 딥러닝

CNN 앙상블을 구축하는 첫 번째 단계는 각 개별 CNN을 훈련하는 것입니다. 단일 CNN을 훈련하는 많은 예를 보았지만 여러 네트워크를 어떻게 훈련합니까? 일반적으로 두 가지 옵션이 있습니다.

1. 단일 네트워크를 여러 번 훈련하는 데 사용하는 스크립트를 실행하여 출력 직렬화 된 모델 가중치 경로를 각 실행에 대해 저장되도록 변경합니다.

2. for 루프를 사용하여 N 개의 네트워크를 훈련시키고 각 반복이 끝날 때 직렬화 된 모델을 출력하는 별도의 Python 스크립트를 만듭니다.

두 방법 모두 CNN의 간단한 앙상블을 훈련하는 데 완벽하게 허용됩니다. 단일 명령을 실행하여 단일 출력 CNN을 생성하는 것이 좀더 용이할 것으로 예상되니, 단일 스크립트가 여러 네트워크 훈련을 담당하는 두 번째 옵션을 시도해 보겠습니다. 새 파일을 열고 이름을 train_models.py로 지정하고 다음 코드를 삽입합니다.

2 행과 3 행은 matplotlib 패키지를 가져온 다음 플롯을 디스크에 저장할 수 있도록 백엔드를 설정합니다. 6-15 행은 나머지 Python 패키지를 가져옵니다. 이 모든 패키지는 이전에 사용했지만 아래에서 중요한 패키지를 언급하겠습니다.

• 8 행 : 앙상블을 구성하기 위해 여러 MiniVGGNet 모델을 훈련 할 것입니다.

• 9 행 : ImageDataGenerator 클래스를 사용하여 네트워크를 훈련 할 때 데이터 증가를 적용합니다.

• 10 행 및 11 행 : MiniVGGNet 모델은 SGD 옵티 마이저를 사용하여 CIFAR-10 데이터 세트에 대해 학습됩니다.

train_models.py 스크립트에는 두 개의 명령 줄 인수 다음에 추가 옵션 인수가 필요합니다.

–output 인수는 학습 할 각 네트워크에 대한 손실 / 정확도 플롯과 함께 분류 보고서를 저장하는 기본 출력 디렉토리 역할을합니다. 그런 다음 직렬화 된 네트워크 가중치를 저장할 출력 디렉토리의 경로를 제어하는 –models 스위치가 있습니다.

마지막으로 –num-models 인수는 앙상블의 네트워크 수를 나타냅니다. 이 값의 기본값은 5 개입니다. Random Forests와 같은 전통적인 앙상블 방법은 일반적으로 30 개 이상의 의사 결정 트리 (대부분의 경우 > 100 개)로 구성되지만 일반적으로 앙상블에서 5 ~ 10개의 컨벌루션 신경망 만 볼 수 있습니다. 그 이유는 CNN이 훨씬 학습하는 데 시간과 계산 비용이 많이 들기 때문입니다.

다음 코드 블록은 디스크에서 CIFAR-10 데이터 세트를 로드하고, 픽셀 강도를 [0,1] 범위로 확장하고, 클래스 레이블을 원-핫 인코딩하여 손실 함수로 범주형 교차 엔트로피를 적용 할 수 있도록 처리합니다.

또한 ImageDataGenerator를 초기화하여 CIFAR-10 훈련 데이터에 데이터 증대를 적용 할 수 있습니다.

여기에서는 이미지를 무작위로 10도 회전하고 0.1 배씩 이동하고 무작위로 수평으로 뒤집을 수 있습니다. 이제 앙상블에서 각 개별 MiniVGGNet 모델을 훈련할 준비가되었습니다.

48 번 행에서 우리는 훈련 할 –num-models 수를 반복하기 시작합니다. 52 행은 학습률 α = 0.01, 모멘텀 γ = 0.9, 학습률의 표준 Keras 학습률 감소를 총 epoch 수로 나눈 값을 사용하여 SGD 최적화 프로그램을 초기화합니다. 또한 Nesterov 가속을 사용해야 함을 표시합니다.

54-57 행은 개별 MiniVGGNet 모델을 인스턴스화하고 컴파일합니다.

다음으로 네트워크를 훈련시키고 디스크에 직렬화하겠습니다.

60-62 행은 fit_generator 메서드를 사용하여 MiniVGGNet 모델을 훈련시킵니다. 데이터 증가를 적용하려면 ImageDataGenerator의 .flow 메서드가 필요하기 때문에 fit_generator를 사용합니다.

네트워크는 64 개의 배치 크기를 사용하여 총 64 epoch 동안 훈련됩니다. steps_per_epoch 매개 변수는 배치 크기로 나눈 훈련 샘플 수인 epoch 당 배치 수를 제어합니다.

네트워크가 훈련을 마친 후 고유한 출력 경로를 구성하고 가중치를 디스크에 저장합니다 (65 및 66 행). 또한 각 네트워크에 대한 classification_report를 디스크에 저장하여 스크립트 실행이 완료되면 성능을 검토 할 수 있습니다.

시간이 지남에 따라 손실과 정확도를 플로팅 할 때도 마찬가지입니다.

앙상블 학습으로 바로 뛰어 들지 않을 것입니다. 먼저 일련의 실험을 실행하여 특정 데이터 세트에서 가장 높은 정확도를 제공하는 아키텍처, 최적화 도구 및 하이퍼 파라미터 조합을 결정합니다.

이 최적의 조합 세트에 도달하면 여러 모델을 학습하여 앙상블을 형성합니다. 첫 번째 실험으로 앙상블을 훈련하는 것은 주어진 데이터 세트에 가장 적합한 아키텍처, 최적화 도구 및 하이퍼 파라미터의 조합을 모르기 때문에 조기 최적화로 간주됩니다. 즉, 이전에 SGD로 훈련 된 MiniVGGNet이 83 %의 합리적인 분류 정확도를 제공한다는 것을 알고 있습니다. 앙상블 방법을 적용하여 이 정확도를 높이기를 바래봅니다. MiniVGGNet 모델 세트를 훈련하려면 다음 명령을 실행하십시오.

이제 하나가 아닌 5 개의 네트워크를 훈련하고 있으므로이 스크립트를 실행하는 데 5 배의 시간이 걸립니다. 실행되면 출력 디렉토리를 살펴보십시오.

여기에서 각 네트워크에 대한 출력 분류 보고서와 훈련 곡선을 볼 수 있습니다. grep을 사용하여 각 네트워크의 분류 정확도를 쉽게 추출 할 수 있습니다.

5 개 네트워크 중 4 개는 83 %의 분류 정확도를 얻고 나머지 네트워크는 82 %의 정확도에 도달합니다. 또한 5 개의 훈련 플롯 (아래 그림)을 모두 살펴보면 각 학습 곡선 세트가 다소 비슷해 보이지만 각각 고유 해 보이며 각 MiniVGGNet 모델이 서로 다른 방식으로 “학습”되었음을 알 수 있습니다. 이제 5 개의 개별 앙상블을 훈련 했으므로 예측을 결합하고 분류 정확도가 증가하는지 확인할 때입니다.

앙상블의 5 개 네트워크 각각에 대한 훈련 및 검증 플롯

Image Net Challenge Inequality Inequality 앙상블

이 장에서는 앙상블 메서드의 개념, 여러 분류기를 가져와 하나의 큰 메타 분류기로 집계하는 프로세스를 살펴 봅니다. 여러 기계 학습 모델을 함께 평균화하면 무작위로 선택한 단일 모델을 사용하여 성능을 능가 (즉, 더 높은 정확도 달성) 할 수 있습니다. 사실, ImageNet Challenge에서 경쟁하는 거의 모든 최신 출판물은 Convolutional Neural Networks 앙상블에 대한 최상의 결과를보고합니다. 이 장에서는 Jensen의 Inequality 이론 (앙상블 방법이 의존하는 이론)에 대한 논의로 시작합니다. 여기에서 단일 스크립트에서 여러 CNN을 훈련하고 성능을 평가하는 방법을 보여 드리겠습니다. 그런 다음 이러한 CNN을 단일 메타 분류기로 결합하고 정확도가 증가하는 것을 확인합니다.

