기계 학습이 처음이신가요? 웹 기술을 사용하여 ML에 대한 실용적인 작업 지식을 얻을 수 있는 비디오 과정 보기 시리즈 보기

훈련 모델

이 가이드는 이미 모델 및 레이어 가이드를 읽었다는 가정하에 쓰였습니다.

TensorFlow.js에는 머신러닝 모델을 훈련하는 두 가지 방법이 있습니다.

<a href="https://js.tensorflow.org/api/latest/#tf.Model.fit" data-md-type="link">LayersModel.fit()</a> 또는 <a href="https://js.tensorflow.org/api/latest/#tf.Model.fitDataset" data-md-type="link">LayersModel.fitDataset()</a>와 함께 Layers API 사용하기
<a href="https://js.tensorflow.org/api/latest/#tf.train.Optimizer.minimize" data-md-type="link">Optimizer.minimize()</a>와 함께 Core API 사용하기

먼저 모델 빌드 및 훈련을 위한 상위 수준 API 인 Layers API를 살펴보겠습니다. 그런 다음 Core API를 사용하여 같은 모델을 훈련하는 방법을 보겠습니다.

소개

머신러닝 모델은 입력을 원하는 출력에 매핑하는 학습 가능한 매개변수가 있는 함수입니다. 최적의 매개변수는 데이터에서 모델을 훈련하여 얻습니다.

훈련에는 여러 단계가 포함됩니다.

모델에 데이터 배치 가져오기
모델에 예측값 요청하기
해당 예측값을 '참'값과 비교하기
모델이 향후 해당 배치에 대해 더 나은 예측값을 내도록 각 매개변수의 변경 범위 결정하기

잘 훈련된 모델은 입력에서 원하는 출력으로 정확한 매핑을 제공합니다.

모델 매개변수

Layers API를 사용하여 간단한 2레이어 모델을 정의해보겠습니다.

const model = tf.sequential({
 layers: [
   tf.layers.dense({inputShape: [784], units: 32, activation: 'relu'}),
   tf.layers.dense({units: 10, activation: 'softmax'}),
 ]
});

내부적으로 모델에는 데이터 학습을 통해 훈련할 수 있는 매개변수(종종 가중치 라고 함)가 있습니다. 이 모델 및 형상과 관련된 가중치의 이름을 출력해봅니다.

model.weights.forEach(w => {
 console.log(w.name, w.shape);
});

다음과 같은 출력이 표시됩니다.

> dense_Dense1/kernel [784, 32]
> dense_Dense1/bias [32]
> dense_Dense2/kernel [32, 10]
> dense_Dense2/bias [10]

총 4개의 가중치가 있으며 밀집 레이어당 2개입니다. 이러한 결과가 예상되는 이유는 밀집 레이어는 수식 y = Ax + b를 통해 입력 텐서 x를 출력 텐서 y로 매핑하는 함수를 나타내기 때문입니다. 여기서 A(커널) 및 b(바이어스)는 밀집 레이어의 매개변수입니다.

참고: 기본적으로 밀집 레이어에는 바이어스가 포함되지만, 밀집 레이어를 만들 때 옵션에서 {useBias: false}를 지정하여 바이어스를 제외할 수 있습니다.

model.summary()는 모델의 개요와 총 매개변수 수를 확인하려는 경우 유용한 메서드입니다.

레이어(유형)	출력 형상	매개변수 번호
density_Dense1(밀도)	[null,32]	25120
density_Dense2(밀도)	[null,10]	330
총 매개변수: 25450 훈련 가능한 매개변수: 25450 훈련할 수 없는 매개변수: 0

모델의 각 가중치는 <a href="https://js.tensorflow.org/api/0.14.2/#class:Variable" data-md-type="link">Variable</a> 객체의 백엔드입니다. TensorFlow.js에서 Variable은 값을 업데이트하는 데 사용되는 하나의 추가 메서드 assign()이 있는 부동 소수점 Tensor입니다. Layers API는 모범 사례를 사용하여 가중치를 자동으로 초기화합니다. 데모를 위해 기본 변수에 대해 assign()을 호출하여 가중치를 덮어쓸 수 있습니다.

model.weights.forEach(w => {
  const newVals = tf.randomNormal(w.shape);
  // w.val is an instance of tf.Variable
  w.val.assign(newVals);
});

옵티마이저, 손실 및 메트릭

훈련을 시작하기 전에 다음 세 가지를 결정해야 합니다.

