1. 신경망 학습 개요
신경망 학습은 가중치 매개변수와 편향을 조정하여 학습 데이터를 모델에 최적화하는 과정이다.
1.1 학습 알고리즘의 4단계
- 미니배치
- 훈련 데이터에서 일부를 무작위로 선택하여 미니배치를 만든다.
- 미니배치의 손실 함수를 최소화하는 것이 목표.
- 기울기 산출
- 손실 함수를 줄이기 위해 각 가중치의 기울기를 구한다.
- 기울기는 손실 함수 값이 가장 작아지는 방향을 나타냄.
- 매개변수 개선
- 가중치 매개변수를 기울기 방향으로 업데이트한다.
- 반복
- 1~3단계를 반복하여 최적 가중치를 찾는다.
이 방법을 확률적 경사 하강법(SGD, Stochastic Gradient Descent) 이라고 한다.
2. 2층 신경망 구현하기
2층 신경망(은닉층 1개)을 하나의 클래스로 구현한다.
이 클래스는 TwoLayerNet이며, 신경망의 기본 구조를 정의한다.
2.1 TwoLayerNet 클래스의 개요
이 클래스는 다음과 같은 기능을 포함한다.
변수/메서드 설명
params | 가중치 및 편향 저장 (딕셔너리 형태) |
grads | 기울기 저장 (딕셔너리 형태) |
__init__() | 네트워크 초기화 |
predict() | 예측 수행 |
loss() | 손실 함수 값 계산 |
accuracy() | 정확도 계산 |
numerical_gradient() | 기울기 계산 |
2.2 TwoLayerNet 클래스 코드 및 설명
import numpy as np
import sys, os
sys.path.append(os.pardir)
from common.functions import *
from common.gradient import numerical_gradient
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)
def predict(self, x):
W1, W2 = self.params['W1'], self.params['W2']
b1, b2 = self.params['b1'], self.params['b2']
a1 = np.dot(x, W1) + b1
z1 = sigmoid(a1)
a2 = np.dot(z1, W2) + b2
y = softmax(a2)
return y
def loss(self, x, t):
y = self.predict(x)
return cross_entropy_error(y, t)
def accuracy(self, x, t):
y = self.predict(x)
y = np.argmax(y, axis=1)
t = np.argmax(t, axis=1)
accuracy = np.sum(y == t) / float(x.shape[0])
return accuracy
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
2.3 코드 설명
- 가중치 초기화 (__init__)
- params 딕셔너리에 가중치(W1, W2)와 편향(b1, b2) 저장
- 가중치는 정규 분포를 따르는 랜덤 값으로 설정
- 편향은 0으로 초기화
- 순전파 (predict)
- x → W1, b1 → z1 → W2, b2 → y 순으로 계산
- 활성화 함수는 sigmoid(), 출력층은 softmax() 사용
- 손실 함수 (loss)
- 교차 엔트로피 오류 사용
- 정확도 계산 (accuracy)
- 예측값과 실제 정답을 비교하여 정확도 반환
- 기울기 계산 (numerical_gradient)
- numerical_gradient() 함수 사용하여 각 가중치의 기울기 계산
3. 미니배치 학습 적용
3.1 미니배치 학습 코드
from dataset.mnist import load_mnist
(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 = []
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]
grad = network.numerical_gradient(x_batch, t_batch)
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)
3.2 코드 설명
- load_mnist()로 데이터 불러오기
- 학습을 10,000번 반복하며 가중치를 업데이트
- 미니배치 크기는 100으로 설정
- 손실 함수 값 기록
4. 모델 평가
4.1 평가 코드
train_acc_list = []
test_acc_list = []
iter_per_epoch = max(train_size / batch_size, 1)
for i in range(iters_num):
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 :", train_acc, test_acc)
4.2 결과 해석
- 학습이 진행됨에 따라 훈련 데이터와 시험 데이터의 정확도가 증가
- 오버피팅이 발생하지 않음
1. 신경망 학습 과정에서 미니배치를 사용하는 주된 이유는 무엇인가?
① 학습 속도를 빠르게 하기 위해
② 모든 데이터를 한 번에 학습하면 정확도가 떨어지기 때문에
③ 확률적 경사 하강법(SGD)을 적용하기 위해
④ 메모리를 절약하기 위해
2. 다음 중 신경망에서 손실 함수(Loss Function)의 역할로 가장 적절한 것은?
① 입력 데이터를 신경망에 전달하는 역할
② 신경망이 예측한 값과 실제 정답의 차이를 측정하는 역할
③ 가중치를 랜덤하게 초기화하는 역할
④ 학습된 신경망의 성능을 평가하는 역할
'Miscellaneous' 카테고리의 다른 글
[2025-1] 임준수 - 밑바닥부터 시작하는 딥러닝 리뷰, (CH 4.2) 손실함수 (0) | 2025.03.12 |
---|---|
[2025-1] 윤선우 - 밑바닥부터 시작하는 딥러닝 리뷰, (CH 4.3) 수치 미분 (0) | 2025.03.12 |
[2025-1] 노하림 - Beyond Scalar Reward Model: Learning Generative Judge from Preference Data (0) | 2025.03.10 |
[2025-1] 주서영 - Deep Reinforcement Learning from Human Preferences (0) | 2025.03.06 |
[2025-1] 장인영 - 밑바닥부터 시작하는 딥러닝 리뷰, (CH 3.4) 3층 신경망 구현하기 (0) | 2025.03.05 |