26.1 앙상블 방법

“앙상블 방법”이라는 용어는 일반적으로 “대량”모델 ( “large”의 정확한 값이 분류 작업에 따라 달라짐)을 훈련 한 다음 투표 또는 평균화를 통해 출력 예측을 결합하여 분류 정확도를 높이는 것을 말합니다. 실제로 앙상블 방법은 딥러닝 및 컨볼 루션 신경망에만 국한되지 않습니다. 우리는 수년간 앙상블 방법을 사용해 왔습니다. AdaBoost 및 Random Forests와 같은 기법은 앙상블 방법의 전형적인 예입니다. Random Forests에서는 여러 의사 결정 트리를 훈련하고 포리스트를 사용하여 예측합니다. 아래 그림 (왼쪽)에서 볼 수 있듯이 Random Forest는 함께 집계 된 여러 의사 결정 트리로 구성됩니다.

왼쪽 : 신경망의 앙상블은 여러 네트워크로 구성됩니다. 입력 이미지를 분류 할 때 데이터 포인트는 다른 모든 네트워크와 독립적으로 이미지를 분류하는 각 네트워크로 전달됩니다. 그런 다음 네트워크 전체의 분류를 평균하여 최종 예측을 얻습니다.

오른쪽 : Jensen의 Inequality 등으로 인해 앙상블 방법이 가능합니다. 항아리에 들어있는 사탕 수에 대한 추측을 평균하여 실제 사탕 수를 더 잘 추정 할 수 있습니다.

각 의사 결정 트리는 최종 분류가되어야한다고 생각하는 것에 “투표”합니다. 이러한 투표는 메타 분류 자에 의해 표로 작성되며 가장 많은 투표를 받은 카테고리가 최종 분류로 선택됩니다. 딥러닝과 컨볼루션 신경망에도 동일한 개념을 적용 할 수 있습니다. 여기서는 여러 네트워크를 훈련시킨 다음 각 네트워크에 입력 데이터 포인트가 주어지면 각 클래스 레이블에 대한 확률을 반환하도록 요청합니다 (위 그림 왼쪽). 이 확률은 함께 평균을 내고 최종 분류를 얻습니다. 여러 모델에 대한 평균 예측이 작동하는 이유를 이해하려면 먼저 Jensen의 Inequality에 대해 논의해야 합니다. 그런 다음 Python 및 Keras 코드를 제공하여 CNN 앙상블을 구현하고 분류 정확도가 실제로 증가하는지 직접 확인합니다.

26.1.1 Jensen의 Inequality

가장 일반적인 용어로 앙상블은 앙상블 컬렉션에서 단일 모델을 사용하는 것보다 더 나은 평균 예측 정확도를 얻는 데 사용할 수있는 유한한 모델 컬렉션입니다. Dietterich의 연구는 앙상블 방법이 일반적으로 단일 모델보다 높은 정확도를 얻을 수있는 이유에 대한 이론을 자세히 설명합니다.

Dietterich의 작업은 머신 러닝 문헌에서 ‘다양성’또는 ‘모호성 분해’로 알려진 Jensen의 Inequality 등에 달려 있습니다. Jensen의 Inequality에 대한 공식적인 정의에 따르면 볼록 결합 (평균) 앙상블은 개별 모델의 평균 오차보다 작거나 같은 오차를 갖게됩니다. 하나의 개별 모델이 모든 모델의 평균보다 오류가 낮을 수 있지만 이 모델을 “선택”하는 데 사용할 수있는 기준이 없기 때문에 모든 모델의 평균이 다음보다 더 나쁘지 않을 것임을 확신 할 수 있습니다. 임의의 단일 모델을 선택합니다. 요컨대, 우리는 예측을 함께 평균화 해야만 더 나아질 수 있습니다. 분류기를 악화시키는 것을 두려워 할 필요가 없습니다.

시각적 인 예를 좋아하는 사람들에게는 Jensen의 Inequality과 모델 평균화의 개념을 이 사탕 항아리를 보고 안에 얼마나 많은 사탕이 들어 있는지 추측하여 가장 잘 설명 할 수 있습니다 (위 그림 오른쪽). 사탕이 몇 개나 될까요? 100? 200? 500? 당신의 추측은 항아리에있는 실제 사탕 수보다 매우 많거나 적을 수 있습니다. 매우 가까울 수도 있습니다. 또는 운이 좋다면 정확한 사탕 수를 추측 할 수 있습니다. 하지만 이 게임에는 약간의 트릭이 있습니다. 이는 Jensen의 Inequality을 기반으로합니다. 항아리에 사탕이 몇 개 있는지 물어 보면 여러분과 다른 모든 사람들에게 가서 사탕 개수가 무엇이라고 생각하는지 물어 보겠습니다. 그런 다음이 모든 추측을 취하고 함께 평균을 내고이 평균을 최종 예측으로 사용합니다.

이제 여러분 중 소수가 정말 좋은 추측을 하고 평균을 이길 수도 있을 것입니다. 하지만 어느 쪽이 정말 좋은 추측인지 판단 할 기준이 없습니다. 누가 최고의 추측인지 말할 수 없기 때문에 대신 내가 묻는 모든 사람의 평균을 취하겠습니다. 따라서 무작위로 추측하는 것보다 (평균적으로) 나쁘지 않을 것입니다. 본질적으로 그것은 Jensen의 Inequality입니다.

무작위로 추측하는 사탕 수와 딥러닝 모델의 차이점은 CNN이 잘 작동하고 좋은 추측 성능을 가진 자 (즉, 무작위로 추측하지 않음)라고 가정한다는 것입니다. 따라서 이러한 예측 변수의 결과를 함께 평균하면 분류 정확도가 향상되는 경우가 많습니다. 이러한 개선 사항은 딥러닝에 대한 최신 출판물이 여러 모델을 훈련 한 다음 이러한 앙상블에 대한 최고의 정확성을 나타내는 이유입니다

DeepLearning MachineLearning Optimization SGD Stochastic Gradient Descent Adagrad Adadelta RMSprop Adam Nadam

이러한 모든 최적화 알고리즘 중에서 선택을 할 때 어떤 것을 선택해야합니까? 불행히도 그 대답은 결정적이지 않습니다. Schaul et al. 2014 년에 확률 적 최적화를위한 단위 테스트 논문에서는 이러한 최적화 방법 중 많은 것을 벤치마킹하려고 시도했으며 적응형 학습률 알고리즘이 호의적으로 수행되었지만 확실한 승자는 없음을 발견했습니다.

딥러닝 최적화 알고리즘 (그리고 이를 어떤 방법을 선택하는 것)은 여전히 열린 연구 영역이며 수년 동안 계속 될 것입니다. 따라서 찾을 수있는 모든 최적화 알고리즘을 철저히 시도하고 각 알고리즘을 데이터 세트에 던지고 고정되는 사항에 주목하는 대신 2 ~ 3 개의 최적화 알고리즘을 마스터하는 것이 좋습니다.

종종 딥 러닝 프로젝트의 성공은 최적화 알고리즘 (및 관련 매개 변수)과 연구원이 알고리즘을 “driving”하는 데 얼마나 능숙한 지의 조합입니다.

27.2.1 Driving 세 가지 방법 : SGD, Adam 및 RMSprop

“이 시점에서 어떤 알고리즘을 사용할 지 선택하는 것은

사용자가 알고리즘에 익숙한 지(하이퍼 파라미터 조정의 용이함에)

크게 좌우되는 것 같습니다.” – Goodfellow et al.

RMSprop 및 Adam과 같은 적응형 학습률 알고리즘의 성공을 감안할 때 SGD를 무시하고 이를 구식 도구처럼 취급하고 싶을 수 있습니다. 결국 “더 나은” 방법이 존재 하겠죠? 그러나 SGD를 무시하는 것은 큰 실수가 될 것입니다. ImageNet과 같은 까다로운 이미지 분류 데이터 세트에 대한 최신 딥 러닝 간행물을 살펴보십시오. AlexNet, VGGNet, SqueezeNet, Inception, ResNet – 이러한 모든 최신 아키텍처는 SGD를 사용하여 학습 되었습니다.