옵티마이저: 옵티마이저는 현재 모델의 예측값이 주어졌을 때 모델의 각 매개변수를 얼마나 변경할 것인지 결정하는 역할을 합니다. Layers API를 사용할 때 기존 옵티마이저의 문자열 식별자인(예: 'sgd' 또는 'adam' ) 또는 <a href="https://js.tensorflow.org/api/latest/#Training-Optimizers" data-md-type="link">Optimizer</a> 클래스의 인스턴스를 제공할 수 있습니다.
손실 함수: 모델은 최소화를 목표로 합니다. 모델의 예측값이 '얼마나 잘못되었는지'에 대한 단일 숫자를 제공하는 것입니다. 손실은 모델이 가중치를 업데이트할 수 있도록 모든 데이터 배치에서 계산됩니다. Layers API를 사용할 때 기존 손실 함수의 문자열 식별자(예: 'categoricalCrossentropy') 또는 예측값과 참값을 가져와 손실을 반환하는 모든 함수를 제공할 수 있습니다. API 설명서에서 사용 가능한 손실 목록을 참조하세요.
메트릭 목록: 손실과 유사하게 메트릭은 단일 숫자를 계산하여 모델의 성능을 요약합니다. 메트릭은 일반적으로 각 epoch가 끝날 때 전체 데이터에 대해 계산됩니다. 최소한 시간이 지남에 따라 손실이 감소하고 있는지 모니터링해야 합니다만, 정확성과 같은 보다 인간 친화적인 메트릭을 원하는 경우가 많습니다. Layers API를 사용하는 경우 기존 메트릭의 문자열 식별자(예: 'accuracy') 또는 예측값 및 참값을 가져와 점수를 반환하는 모든 함수를 제공할 수 있습니다. API 설명서에서 사용 가능한 메트릭 목록을 참조하세요.

결정했으면 제공된 옵션으로 model.compile()을 호출하여 LayersModel을 컴파일합니다.

model.compile({
  optimizer: 'sgd',
  loss: 'categoricalCrossentropy',
  metrics: ['accuracy']
});

컴파일하는 동안 모델은 선택한 옵션이 서로 호환되는지를 확인하는 몇 가지 검증을 수행합니다.

훈련

LayersModel을 훈련하는 방법에는 두 가지가 있습니다.

model.fit()를 사용하고 데이터를 하나의 큰 텐서로 제공하기
model.fitDataset() 및 Dataset 객체를 통해 데이터 제공하기

model.fit()

데이터세트가 주 메모리에 적합하게 맞고 단일 텐서로 사용할 수있는 경우 fit() 메서드를 호출하여 모델을 훈련할 수 있습니다.

// Generate dummy data.
const data = tf.randomNormal([100, 784]);
const labels = tf.randomUniform([100, 10]);

function onBatchEnd(batch, logs) {
  console.log('Accuracy', logs.acc);
}

// Train for 5 epochs with batch size of 32.
model.fit(data, labels, {
   epochs: 5,
   batchSize: 32,
   callbacks: {onBatchEnd}
 }).then(info => {
   console.log('Final accuracy', info.history.acc);
 });

내부적으로 model.fit()는 많은 일을 할 수 있습니다.

데이터를 훈련 및 검증 세트로 분할하고 검증 세트를 사용하여 훈련 중 진행 상황을 측정합니다.
분할 후에 데이터를 셔플합니다. 안전을 위해 데이터를 fit()로 전달하기 전에 미리 셔플해야 합니다.
큰 데이터 텐서를 batchSize. 크기의 더 작은 텐서로 분할합니다.
데이터 배치와 관련하여 모델 손실을 계산하는 동안 optimizer.minimize()를 호출합니다.
각 epoch 또는 배치의 시작과 끝을 알려줄 수 있습니다. 이 경우에는 모든 배치가 끝날 때 callbacks.onBatchEnd 옵션을 사용하여 알림을 받습니다. 다른 옵션으로는 onTrainBegin , onTrainEnd, onEpochBegin , onEpochEnd 및 onBatchBegin이 있습니다.
JS 이벤트 루프에 대기 중인 작업을 적시에 처리할 수 있도록 주 스레드에 양보합니다.

