Keras (1) - Keras에 대하여 그리고 Tensorflow와 간단하게 비교하기

그동안 블로그에 게시글을 작성할 때 Python을 이용하는 글들은 전부다 Python 게시판 넣었습니다. 해당 방법을 통하여 파이썬으로 다양한 것을 할 수 있다는 것을 보여주었지만 세부적인 방법을 보여주기에 한계가 있었습니다. 그래서 인공지능에 대하여 깊게 소개하기 위해 게시판을 분리하였습니다.

 

Keras

Keras 로고

 

우선 케라스(Keras)는 파이썬 기반으로 작성된 오픈소스 딥러닝 라이브러리입니다. 딥러닝을 하기 위해 데이터 정규화 및 레이어를 쌓는 과정등 다양한 과정이 필요합니다. 특히 머신러닝을 처음 다루는 사람들은 해당 과정들이 복잡합니다. Tensorflow 라이브러리를 이용한 설계를 조금 더 사용자에게 쉽고 친숙하게 만든 라이브러리가 Keras입니다.

추가로 본 게시글에는 Tensorflow와 비교할 뿐이지 다른 딥러닝 프레임워크도 사용할 수 있습니다.

 

아래 링크는 Keras의 공식 깃허브 링크입니다.

https://github.com/keras-team/keras

GitHub - keras-team/keras: Deep Learning for humans

 

Tensorflow와 Keras 이모저모

딥러닝 라이브러리 및 하드웨어 스택

위에서도 설명했으나 Keras는 Tensorflow를 쉽게 사용하기 위해 만들어진 라이브러리입니다.

그렇기 때문에 단 몇 줄만으로 신경망 소스 코드를 구현할 수 있습니다.

머신러닝을 이용하여 간단한 소스 코드를 제작하거나 빠르게 제작이 필요한 경우에 Keras를 이용하는 것이 좋습니다.

하지만 조금 더 디테일한 조작이 필요한 경우에는 Tensorflow를 이용하는 것이 좋습니다.

기존에 있는 기능을 넘어 사용하려면 무조건 Tensorflow를 사용하는 것이 좋습니다.

 

Keras 설치하기

설치는 pip를 이용하여 설치하면 쉽게 설치 할 수 있습니다.

pip install tensorflow
pip install keras

tensorflow를 베이스로 keras를 사용할려고 하므로 두줄 다 설치하도록 합니다.

 

간단한 Keras 예시

import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import fashion_mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.utils import to_categorical

# Fashion-MNIST 데이터 로드 및 전처리
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

# 모델 구성
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),
    Dense(10, activation='softmax')
])

# 모델 컴파일
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 모델 학습
model.fit(x_train, y_train, epochs=10, batch_size=64, validation_split=0.2)

# 모델 테스트
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

해당 예시는 CNN으로 학습된 모델로 Fashion-MNIST 데이터를 훈련하고 모델을 테스트하는 소스코드입니다. 자세한 원리는 해당 개념을 따로 블로그에 작성하도록 하겠습니다.