그 이유가 무엇일까요? 적응형을 적용하는 알고리즘(RMSprop 및 Adam과 같은 학습률) 의 이점은 분명히 합니다. – 네트워크는 더 빨리 수렴 할 수 있습니다. 그러나 수렴 속도는 중요하지만 가장 중요한 요소는 아닙니다. 하이퍼 파라미터가 여전히 우세합니다. 하이퍼 파라미터를 주어진 최적화 프로그램 (및 관련 모델)으로 조정할 수없는 경우 , 네트워크는 합리적인 정확도를 얻을 수 없습니다. SGD는 적응형 학습률 알고리즘보다 확실히 더 느리게 수렴되지만 더 많이 연구 된 알고리즘이기도합니다. 연구원들은 SGD에 더 익숙하고 이를 사용하여 네트워크를 훈련하는 데 수년을 보냈습니다.

예를 들어, 5년 동안 동일한 제조사와 모델의 경주 용 자동차를 운전해 온 전문 경주용 자동차 운전자를 생각해보십시오. 그러다 어느 날 운전자의 스폰서가 바뀌고 강제로 새 차량을 운전하게됩니다. 운전자는 새 경주 용 자동차를 시험해 볼 시간이 없으며 자동차에 대한 경험없이 경주를 시작해야합니다. 드라이버가 처음 몇 번의 레이스에서도 잘 수행 할 수 있습니까? 대부분 그렇지 않습니다. 운전자는 차량과 그 복잡한 점에 익숙하지 않습니다 (그러나 운전자는 결국 전문가이기 때문에 여전히 합리적으로 수행 할 수는 있습니다).

딥 러닝 아키텍처와 최적화 알고리즘도 마찬가지입니다. 주어진 아키텍처 및 최적화 알고리즘으로 더 많은 실험을 수행할수록 훈련 프로세스의 복잡성에 대해 더 많이 알게됩니다. SGD가 거의 60 년 동안 신경망 훈련의 초석 이었음을 감안할 때 이 알고리즘이 오늘날에도 일관되게 사용되는 것은 놀라운 일이 아닙니다. 수렴 속도는 모델의 성능 (정확성)과 비교할 때 그다지 중요하지 않습니다.

간단히 말해, SGD를 사용하여 주어진 데이터 세트에서 더 높은 정확도를 얻을 수 있다면 단순히 하이퍼 파라미터를 더 잘 이해하기 때문에 Adam 또는 RMSprop를 사용할 때보 다 학습하는 데 1.5 배 더 오래 걸리더라도 SGD를 사용할 가능성이 높습니다. 현재 가장 많이 사용되는 딥러닝 최적화 알고리즘은 다음과 같습니다.

1. SGD

2. RMSprop

3. Adam

먼저 SGD를 마스터하고 만나는 모든 아키텍처 및 데이터 세트에 적용하는 것이 좋습니다. 일부 경우에 성능이 우수하고 다른 경우에는 성능이 떨어집니다. 여기서 목표는 특정 최적화 알고리즘을 사용하여 가능한 한 많은 딥러닝 문제에 노출되고 관련 하이퍼 파라미터를 조정하는 방법을 배우는 것입니다. 딥 러닝은 과학이자 예술입니다. 최적화 알고리즘을 마스터하는 것은 절대적으로 많은 연습이 필요한 예술입니다.

거기에서 RMSprop 또는 Adam으로 이동하십시오. 제 경험상 Adam은 대부분의 상황에서 RMSprop를 능가하는 경향이 있으므로 RMSprop보다 먼저 Adam을 공부하는 것이 좋습니다.

27.3 요약

이 장에서는 SGD 대신 사용할 수있는 적응형 학습률 최적화 알고리즘에 대해 설명했습니다. 심층 신경망을 훈련하기 위해 최적화 알고리즘을 선택하는 것은 다음과 같은 지식에 크게 좌우됩니다.

1. 데이터 세트

2. 모델 아키텍처

3. 최적화 알고리즘 (및 관련 하이퍼 파라미터)

찾을 수있는 모든 최적화 알고리즘을 시도하기 위해 철저하게 실험을 실행하는 대신 두,세가지 기술과 하이퍼 파라미터를 조정하는 방법을 마스터하는 것이 좋습니다. 이러한 기술의 전문가가되면 이전에 사용하지 않은 데이터 세트에 새로운 모델 아키텍처를 훨씬 쉽게 적용 할 수 있습니다. 개인적으로 추천하는 것은 딥러닝 공부 초기에 SGD 사용법을 마스터하는 데 많은 시간을 보내는 것입니다. 특히, 모멘텀이 있는 SGD입니다. SGD를 다양한 아키텍처 및 데이터 세트에 적용하는 것이 편하다면 Adam 및 RMSprop로 이동하십시오.

마지막으로, 모델 속도 수렴의 속도는 손실과 정확도의 부차적 이라는 점을 염두에 두십시오. 하이퍼 파라미터를 (자신있게) 조정할 수있는 최적화 알고리즘을 선택하여 합리적으로 성능을 발휘하는 네트워크를 만듭니다.

파이썬 python 딥러닝 최적화 SDG Gradient Descent Optimazation

지금까지는 네트워크를 최적화하기 위해 SGD (Stochastic Gradient Descent) 만 연구하고 사용했지만 딥 러닝에 사용되는 다른 최적화 방법이 있습니다. 특히 이러한 고급 최적화 기술은 다음 중 하나를 추구합니다.

1. 합리적인 분류 정확도를 얻기 위해 시간 (즉, 에포크 수)을 줄입니다.

2. 학습률 이외의 더 넓은 범위의 하이퍼 파라미터에 대해 네트워크를 더 “잘 작동”하도록 만듭니다.

3. 이상적으로는 SGD로 가능한 것보다 더 높은 분류 정확도를 얻을 수 있습니다.

딥 러닝의 최신 방법으로 각각 SGD를 개선하고 적응형 학습률 개념을 제공하고자하는 새로운 최적화 기술이 폭발적으로 증가했습니다. 아시다시피 SGD는 주어진 학습률에 비례하여 네트워크의 모든 매개 변수를 동일하게 수정합니다. 그러나 네트워크의 학습률이 (1) 조정해야 할 가장 중요한 하이퍼 파라미터이고 (2) 올바르게 설정하기가 어렵고 지루한 하이퍼 파라미터라는 점을 감안할 때 딥 러닝 연구자들은 일부 경우 학습률을 네트워크가 훈련됨에 따라 (매개 변수 당) 적응적으로 조정할 필요가 있다고 가정했습니다. 이 장에서는 적응형 학습률 방법을 검토합니다. 또한 자신의 프로젝트에서 사용해야하는 최적화 알고리즘에 대한 제안도 제공합니다

이 섹션의 각 최적화 알고리즘을 이해하기 위해 의사 코드 (특히 업데이트 단계) 측면에서 이를 조사 할 것입니다. 콘텐츠를 보다 쉽게 이해할 수 있도록 이러한 방법에 대한 설명을 확장 (경우에 따라 단순화) 할 것입니다. 시작하려면 이미 익숙한 알고리즘 인 바닐라 SGD의 업데이트 단계를 살펴 보겠습니다.

W += -lr * dW

여기에 세 가지 값이 있습니다.

1. W : 가중치 행렬.

2. lr : 학습률.

3. dW : W의 기울기입니다.

여기서 우리의 학습률은 고정되어 있으며, 충분히 작 으면 훈련 중에 손실이 감소 할 것임을 압니다. 이전에 모멘텀과 Nesterov 가속화를 통합하는 SGD의 확장도 확인했습니다.이 표기법을 고려하여 딥 러닝 경력에서 접하게 될 일반적인 적응 형 학습률 최적화 도구를 살펴 보겠습니다.

27.1.1 Adagrad

우리가 탐구 할 첫 번째 적응 형 학습률 방법은 Duchi et al에 의해 처음 소개 된 Adagrad입니다. Adagrad는 학습률을 네트워크 매개 변수에 맞게 조정합니다. 자주 변경되지 않는 매개 변수에 대해 더 큰 업데이트가 수행되고 자주 변경되는 매개 변수에 대해 작은 업데이트가 수행됩니다. 아래에서 Adagrad 업데이트의 의사 코드 표현을 볼 수 있습니다.

cache += (dW ** 2)

W += -lr * dW / (np.sqrt(cache) + eps)

여기서 눈에 띄는 첫 번째 매개 변수는 캐시입니다.이 변수는 제곱 기울기의 매개 변수 당 합계를 유지하며 학습 프로세스의 모든 미니 배치에서 업데이트됩니다. 캐시를 검사하여 자주 업데이트되는 매개 변수와 자주 업데이트되는 매개 변수를 확인할 수 있습니다.

