[파이썬] TensorFlow에서 Keras와 TensorFlow 통합

06 Sep 2023

statsmodels

TensorFlow는 딥러닝을 위한 가장 인기 있는 오픈소스 라이브러리 중 하나이며, 다양한 기능과 유연성을 제공합니다. TensorFlow는 그 자체로도 강력한 기능을 가지고 있지만, Keras라는 딥러닝 프레임워크를 TensorFlow와 통합해 사용하면 모델을 쉽게 구축하고 훈련할 수 있습니다.

Keras는 간결하고 직관적인 API를 가지고 있어서, 딥러닝 모델을 만들고 훈련시키는 과정을 단순화시켜줍니다. TensorFlow 2.0부터는 TensorFlow에서 Keras를 공식적으로 지원하므로, 두 프레임워크를 함께 사용하는 것이 더욱 편리해졌습니다.

이번 블로그 포스트에서는 TensorFlow에서 Keras와 TensorFlow를 통합하는 방법에 대해 알아보겠습니다.

TensorFlow에서 Keras 사용하기

TensorFlow에서 Keras를 사용하기 위해서는 먼저 TensorFlow와 Keras 패키지를 설치해야 합니다. 다음 명령어를 사용하여 설치할 수 있습니다.

pip install tensorflow

또는 TensorFlow GPU 버전을 사용하려면 다음 명령어를 사용합니다.

pip install tensorflow-gpu

설치가 완료되었다면, TensorFlow에서 Keras를 import하여 사용할 수 있습니다.

import tensorflow as tf
from tensorflow import keras

Keras Sequential 모델 구축하기

Keras의 Sequential API를 사용하여 모델을 구축할 수 있습니다. Sequential 모델은 레이어를 순차적으로 쌓아서 딥러닝 모델을 만드는 방식입니다.

model = keras.Sequential([
    keras.layers.Dense(64, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])

위 코드는 입력 레이어와 출력 레이어로 구성된 신경망을 생성하는 예시입니다. 첫 번째 레이어인 Dense는 64개의 뉴런을 가지고 있으며, 활성화 함수로는 ReLU를 사용하고, 입력 형태는 784차원입니다. 두 번째 레이어인 Dense는 10개의 뉴런을 가지고 있으며, 활성화 함수로는 softmax를 사용합니다.

Keras 모델 훈련하기

Keras 모델을 훈련하기 위해서는 compile() 메서드를 사용하여 모델을 컴파일하고, fit() 메서드를 사용하여 데이터에 모델을 훈련시킬 수 있습니다.

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))

위의 코드에서는 optimizer로 ‘adam’을, loss로 ‘sparse_categorical_crossentropy’를 사용하였습니다. 훈련 데이터인 x_train과 y_train을 10번의 에포크 동안 훈련하고, 검증 데이터인 x_val과 y_val을 사용하여 모델을 평가합니다.

TensorFlow 기능 활용하기

TensorFlow는 Keras를 통합하면서 자체적인 기능들을 사용할 수 있도록하는 다양한 API를 제공합니다. 예를 들어, TensorFlow의 tf.data.Dataset API를 사용하면 데이터를 효율적으로 로드하고 변환할 수 있습니다.

train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
train_dataset = train_dataset.shuffle(10000).batch(32)

val_dataset = tf.data.Dataset.from_tensor_slices((x_val, y_val))
val_dataset = val_dataset.batch(32)

위의 코드는 from_tensor_slices() 메서드를 사용하여 NumPy 배열로부터 tf.data.Dataset 객체를 생성하고, shuffle() 메서드와 batch() 메서드를 사용하여 훈련 데이터와 검증 데이터를 생성합니다.

TensorFlow의 다른 API들을 사용하여 모델을 구축하고 훈련하는 과정에 유연성과 효율성을 더할 수 있습니다.

결론

TensorFlow에서 Keras와 TensorFlow를 통합하여 딥러닝 모델을 구축하고 훈련하는 방법에 대해 알아보았습니다. Keras의 간결하고 직관적인 API와 TensorFlow의 강력한 기능을 함께 사용하여 편리하게 딥러닝 모델을 개발할 수 있습니다.

TensorFlow와 Keras를 함께 사용해보면서 딥러닝 프로젝트를 더욱 쉽게 구현해보세요!