TensorFlow 알고리즘의 일반적인 흐름 ③

일련의 흐름 [인용원(1)]
①데이터 세트 가져오기 또는 생성
② 데이터 변환/정규화
③ 데이터 세트를 트레이닝 세트, 테스트 세트, 검증 세트로 분할
④ 알고리즘의 파라미터 설정
⑤ 변수와 자리 표시자 초기화
⑥ 모델 구조 정의
⑦ 손실 함수 설정
⑧ 모델 초기화 및 트레이닝
⑨ 모델 평가
⑩ 하이퍼 파라미터 튜닝
⑪ 배포 및 새로운 성과 지표 예측

⑤부터 해 온다.

우선 자리 표시자와 변수의 차이.
자리 표시자: 실제 내용을 나중에 삽입하기 위해 우선 준비한 장소. 계산 된 결과 값을 넣고 싶습니다.
변수: 특정 범위의 숫자입니다. 조사하고 있으면 tf.Variables라든지 tf.assign라든지 나왔기 때문에 이 녀석들일 것이다. 모르니까 날아간다.

⑥ 모델 구조 정의

어렵다고 말하고 있지만 계산 그래프를 만들기 위해서 더하거나 걸거나 하는 것. 이 정의된 모델은 녀석에 조금 전의 변수라든지 플레이스홀더를 넣어 반죽 돌린다.

⑦ 손실 함수 설정

손실 함수는 기계 학습한 결과가 실제로 예측하고 싶은 값에 얼마나 가까운지를 나타내는 함수. 다양한 종류의 손실 함수가 있습니다.

⑧ 모델 초기화 및 트레이닝

변수의 작성이나 손실 함수 등 필요한 재료가 모이면 나머지는 실행. 초기화하고 리셋하고 나서 한다. 계산 그래프와 같은 초기화도 수행됩니다. 훈련에서 기계 학습이 이루어진다.

⑨모델 평가

마침내 실행했습니다. 그 결과가 얼마나 정밀도가 좋았는지 확인한다. 그것이 작동하지 않았다면 어떻게 작동하지 않았는지 생각하고 다음 단계로 넘어갑니다.

⑩ 하이퍼 파라미터 튜닝

설정한 값④에 무언가 변경점이 있었는지를 검증한다. 그리고 또 다른 값으로 설정한 후 다시 모델을 평가⑩시킨다

⑪ 배포 및 새로운 성과 지표 예측

모든 것이 끝난 후 그로부터 읽은 데이터, 결과를 바탕으로 다음 예측을 생각해 간다. ①로 돌아가기

(1):「Python 기반의 활용 레시피 60+ TensorFlow 기계 학습 쿡북 2017년」p3-5