그런 다음 lr * dx를 캐시의 제곱근으로 나눌 수 있습니다 (매끄럽게하기 위해 엡실론 값을 더하고 0 오류로 나누는 것을 방지). 이전의 모든 제곱 그래디언트 합계로 업데이트 크기를 조정하면 네트워크의 매개 변수를 적응적으로 업데이트 할 수 있습니다.

캐시에서 자주 업데이트되거나 큰 기울기가있는 가중치는 업데이트 크기를 축소하여 매개 변수의 학습률을 효과적으로 낮 춥니 다. 반면, 캐시에 자주 업데이트되지 않거나 더 작은 기울기가있는 가중치는 업데이트 크기를 확장하여 특정 매개 변수에 대한 학습률을 효과적으로 높입니다.

Adagrad의 주요 이점은 더 이상 학습률을 수동으로 조정할 필요가 없다는 것입니다. 대부분의 Adagrad 알고리즘 구현은 초기 학습률을 0.01로 유지하고 알고리즘의 적응 형 특성으로 인해 매개 변수별로 학습률을 조정할 수 있습니다.

그러나 Adagrad의 약점은 캐시를 검사하여 확인할 수 있습니다. 각 미니 배치에서 제곱 기울기가 분모에 누적됩니다. 그래디언트가 제곱 (따라서 항상 양수)이므로이 누적은 훈련 과정에서 계속 증가합니다. 아시다시피, 작은 수 (그라데이션)를 매우 큰 수 (캐시)로 나누면 네트워크가 실제로 나중에 어떤 것을 학습하기에는 너무 작은 업데이트가 발생합니다.

이 현상은 작은 경우에도 발생합니다. 캐시의 양수 값이 단조롭게 증가함에 따라 드물게 업데이트되는 매개 변수는 Adagrad가 (최신) 딥 러닝 신경망을 훈련하는 데 거의 사용되지 않는 이유입니다. 그러나 Adagrad 알고리즘의 확장을 이해할 수 있도록 검토하는 것이 중요합니다.

27.1.2 Adadelta

Adadelta 알고리즘은 Zeiler가 2012 년 논문 ADADELTA : 적응형 학습률 방법에서 제안했습니다. Adadelta는 캐시로 인해 단조롭게 감소하는 학습률을 줄이는 Adagrad의 확장으로 볼 수 있습니다.

Adagrad 알고리즘에서는 이전에 제곱 된 모든 그라디언트로 캐시를 업데이트합니다. 그러나 Adadelta는 적은 수의 과거 그래디언트만 누적하여 이 캐시 업데이트를 제한합니다. 실제로 구현 될 때이 작업은 모든 과거 제곱 그래디언트의 감쇠 평균을 계산하는 것과 같습니다. 따라서 Adadelta는 Adagrad의 개선점으로 볼 수 있습니다. 그러나 매우 밀접하게 관련된 RMSprop 알고리즘 (캐시 붕괴도 수행함)이 종종 Adadelta보다 선호됩니다.

27.1.3 RMSprop

Adadelta와 독립적으로 개발 된 RMSprop 알고리즘은 Geoffrey Hinton의 Coursera 클래스 슬라이드에 표시된 (미공개) 최적화 알고리즘입니다. Adadelta와 마찬가지로 RMSprop은 캐시를 지수 가중치 이동 평균으로 변환하여 전역적으로 누적 된 캐시의 부정적인 영향을 수정하려고합니다. RMSprop 의사 코드 업데이트를 살펴 보겠습니다.

cache = decay_rate * cache + (1 – decay_rate) * (dW ** 2)

W += -lr * dW / (np.sqrt(cache) + eps)

RMSprop의 첫 번째 측면은 가중치 행렬 W에 대한 실제 업데이트가 Adagrad의 업데이트와 동일하다는 것입니다. 여기서 중요한 것은 캐시가 업데이트되는 방식입니다. 종종 ρ로 정의되는 decay_rate는 일반적으로 0.9로 설정되는 하이퍼 파라미터입니다. 여기서 우리는 캐시의 이전 항목이 새 업데이트보다 훨씬 더 작은 가중치를 갖는 것을 볼 수 있습니다. RMSprop의 이러한 “이동 평균”측면을 통해 캐시는 이전 제곱 그래디언트를 “leak out”하여 새로운 “fresher” 그래디언트로 대체 할 수 있습니다.

다시 말하지만, W에 대한 실제 업데이트는 알고리즘 힌지의 핵심인 Adagrad와 동일합니다. 캐시를 기하 급수적으로 감소시켜 학습 과정에서 학습률이 단조롭게 감소하는 것을 방지 할 수 있습니다. 실제로 RMSprop은 다양한 딥 러닝 네트워크를 학습하는 데 적용 할 때 Adagrad와 Adadelta보다 더 효과적입니다. 또한 RMSprop은 SGD보다 훨씬 빠르게 수렴하는 경향이 있습니다.

SGD 외에 RMSprop는 최근 딥 러닝 문헌에서 두 번째로 가장 많이 사용 된 최적화 알고리즘이었습니다. 그러나 우리가 논의 할 다음 최적화 방법 인 Adam은 이제 RMSprop보다 더 많이 사용되고 있습니다.

27.1.4 Adam

Kingma와 Ba가 2014 년 논문 Adam : A Method for Stochastic Optimization에서 제안한 Adam (Adaptive Moment Estimation) 최적화 알고리즘은 기본적으로 모멘텀이 추가 된 RMSprop입니다.

m = beta1 * m + (1 – beta1) * dW

v = beta2 * v + (1 – beta2) * (dW ** 2)

x += -lr * m / (np.sqrt(v) + eps)

m과 v의 값은 시간 t-1의 이전 값에 따라 SGD 모멘텀과 유사합니다. 값 m은 기울기의 첫 번째 모멘트 (평균)를 나타내고 v는 두 번째 모멘트 (분산)를 나타냅니다.

W에 대한 실제 업데이트는 RMSprop와 거의 동일합니다. 이제 우리는 원시 그래디언트 dW가 아닌 m의 “평활화 된”버전 (평균 계산으로 인해)을 사용하고 있습니다. 평균을 사용하면 가능한 한 더 바람직한 업데이트로 이어질 수 있습니다. 원시 dW 값에서 노이즈 한 업데이트를 부드럽게 처리합니다. 일반적으로 beta1은 0.9로 설정되고 beta2는 0.999로 설정됩니다. 이 값은 Adam 최적화 프로그램을 사용할 때 거의 변경되지 않습니다.

실제로 Adam은 많은 상황에서 RMSprop보다 더 잘 작동하는 경향이 있습니다. Adam 최적화 알고리즘에 대한 자세한 내용은 Kingma 및 Ba를 참조하십시오.

27.1.5 Nadam

Adam이 모멘텀이있는 RMSprop 인 것처럼 Nadam은 Nesterov 가속이 있는 RMSprop입니다. Nadam은 Timothy Dozat 스탠포드 대학 박사 과정 학생에 의해 제안 되었습니다. 우리는 일반적으로 Nadam이 “실제 응용” 에서 사용되는 것을 보지 못하지만, 이러한 Adam 변형이 존재한다는 것을 이해하는 것이 중요합니다.

deepLearning Similar different Dataset small large python 머신러닝

다음 섹션은 Stanford의 cs231n 클래스의 우수한 “전이 학습”강의에서 영감을 받았습니다. 또한 실험에 도움이 되는 저만의 일화 경험을 포함했습니다. 특성 추출에 관한 23 장과 미세 조정에 관한 25 장의 전이 학습의 성공을 감안할 때 전이 학습을 적용해야 하는시기와 모델을 처음부터 학습해야하는 시기가 궁금 할 수 있습니다. 이 결정을 내리려면 두 가지 중요한 요소를 고려해야합니다.

1. 데이터 세트의 크기.

2. 사전 훈련된 CNN이 훈련에 사용한 데이터 세트(일반적으로 ImageNet)와 데이터 세트의 유사성.

이러한 요소를 기반으로 전이 학습을 적용해야하는지 아니면 처음부터 훈련해야하는지 여부를 결정하는 데 도움이되는 차트를 만들 수 있습니다 (아래 그림). 아래의 네 가지 가능성을 각각 검토해 보겠습니다.

네트워크를 처음부터 훈련해야 하는지 아니면 전이 학습에서 훈련해야하는지 결정하는 데 사용할 수 있는 표입니다.