자세한 내용은 fit() 설명서를 참조하세요. Core API를 사용하기로 선택한 경우 이 로직을 직접 구현해야 합니다.

model.fitDataset()

데이터가 메모리에 완전히 맞지 않거나 스트리밍되는 경우 Dataset 객체를 사용하는 fitDataset()를 호출하여 모델을 훈련할 수 있습니다. 다음은 같은 훈련 코드이지만 생성기 함수를 래핑하는 데이터세트가 있습니다.

function* data() {
 for (let i = 0; i < 100; i++) {
   // Generate one sample at a time.
   yield tf.randomNormal([784]);
 }
}

function* labels() {
 for (let i = 0; i < 100; i++) {
   // Generate one sample at a time.
   yield tf.randomUniform([10]);
 }
}

const xs = tf.data.generator(data);
const ys = tf.data.generator(labels);
// We zip the data and labels together, shuffle and batch 32 samples at a time.
const ds = tf.data.zip({xs, ys}).shuffle(100 /* bufferSize */).batch(32);

// Train the model for 5 epochs.
model.fitDataset(ds, {epochs: 5}).then(info => {
 console.log('Accuracy', info.history.acc);
});

데이터세트에 대한 자세한 내용은 model.fitDataset() 설명서를 참조하세요.

새로운 데이터 예측하기

한번 훈련을 거치면 모델이 model.predict()를 호출하여 보이지 않는 데이터의 예측값을 낼 수 있습니다.

// Predict 3 random samples.
const prediction = model.predict(tf.randomNormal([3, 784]));
prediction.print();

참고: 모델 및 레이어 가이드에서 언급되었듯이LayersModel은 입력의 가장 바깥쪽 차원이 배치 크기일 것으로 예상합니다. 위의 예에서 배치 크기는 3입니다.

Core API

앞서 TensorFlow.js에서 머신러닝 모델을 훈련하는 방법에는 두 가지가 있다고 언급했습니다.

일반적인 방법으로는 먼저 잘 채택된 Keras API를 모델로 하는 Layers API를 사용하는 것입니다. Layers API는 가중치 초기화, 모델 직렬화, 모니터링 훈련, 이식성 및 안전 검사와 같은 다양한 기성 솔루션도 제공합니다.

다음과 같은 경우 Core API를 사용할 수 있습니다.

최대한의 유연성 또는 제어가 필요합니다.
그리고 직렬화가 필요하지 않거나 자체적으로 직렬화 논리를 구현할 수 있습니다.

자세한 내용은 모델 및 레이어 가이드의 'Core API'섹션을 참조하세요.

Core API를 사용하여 작성된 위와 동일한 모델은 다음과 같습니다.

// The weights and biases for the two dense layers.
const w1 = tf.variable(tf.randomNormal([784, 32]));
const b1 = tf.variable(tf.randomNormal([32]));
const w2 = tf.variable(tf.randomNormal([32, 10]));
const b2 = tf.variable(tf.randomNormal([10]));

function model(x) {
  return x.matMul(w1).add(b1).relu().matMul(w2).add(b2);
}

Layers API 외에도 Data API는 Core API와 원활하게 동작합니다. 셔플 및 일괄 처리를 수행하는 model.fitDataset () 섹션에서 이전에 정의한 데이터세트를 다시 사용해보겠습니다.

const xs = tf.data.generator(data);
const ys = tf.data.generator(labels);
// Zip the data and labels together, shuffle and batch 32 samples at a time.
const ds = tf.data.zip({xs, ys}).shuffle(100 /* bufferSize */).batch(32);

모델을 훈련해보겠습니다.

const optimizer = tf.train.sgd(0.1 /* learningRate */);
// Train for 5 epochs.
for (let epoch = 0; epoch < 5; epoch++) {
  await ds.forEachAsync(({xs, ys}) => {
    optimizer.minimize(() => {
      const predYs = model(xs);
      const loss = tf.losses.softmaxCrossEntropy(ys, predYs);
      loss.data().then(l => console.log('Loss', l));
      return loss;
    });
  });
  console.log('Epoch', epoch);
}

위의 코드는 Core API로 모델을 훈련할 때 쓰이는 표준 레시피입니다.

epoch 수를 반복합니다.
각 epoch 내에서 데이터 배치를 반복합니다. Dataset를 사용할 때 <a href="https://js.tensorflow.org/api/0.15.1/#tf.data.Dataset.forEachAsync" data-md-type="link">dataset.forEachAsync()</a>는 배치를 반복하는 편리한 방법입니다.
각 배치에 대해 <a href="https://js.tensorflow.org/api/latest/#tf.train.Optimizer.minimize" data-md-type="link">optimizer.minimize(f)</a>를 호출하면 f를 실행하고 앞서 정의한 4개의 변수에 대한 그래디언트를 계산하여 출력을 최소화합니다.
f는 손실을 계산합니다. 모델의 예측값과 실제값을 사용하여 미리 정의된 손실 함수 중 하나를 호출합니다.