[AI 스터디]-1 딥러닝 이론(3)

11. Tensorflow2 빠른 기초 2 : 키와 몸무게를 예측하려면 (Linear Regression)

• 키로 신발사이즈 추론해보기

#키로 신발사이즈를 추론해보자
import tensorflow as tf

키 = 170
신발 = 260

#신발 = 키 * a + b

a = tf.Variable(0.1) #w값을 임의로 정의내린 것.
b = tf.Variable(0.2)

def 손실함수() : 
  예측값 = 키 * a + b
  return tf.square(260 - 예측값)           #오차(실제값 - 예측값)는 제곱으로 리턴함.

opt = tf.keras.optimizers.Adam(learning_rate=0.1) #경사하강법으로 a, b를 자동으로 업데이트 하는 것.
                                            #gradient를 알아서 스마트하게 바꿔주는 optimizer이 Adam
                                            #learning_rate는 지정하지 않아도 자동으로 됨(0.0001)
for i in range(300) : 
  opt.minimize(손실함수, var_list=[a,b])
  print(a.numpy(),b.numpy())

 

• 여러개의 값 사이의 관계 추론하기(리스트)

import tensorflow as tf

train_x = [1,2,3,4,5,6,7]
train_y = [3,5,7,9,11,13,15]

#step1 : 모델 만들기
a = tf.Variable(0.1) #보통 초기값은 랜덤으로 집어넣음.
b = tf.Variable(0.1)


def 손실함수() : #정수를 구할 때는 mean squared error로 손실함수 구현하면 됨.
  예측_y = train_x * a + b
  return tf.keras.losses.mse(train_y, 예측_y)


#step 2 : optimizer, 손실함수 정하기
opt = tf.keras.optimizers.Adam(learning_rate = 0.01) #learning_rate는 잘 나올때까지 실험적으로 시도해야함.

#step 3: 학습하기(경사하강으로 변수값 업데이트 하기)
for i in range(900) : 
  opt.minimize(손실함수, var_list=[a,b])
  print(a.numpy(), b.numpy())

실제 값인 [2,1]에 점점 가까워지고 있음.

 

• 이런건 딥러닝은 아님. 히든 레이어도 없고, 활성함수도 사용하지 않고 있음.
  그냥 학습임.