Deep Learning Sandbox의 Greg Chu에서 인용함

데이터 세트가 작고 원본 데이터 세트와 유사합니다.

데이터 세트가 작기 때문에 처음부터 CNN을 학습 할 수있는 학습 예제가 충분하지 않을 수 있습니다 (다시 말하지만 인식을 원하는 클래스 당 1,000 ~ 5,000 개의 예제가 이상적으로 있어야 한다는 점을 기억하세요). 또한 학습 데이터가 부족하기 때문에 과적합 상태가 될 수 있으므로 미세 조정을 시도하는 것은 좋지 않습니다.

대신 이미지 데이터 세트가 사전 훈련 된 네트워크가 훈련 된 것과 유사하므로 네트워크를 특성 추출기로 취급하고 이러한 특성 위에 간단한 기계 학습 분류기를 훈련해야합니다. 이러한 기능은 더 풍부하고 원래 데이터 세트에서 학습 한 패턴을 대표하므로 아키텍처의 더 깊은 계층에서 기능을 추출해야합니다.

데이터 세트가 크고 원본 데이터 세트와 유사합니다.

데이터 세트가 큰 경우 과적합없이 미세 조정을 적용 할 수있는 충분한 예가 있어야합니다. 여기에서 자신의 모델을 처음부터 훈련시키고 싶을 수도 있습니다. 이 실험은 실행할 가치가 있습니다. 그러나 데이터 세트가 네트워크가 이미 훈련 된 원래 데이터 세트와 유사하기 때문에 네트워크 내부의 필터는 합리적인 분류기를 얻을 수있을 만큼 이미 차별적 일 수 있습니다. 따라서 이 경우 미세 조정을 적용하십시오.

데이터 세트가 작고 원본 데이터 세트와 다릅니다.

다시 한 번 작은 데이터 세트를 고려할 때 처음부터 학습하여 높은 정확도의 딥 러닝 모델을 얻지 못할 가능성이 높습니다. 대신 특성 추출을 다시 적용하고 그 위에 표준 머신 러닝 모델을 학습시켜야 합니다.하지만 데이터가 원래 데이터 세트와 다르기 때문에 네트워크에서 더 낮은 수준의 계층을 특성 추출기로 사용해야 합니다. 네트워크 아키텍처에 더 깊이 들어 갈수록 학습된 데이터 세트에 특화된 기능이 더 풍부하고 차별적이라는 점을 명심하십시오. 네트워크의 하위 계층에서 기능을 추출하여 이러한 필터를 계속 활용할 수 있지만 더 깊은 계층으로 인한 추상화는 이루어지지 않습니다.

새 데이터 세트가 크고 원본 데이터 세트와 다릅니다.

이 경우 두 가지 옵션이 있습니다. 훈련 데이터가 충분하기 때문에 자체 사용자 지정 네트워크를 처음부터 훈련시킬 수 있습니다. 그러나 ImageNet과 같은 데이터 세트에서 훈련 된 모델의 사전 훈련 된 가중치는 데이터 세트가 관련이 없더라도 우수한 초기화를 제공합니다. 따라서 두 세트의 실험을 수행해야합니다. 1. 첫 번째 실험 세트에서 사전 훈련 된 네트워크를 데이터 세트에 맞게 미세 조정하고 성능을 평가합니다.

2. 그런 다음 두 번째 실험 세트에서 새로운 모델을 처음부터 훈련시키고 평가합니다.

정확히 어떤 방법이 가장 잘 수행되는지는 전적으로 데이터 세트 및 분류 문제에 따라 다릅니다. 그러나 이 방법을 사용하면 두 번째 실험 세트로 이동하고 네트워크를 처음부터 훈련 할 때 이길 기준을 설정할 수 있으므로 먼저 미세 조정을 시도하는 것이 좋습니다.

이 장에서는 사용자 지정 네트워크를 훈련 할 때 딥 러닝 기술을 적용하는 최적의 경로를 탐색했습니다. 훈련 데이터를 수집 할 때 지름길이 없다는 점을 염두에 두십시오. 모델을 훈련하는 데 사용하는 데이터가 실제 애플리케이션에 배포 될 때 네트워크가 보게 될 이미지를 나타내는 지 확인하십시오.

“Garbage in, garbage out”이라는 오래된 일화가 있습니다. 입력 데이터가 학습 후 모델이 보게 될 데이터 포인트의 예를 나타내지 않는 경우 기본적으로 이 쓰레기통에 빠지게됩니다. 그렇다고 데이터가 “쓰레기”라는 것은 아닙니다. 대신 자신의 실험을 수행 할 때 이 일화를 기억하고 처음에 인식하도록 훈련되지 않은 데이터 포인트에서 딥러닝 모델이 잘 수행 될 수 없다는 사실을 깨달으십시오. 또한 전이 학습과 자신의 네트워크를 처음부터 훈련해야 하는 시기를 검토했습니다. 작은 데이터 세트의 경우 특징 추출을 고려해야합니다. 더 큰 데이터 세트의 경우 먼저 미세 조정 (기준선 설정)을 고려한 다음 처음부터 모델 학습으로 이동합니다

딥러닝 deepLearning 최적화 머신러닝 파이썬 python dogs and cats

이 장에서는 원시 이미지를 심층 신경망 훈련에 적합한 HDF5 데이터 세트로 직렬화하는 방법을 배웠습니다. 교육이 I/O 지연으로 인해 디스크에있는 이미지 경로의 미니 배치에 액세스하는 것이 아니라 원시 이미지를 HDF5 파일로 직렬화 한 이유는 I/O 지연 때문입니다 – 디스크의 각 이미지를 읽기 위해 I/O 작업을 수행해야 합니다.

이 미묘한 최적화는 큰 문제처럼 보이지 않지만 I/O 지연은 딥 러닝 파이프 라인에서 큰 문제입니다. 훈련 프로세스는 이미 충분히 느리고 네트워크가 데이터에 액세스하는 것을 어렵게 만들면 더욱 악화될 뿐입니다.

반대로 모든 이미지를 효율적으로 압축 된 HDF5 파일로 직렬화하면 매우 빠른 어레이 슬라이스를 활용하여 미니 배치를 추출 할 수 있으므로 I/O 지연 시간을 크게 줄이고 교육 프로세스 속도를 높일 수 있습니다.

Keras 라이브러리를 사용하고 메모리에 맞지 않는 너무 큰 데이터 세트로 작업 할 때마다 먼저 데이터 세트를 HDF5 형식으로 직렬화하는 것을 고려해야합니다. 다음 장에서 (더 효율적인) 작업을 확인할 수 있으므로 네트워크 훈련이 더 쉬워질 것입니다.

이 섹션은 NIPS 2016에서 Andrew Ng의 뛰어난 튜토리얼 인 Nuts and Bolts of Building Deep Learning Applications에서 인용된 것입니다. 이 강연에서 Ng는 자사 제품, 비즈니스 및 학술 연구에서 작동하는 딥 러닝 방법을 얻는 방법에 대해 논의했습니다. Ng의 강연에서 가장 중요한 내용은 다음과 같습니다

“적용된 딥 러닝에서 대부분의 문제는 훈련 데이터 / 테스트 데이터 불일치에서 비롯됩니다. 일부 시나리오에서는이 문제가 발생하지 않지만 적용된 머신 러닝 프로젝트가 대상 애플리케이션과 다른 학습 데이터 (수집 및 어노테이션)를 얼마나 자주 사용하는지 놀랄 것입니다. ” – Andrew Ng (Malisiewicz 요약)

Ng와 Malisiewicz가 여기에서 말하는 것은 훈련 데이터가 검증 및 테스트 세트를 대표하는지 확인하기 위해 극심한 주의를 기울여야한다는 것입니다. 예, 데이터 세트를 가져오고 주석을 달고 레이블을 지정하는 것은 시간이 많이 걸리고 경우에 따라 매우 비쌉니다. 그리고 딥러닝 방법은 특정 상황에서 잘 일반화되는 경향이 있습니다.

그러나 대표적이지 않은 데이터에 대해 학습 된 기계 학습 모델은 성공할 것으로 기대할 수 없습니다. 예를 들어, 우리가 도로를 주행 할 때 차량에 장착 된 카메라에서 차량의 제조사와 모델을 인식하는 딥러닝 시스템을 구축하는 임무를 맡고 있다고 가정합니다 (아래 그림, 왼쪽).

왼쪽 : 딥러닝을 사용하여 식별하려는 고속도로의 자동차

오른쪽 : 네트워크가 실제로 훈련 된 내용에 대한 “제품 샷”이미지의 예

첫 번째 단계는 훈련 데이터를 수집하는 것입니다. 데이터 수집 프로세스의 속도를 높이기 위해 우리는 자동차 사진과 자동차 제조사 및 모델이 모두 웹 페이지에 나열된 웹 사이트를 스크랩하기로 결정했습니다. 이러한 웹 사이트의 좋은 예에는 Autotrader.com, eBay, CarMax 등이 있습니다. 웹 사이트를 크롤링하고 개별 제품 목록 (즉, 차량 사양을 나열하는 “자동차 페이지”)을 찾은 다음 이미지를 다운로드하고 + 모델 정보를 만드는 간단한 스파이더를 구축 할 수 있습니다.

이 방법은 매우 간단하며 스파이더를 개발하는 데 걸리는 시간 외에는 상당히 큰 레이블이 지정된 데이터 세트를 축적하는 데 오래 걸리지 않습니다. 그런 다음이 데이터 세트를 훈련과 검증의 두 가지로 분할하고 주어진 딥러닝 아키텍처를 높은 정확도 (> 90 %)로 훈련합니다.

그러나 새로 훈련 된 모델을 위 그림(왼쪽)과 같이 예제 이미지에 적용하면 결과가 끔찍하다는 것을 알 수 있습니다. 실제 세계에 배포했을 때 5 %의 정확도를 얻을 수 있다는 것도 행운입니다. 왜 이럴까요?

그 이유는 우리가 쉬운 길을 택했기 때문입니다. 우리는 Autotrader, CarMax 및 eBay에 나열된 자동차의 제품 샷 (위 그림 오른쪽)이 우리의 딥러닝 비전 시스템이 자동차 대시 보드에 장착되어 보이는 차량을 대표하지 않는다는 점을 고려되어야 합니다. 우리의 딥러닝 시스템은 제품 샷에서 차량의 제조사와 모델을 식별하는 데 유용 할 수 있지만, 운전할 때 흔히 볼 수있는 것처럼 정면 또는 후면보기에서 자동차의 모델을 인식하지 못합니다.

자신만의 이미지 데이터 셋을 만드는 지름길은 없습니다. 딥러닝 시스템이 주어진 실제 상황에서 높은 정확도를 얻을 것으로 기대하는 경우이 딥 러닝 시스템이 배포 될 위치를 나타내는 이미지에 대해 교육되었는지 확인하십시오. 그렇지 않으면 성능에 매우 실망 할 것입니다.

해결하려는 분류 작업을 대표하는 충분한 교육 데이터를 수집했다고 가정하고 Andrew Ng는 교육에 도움이되는 4 단계 프로세스를 제공했습니다.

Andrew Ng의 강연의 슬라이드 13. 여기서 Ng는 딥 러닝 모델을 훈련 할 때 4 개의 개별 데이터 분할을 제안합니다.

위 그림을 기반으로 Ng는 딥러닝 모델을 훈련 할 때 네 가지 데이터 분할 세트를 제안하고 있음을 알 수 있습니다.

1. 훈련

2. 훈련 검증 (Ng는 “Dev”이라고 함)

3. 검증

4. 테스트

이전에 이미 훈련, 검증 및 테스트 분할을 보았습니다. 그러나 이 새로운 “훈련 검증”세트는 무엇일까요? Ng는 모든 데이터를 학습용으로 60 %, 테스트 용으로 나머지 40 %로 분할 할 것을 권장합니다. 그런 다음 테스트 데이터를 두 부분으로 나눕니다. 하나는 유효성 검사를위한 것이고 다른 하나는 실제 테스트를 위한 것입니다 (즉, 네트워크 성능을 평가할 준비가 될 때까지 결코 건드리지 않는 데이터). 훈련 세트에서 작은 덩어리를 가져 와서 “training-validation set”에 추가합니다. 훈련 세트는 모델의 편향을 결정하는 데 도움이되고 훈련-검증 세트는 분산을 결정하는 데 도움이 됩니다.

위 그림(왼쪽 상단)에서와 같이 훈련 오류가 너무 높으면 더 많은 계층과 뉴런을 추가하여 현재 아키텍처를 심화하는 것을 고려해야합니다. 또한 학습률을 조정하면서 동시에 더 긴 (즉, 더 많은 에포크) 훈련을 고려해야합니다. 더 작은 학습률을 사용하면 과적합을 방지하면서 더 오래 훈련 할 수 있습니다. 마지막으로, 현재 아키텍처를 사용하고 다양한 학습률을 사용하는 많은 실험이 유용하지 않다면 완전히 다른 모델 아키텍처를 시도해야 할 가능성이 높습니다.

순서도의 두 번째 항목으로 이동하여 훈련 검증 오류가 높으면 (위 그림, 오른쪽 상단) 네트워크에서 정규화 매개 변수를 조사해야합니다. 네트워크 아키텍처 내에 드롭 아웃 레이어를 적용하고 있습니까? 새로운 훈련 샘플을 생성하는 데 데이터 증강이 사용되고 있습니까? 실제 손실 / 업데이트 함수 자체는 어떻습니까? 정규화 패널티가 포함됩니까? 자신의 딥러닝 실험의 맥락에서 이러한 질문을 조사하고 정규화를 추가 하십시오.

또한 이 시점에서 더 많은 훈련 데이터를 수집하는 것도 고려해야합니다 (다시 말해서이 훈련 데이터가 모델이 배포 될 위치를 대표 한다는 점에 유의). 거의 모든 경우에 더 많은 훈련 데이터를 갖는 것은 결코 나쁜 일이 아닙니다. 모델에 예제 이미지의 기본 패턴을 학습하기에 충분한 학습 데이터가 없을 수 있습니다. 마지막으로 이러한 옵션을 모두 사용한 후 다시 한 번 다른 네트워크 아키텍처 사용을 고려하고 싶을 것입니다.

위 그림 (왼쪽 아래)의 순서도를 계속 살펴보면 훈련 검증 오류가 낮지 만 검증 세트 오류가 높으면 훈련 데이터를 더 자세히 살펴 봐야합니다. 훈련 이미지가 검증 이미지와 비슷하다는 것을 절대적으로 확실하게 확신합니까? 유효성 검사 또는 테스트 설정에서 보게 될 이미지를 대표하지 않는 이미지에 대해 학습 된 딥러닝 모델이 제대로 작동 할 것이라고 기대할 수 없습니다. 이것이 실제로 사실이라는 것을 깨달은 경우 데이터 세트 수집 단계로 돌아가 더 많은 데이터를 수집하는 데 시간을 할애하십시오. 딥 러닝 모델이 배포 될 위치를 나타내는 데이터가 없으면 높은 정확도의 결과를 얻을 수 없습니다. 또한 정규화 매개 변수를 다시 검사해야합니다. 정규화가 충분히 강합니까? 마지막으로 새로운 모델 아키텍처를 다시 고려해야 할 수도 있습니다.

마지막으로 순서도의 마지막 단계로 이동합니다. 테스트 오류가 높습니까? 이 시점에서 우리는 모델을 훈련 및 검증 데이터에 과적합 했습니다 (위 그림 오른쪽 하단). 이 과적합이 발생하기 시작하는 시기를 식별하는 데 도움이 되도록 돌아가서 유효성 검사 세트에 대한 더 많은 데이터를 수집해야합니다.

Andrew Ng가 제안한 이 방법론을 사용하면 실험이 예상한대로 나오지 않을 때 모델 / 데이터 세트 업데이트와 관련하여 더 쉽게 (올바른) 결정을 내릴 수 있습니다.

Dataset Building Dataset Building HDF5 Dataset Writer 인공지능 딥러닝

이제 구성 파일이 정의되었으므로 실제로 HDF5 데이터 세트를 빌드 해 보겠습니다. 새 파일을 열고 이름을 build_dogs_vs_cats.py로 지정하고 다음 코드를 삽입합니다.

2-12 행은 필수 Python 패키지를 가져옵니다. 프로젝트의 첫 번째 가져 오기로 프로젝트 구성 파일을 가져오고 싶습니다 (2 행). 이 방법은 취향의 문제이므로 파일에서 원하는 위치에 가져 오기를 자유롭게 배치하십시오. 또한 dogs_vs_cats_config의 이름을 단순히 config로 변경하여 코드를 작성할 때 덜 장황하게 만듭니다.

다음은 이전 장에서 보았던 import 입니다. 그러나 23 장에서 정의한 것과 동일한 HDF5DatasetWriter 인 6 행의 HDF5DatasetWriter에 주의를 기울이고 싶습니다.이 클래스는 디스크의 원시 이미지를 단일 직렬 파일로 압축하는 데 사용됩니다.

또한 주어진 작업에 걸리는 대략적인 시간을 측정 할 때 사용하는 간단한 유틸리티 라이브러리 인 progressbar 모듈을 다시 사용할 것입니다. 이 모듈은 딥러닝과는 전혀 관련이 없지만 대용량 데이터 세트의 경우 이미지 데이터 세트를 HDF5 형식으로 압축하는 데 몇 시간이 걸릴 수 있으므로 사용하는 것이 편리합니다.

다음으로 Kaggle Dogs vs. Cats 데이터 세트의 이미지 경로를 살펴 보겠습니다.

Dogs vs. Cats 데이터 세트에는 다음 예제 디렉토리 구조가 있습니다.

클래스 이름이 실제 파일 이름에 어떻게 내장되어 있는지 확인하십시오. 따라서 파일 경로의 파일 구성 요소, 구분 기호를 입력하고 클래스 이름을 추출합니다. 실제로 16 행과 17 행이 수행하는 일입니다. 데이터 세트의 모든 이미지에 대한 경로가 주어지면 이미지를 개별적으로 반복하고 파일 경로에서 라벨을 추출합니다.

이러한 코드 줄이 혼란스러우면 지금 수동으로 코드, 특히 os.path.sep 변수와 파일 경로 문자열에 사용 된 .split 함수를 사용하여 이러한 유틸리티가 어떻게 사용되는지 자세히 알아 보는 것이 좋습니다. 파일 경로를 조작합니다.

그런 다음 18 행과 19 행은 클래스 레이블을 인코딩합니다. Kaggle Dogs vs. Cats 프로젝트의 경우 훈련 분할, 유효성 검사 분할, 테스트 분할의 세 분할이 필요합니다. 다음 코드 블록은 이러한 각 분할 생성을 처리합니다.

23-26 행에서 입력 이미지와 레이블을 가져 와서 훈련 및 테스트 분할을 구성하는 데 사용합니다. 그러나 검증 세트를 생성하려면 30-33 행에서 또 다른 분할을 수행해야합니다. 검증 세트는 (거의 항상) 훈련 데이터에서 가져옵니다. 테스트 및 유효성 검사 분할의 크기는 NUM_TEST_IMAGES 및 NUM_VAL_IMAGES를 통해 제어되며, 각각은 구성 파일에 정의되어 있습니다.

이제 학습, 테스트 및 유효성 검사 분할이 있으므로이를 반복하고 각 데이터 세트의 이미지를 HDF5 파일에 효율적으로 쓸 수있는 간단한 목록을 만들어 보겠습니다.

38 행에서 훈련, 검증 및 테스트 변수를 포함하는 데이터 세트 목록을 정의합니다. 목록의 각 항목은 다음으로 구성된 4- 튜플입니다.

1. 스플릿 이름 (예 : 교육, 테스트 또는 유효성 검사).

2. 분할에 대한 각각의 이미지 경로.

3. 분할의 레이블.

4. 분할을위한 출력 HDF5 파일의 경로.

그런 다음 45 행에서 AspectAwarePreprocessor를 초기화하여 HDF5에 기록하기 전에 이미지의 크기를 256x 256 픽셀로 조정합니다 (이미지의 종횡비를 염두에 두어야 함). 각 채널의 평균 픽셀 강도를 저장하는 데 사용되는 46 행 R, G, B의 세 목록도 초기화합니다. 마지막으로 HDF5 데이터 세트를 구축 할 준비가 되었습니다.

49 행에서 데이터 세트 목록의 각 4- 튜플 값을 반복하기 시작합니다. 각 데이터 분할에 대해 HDF5DatasetWriter를 52행에 인스턴스화합니다. 여기서 출력 데이터 세트의 크기는 (len (paths), 256, 256, 3)이며, 이는 len (paths) 만큼 총 이미지가 있음을 의미합니다. 너비는 256 픽셀, 높이는 256 픽셀, 채널 3 개입니다.

54-58 행은 데이터 셋 생성 과정을 쉽게 모니터링 할 수 있도록 진행률 표시 줄을 초기화합니다. 다시 말하지만,이 코드 블록 (나머지 진행률 표시 줄 함수 호출과 함께)은 전적으로 선택 사항이므로 원하는 경우 주석 처리 할 수 있습니다. 다음으로 지정된 데이터 분할의 각 이미지를 writer로 기록해 보겠습니다.

61 행에서 데이터 분할의 각 개별 이미지와 해당 클래스 레이블을 반복하기 시작합니다. 63 행과 64 행은 디스크에서 이미지를 로드 한 다음 aspect-aware preprocessor를 적용하여 이미지 크기를 256×256 픽셀로 조정합니다.

train 데이터 분할을 검토하고 있는지 확인하기 위해 69 행을 확인하고, 그렇다면 Red, Green, Blue 채널 (70행)의 평균을 계산하고 71-73 번 라인의 각 목록을 업데이트합니다. RGB 채널의 평균 계산은 훈련 세트에 대해서만 수행되며 평균 빼기 정규화를 적용하려는 경우 필수 사항입니다.

76 행은 해당 이미지와 레이블을 HDF5DatasetWriter에 추가합니다. 데이터 분할의 모든 이미지가 HDF5 데이터 세트로 직렬화되면 81 행에서 writer를 닫습니다. 마지막 단계는 RGB 평균을 디스크에 직렬화하는 것입니다.

86 행은 훈련 세트의 모든 이미지에 대한 평균 RGB 값의 Python dictionary를 구성합니다. 각 개별 R, G, B에는 데이터 세트의 각 이미지에 대한 평균 채널이 포함되어 있습니다. 이 목록의 평균을 계산하면 목록의 모든 이미지에 대한 평균 픽셀 강도 값이 제공됩니다. 이 dictionary는 87-88 행에서 JSON 형식으로 디스크에 직렬화됩니다.

계속해서 Kaggle Dogs vs. Cats 데이터 세트를 HDF5 형식으로 직렬화하겠습니다. 터미널을 열고 다음 명령을 실행하십시오.

출력에서 볼 수 있듯이 각 훈련, 테스트 및 검증 분할에 대해 HDF5 파일이 생성되었습니다. 이 분할에는 가장 많은 데이터 (2m39s)가 포함되어 있으므로 훈련 분할 생성에 가장 오래 걸렸습니다. 테스트 및 유효성 검사 분할은 이러한 분할에 데이터가 더 적기 때문에 훨씬 더 적은 시간 (≈ 20 초)이 소요되었습니다. hdf5 디렉토리의 내용을 나열하여 디스크에서 이러한 각 출력 파일을 볼 수 있습니다

이러한 파일 크기를 보면 약간 놀랄 수 있습니다. 디스크에있는 원시 Kaggle Dogs vs. Cats 이미지는 595MB에 불과합니다. .hdf5 파일이 왜 그렇게 큰가요? train.hdf5 파일 만 31.45GB이고 test.hdf5 및 val.hdf5 파일은 거의 4GB입니다. 왜 그럴까요?

JPEG 및 PNG와 같은 원시 이미지 파일 형식은 데이터 압축 알고리즘을 적용하여 이미지 파일 크기를 작게 유지합니다. 그러나 우리는 모든 유형의 압축을 효과적으로 제거했으며 이미지를 원시 NumPy 배열 (즉, 비트 맵)로 저장하고 있습니다. 이러한 압축 부족으로 인해 스토리지 비용이 크게 증가하지만 이미지를 디코딩하는 데 프로세서 시간을 낭비 할 필요가 없기 때문에 교육 시간을 단축하는 데 도움이됩니다. 대신 HDF5 데이터 세트에서 직접 이미지에 액세스하고 이를 전처리 한 다음 전달할 수 있습니다. 우리 네트워크를 통해. RGB 평균 파일도 살펴 보겠습니다.

여기에서 빨간색 채널의 평균 픽셀 강도는 데이터 세트의 모든 이미지에서 124.96임을 알 수 있습니다. 파란색 채널의 평균은 106.13이고 녹색 채널은 평균 115.97입니다. 네트워크를 통과하기 전에 입력 이미지에서 이러한 RGB 평균값을 빼서 이미지를 정규화하는 새로운 이미지 전처리기를 구성 할 것입니다. 이는 정규화를 통해 데이터를 제로 평균을 중심으로 “중심화”할 수 있습니다. 일반적으로이 정규화를 통해 우리의 네트워크는 더 빨리 학습 할 수 있으며 더 크고 까다로운 데이터 세트에서 이러한 유형의 정규화 ([0,1] 스케일링 대신)를 사용합니다.

인공지능 configuration 딥러닝 기계학습 AI HDF5 datasets kaggle Dogs vs. Cats

이제 더 고급 프로젝트와 딥 러닝 방법을 빌드하기 시작 했으므로 각 프로젝트에 대한 특수 구성 Python 모듈을 만들고 싶습니다. 예를 들어, 다음은 Kaggle Dogs vs. Cats 프로젝트의 디렉토리 구조입니다.

다음 장에서 검토 할 예정이므로 지금은 실제 Python 스크립트를 무시할 수 있지만 config라는 디렉토리를 살펴보십시오. 구성 내부에는 dogs_vs_cats_config.py라는 단일 Python 파일이 있습니다.이 파일을 사용하여 다음을 포함하여 프로젝트의 모든 관련 구성을 저장합니다.

1. 입력 이미지에 대한 경로.

2. 총 클래스 레이블 수.

3. 교육, 검증 및 테스트 분할에 대한 정보.

4. HDF5 데이터 세트의 경로.

5. 출력 모델, 플롯, 로그 등에 대한 경로.

JSON 파일이 아닌 Python 파일을 사용하면 Python 코드 스니펫을 포함 할 수 있고 구성 파일을보다 효율적으로 작업 할 수 있습니다 (좋은 예는 다음을 사용하여 파일 경로를 조작하는 것입니다. os.path 모듈). 생산성을 크게 향상시키고 단일 파일을 통해 프로젝트의 대부분의 매개 변수를 제어 할 수 있으므로 자신의 딥 러닝 프로젝트에 Python 기반 구성 파일을 사용하는 습관을 들일 것을 제안합니다.

29.2.1 첫번째 Configuration 파일

계속해서 Kaggle Dogs vs. Cats 데이터 세트에 대한 구성 파일 (dogs_vs_cats_config.py)을 살펴 보겠습니다.

2 행에서는 개와 고양이 이미지가 포함 된 디렉토리 경로를 정의합니다. 이 이미지는 이 장의 뒷부분에서 HDF5 데이터 세트로 압축 할 이미지입니다. 7-9 행은 유효성 검사 및 테스트 이미지 수 (각각 2,500 개)와 함께 총 클래스 레이블 수 (2 개 : 개, 고양이)를 정의합니다. 그런 다음 13-15 행에서 각각 훈련, 검증 및 테스트 분할을 위해 출력 HDF5 파일의 경로를 지정할 수 있습니다.

구성 파일의 후반부는 출력 직렬화 된 가중치에 대한 경로, 데이터 세트 평균 및 플롯, 분류 보고서, 로그 등을 저장하기 위한 일반 “출력”경로를 정의합니다.#

DATASET_MEAN 파일은 전체 (훈련) 데이터 세트에 걸쳐 평균 빨강, 녹색 및 파랑 픽셀 강도 값을 저장하는 데 사용됩니다. 네트워크를 훈련시킬 때 이미지의 모든 픽셀에서 평균 RGB 값을 뺍니다 (테스트 및 평가에도 동일하게 적용됨). 평균 빼기 라고하는 이 방법은 데이터 정규화 기술의 한 유형이며 픽셀 강도를 [0,1] 범위로 조정하는 것보다 더 자주 사용됩니다. 이는 대규모 데이터 세트와 심층 신경망에서 더 효과적인 것으로 나타났습니다.

HDF5 LargeSize Data 딥러닝 인공지능 파이썬 python dataset

지금까지이 책에서 우리는 기계의 주 메모리에 맞을 수있는 데이터 세트로만 작업했습니다. 소규모 데이터 세트의 경우 이는 합리적인 가정입니다. 각 개별 이미지를 로드하고 전처리 한 다음 네트워크를 통해 공급되도록 허용하기 만하면됩니다. 그러나 대규모 딥러닝 데이터 세트 (예 : ImageNet)의 경우 한 번에 데이터 세트의 일부 (예 : 미니 배치)에만 액세스하는 데이터 생성기를 생성 한 다음 배치가 네트워크를 통해 전달되도록 허용해야합니다.

운 좋게도 Keras에는 디스크의 원시 파일 경로를 교육 프로세스에 대한 입력으로 사용할 수있는 메서드가 포함되어 있습니다. 전체 데이터 세트를 메모리에 저장할 필요가 없습니다. Keras 데이터 생성기에 이미지 경로를 제공하기 만하면 이미지가 일괄 적으로 로드되고 네트워크를 통해 공급됩니다.

그러나 이 방법은 매우 비효율적입니다. 디스크에있는 모든 이미지에는 학습 파이프 라인에 지연 시간이 존재하는 I/O 작업이 필요합니다. 딥러닝 네트워크를 훈련하는 것은 이미 충분히 느립니다. I/O 병목 현상을 최대한 피하는 것이 좋습니다.

더 우아한 솔루션은 전이 학습 및 특징 추출에 관한 23 장에서 했던 것처럼 원시 이미지에 대한 HDF5 데이터 세트를 생성하는 것입니다. 이번에는 추출된 특징이 아닌 이미지 자체를 저장합니다. HDF5는 방대한 데이터 세트를 저장할 수있을 뿐만 아니라 I/O 작업, 특히 파일에서 일괄 추출 ( “슬라이스”라고 함)을 추출하는 데 최적화되어 있습니다. 이 책의 나머지 부분에서 볼 수 있듯이 디스크에있는 원시 이미지를 HDF5 파일로 압축하는 추가 단계를 수행하면 데이터 세트를 빠르게 구축하고 딥 러닝 네트워크를 훈련시키는 데 사용할 수있는 딥 러닝 프레임 워크를 구축 할 수 있습니다.

이 장의 나머지 부분에서는 Kaggle Dogs vs. Cats competition을 위해 HDF5 데이터 세트를 구성하는 방법을 보여줄 것입니다. 그런 다음 다음 장에서는이 HDF5 데이터 세트를 사용하여 중요한 AlexNet 아키텍처를 훈련시켜 다음 장에서 순위표에서 top-25에 이르게 되는 것을 볼 수 있습니다.

Kaggle : Dogs vs. Cats 데이터 세트를 다운로드하려면 먼저 kaggle.com에서 계정을 만들어야 합니다.

Dogs vs. Cats 홈페이지 (https://www.kaggle.com/c/dogs-vs-cats/data)로 이동합니다.

train.zip을 다운로드해야합니다. test1.zip을 다운로드하지 마십시오. test1.zip 내의 이미지는 예측을 계산하고 Kaggle 평가 서버에 제출하는 데만 사용됩니다. 자체 학습 및 테스트 분할을 구성하려면 클래스 레이블이 필요하므로 train.zip 만 필요합니다. 자신의 예측 결과를 제출하는 것은 범위를 벗어나지 만 sampleSubmission.csv에 설명된 파일 형식에 따라 test1.zip에 예측을 작성하면 쉽게 수행 할 수 있습니다.

train.zip을 다운로드 한 후 압축을 해제하면 train이라는 디렉토리가 있습니다. 이 디렉토리에는 실제 이미지가 포함되어 있습니다. 레이블 자체는 파일 이름 검사에서 파생 될 수 있습니다. 아래에 파일 이름 샘플을 포함했습니다.

이 프로젝트에 다음 데이터 구조를 사용합니다.

Kaggle : Dogs vs. Cats 대회 전용 폴더에 예제 이미지가 포함 된 train 디렉토리를 저장하는 방법에 주목하십시오. 여기에서 이 프로젝트의 코드를 저장할 dogs_vs_cats 디렉토리가 있습니다. 이제 Dogs vs. Cats 데이터 세트를 다운로드하고 디렉토리 구조를 검토 했으므로 configuration 파일을 만들어 보겠습니다.