Keras 정보

Keras 3 정보

원본 링크 : https://keras.io/about/
최종 확인 : 2024-11-18

Keras는 Python으로 작성된 딥러닝 API로, JAX, TensorFlow 또는 PyTorch 위에서 실행할 수 있습니다.

Keras는:

간단함 - 간단하지만, 단순하지 않습니다. Keras는 개발자의 인지적 부하를 줄여, 개발자가 정말 중요한 문제에 집중할 수 있도록 합니다.
유연함 - Keras는 복잡성의 점진적 공개라는 원칙을 채택합니다. 간단한 워크플로는 빠르고 쉬워야 하며, 이미 학습한 내용을 바탕으로 명확한 경로를 통해 임의로 고급 워크플로를 만들 수 있어야 합니다.
강력함 - Keras는 업계 최고 수준의 성능과 확장성을 제공하며, NASA, YouTube, Waymo 등의 조직에서 사용하고 있습니다.

Keras 3는 멀티 프레임워크 딥러닝 API입니다.

멀티 프레임워크 API인 Keras는 JAX, TensorFlow, PyTorch 등의 프레임워크와 호환되는 모듈식 컴포넌트를 개발하는데 사용할 수 있습니다.

이 접근 방식에는 몇 가지 주요 이점이 있습니다:

모델에 대해 항상 최상의 성능을 얻을 수 있습니다. 우리의 벤치마크 결과, JAX는 일반적으로 GPU, TPU, CPU에서 최고의 트레이닝 및 추론 성능을 제공하지만, 비-XLA TensorFlow가 GPU에서 더 빠른 경우도 있기 때문에, 결과는 모델마다 다릅니다. 당신의 코드를 변경하지 않고도 모델에 가장 적합한 성능을 제공하는 백엔드를 동적으로 선택할 수 있으므로, 항상 최고의 효율로 트레이닝하고 서비스를 제공할 수 있습니다.
모델을 위해 사용 가능한 에코시스템 표면을 극대화하세요. 모든 Keras 모델은 PyTorch Module로 인스턴스화할 수 있고, TensorFlow SavedModel로 내보낼 수 있으며, 상태없는 JAX 함수로 인스턴스화할 수 있습니다. 즉, PyTorch 에코시스템 패키지, 모든 범위의 TensorFlow 배포 및 프로덕션 도구, JAX 대규모 TPU 트레이닝 인프라와 함께, Keras 모델을 사용할 수 있습니다. Keras API를 사용해 하나의 model.py를 작성하고, ML 세계에서 제공하는 모든 것을 이용할 수 있습니다.
오픈 소스 모델 릴리스의 배포를 극대화하세요. 사전 트레이닝된 모델을 릴리스하고 싶으신가요? 가능한 한 많은 사람이 사용할 수 있기를 원하시나요? 순수 TensorFlow 또는 PyTorch로 구현하면, 시장의 약 절반이 사용할 수 있습니다. Keras로 구현하면, 선택한 프레임워크에 관계없이(Keras 사용자가 아니더라도) 누구나 즉시 사용할 수 있습니다. 추가 개발 비용 없이 두 배의 효과를 얻을 수 있습니다.
모든 소스의 데이터 파이프라인을 사용하세요. Keras fit()/evaluate()/predict() 루틴은 당신이 사용 중인 백엔드에 관계없이 tf.data.Dataset 객체, PyTorch DataLoader 객체, NumPy 배열, Pandas 데이터프레임과 호환이 가능합니다. PyTorch DataLoader에서 Keras + TensorFlow 모델을 트레이닝하거나, tf.data.Dataset에서 Keras + PyTorch 모델을 트레이닝할 수 있습니다.

Keras와의 첫 만남

Keras의 핵심 데이터 구조는 레이어와 모델입니다. 가장 간단한 모델 유형은 선형 레이어 스택인 Sequential 모델입니다. 더 복잡한 아키텍처의 경우, 임의의 레이어 그래프를 만들 수 있는 Keras 함수형 API를 사용하거나, 서브클래싱을 통해 완전히 처음부터 모델 작성 방법을 사용해야 합니다.

다음은 Sequential 모델입니다:

import keras

model = keras.Sequential()

레이어를 쌓는 것은 .add()를 사용하면 간단합니다:

from keras import layers

model.add(layers.Dense(units=64, activation='relu'))
model.add(layers.Dense(units=10, activation='softmax'))

모델이 좋아 보이면, .compile()을 사용하여 학습 프로세스를 구성합니다:

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

필요한 경우, 옵티마이저를 추가로 구성할 수 있습니다. Keras의 철학은 단순한 것을 단순하게 유지하면서, 사용자가 필요할 때 완전히 제어할 수 있도록 하는 것입니다. (궁극적인 제어는 서브클래싱을 통해 소스 코드를 쉽게 확장할 수 있는 것입니다)

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(learning_rate=0.01, momentum=0.9, nesterov=True))

이제 트레이닝 데이터를 배치에서 반복할 수 있습니다:

# x_train 및 y_train은 Numpy 배열
model.fit(x_train, y_train, epochs=5, batch_size=32)

테스트 손실과 지표를 한 줄로 평가하세요:

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

또는 새로운 데이터에 대한 예측을 생성할 수도 있습니다:

classes = model.predict(x_test, batch_size=128)

방금 보신 것은 Keras를 사용하는 가장 기본적인 방법입니다.

하지만, Keras는 최첨단 연구 아이디어를 반복하는데 적합한 매우 유연한 프레임워크이기도 합니다. Keras는 복잡성의 점진적 공개라는 원칙을 따르기 때문에, 쉽게 시작할 수 있지만, 각 단계마다 점진적인 학습만 거치면, 임의의 고급 사용 사례도 처리할 수 있습니다.

위에서 몇 줄로 간단한 신경망을 트레이닝하고 평가할 수 있었던 것과 마찬가지로, Keras를 사용하여 새로운 트레이닝 절차나 최첨단 모델 아키텍처를 빠르게 개발할 수 있습니다.

다음은 커스텀 Keras 레이어의 예시이며, JAX, TensorFlow 또는 PyTorch의 낮은 레벨 워크플로우에서 서로 바꿔서 사용할 수 있습니다:

import keras
from keras import ops

class TokenAndPositionEmbedding(keras.Layer):
    def __init__(self, max_length, vocab_size, embed_dim):
        super().__init__()
        self.token_embed = self.add_weight(
            shape=(vocab_size, embed_dim),
            initializer="random_uniform",
            trainable=True,
        )
        self.position_embed = self.add_weight(
            shape=(max_length, embed_dim),
            initializer="random_uniform",
            trainable=True,
        )

    def call(self, token_ids):
        # 위치 임베딩
        length = token_ids.shape[-1]
        positions = ops.arange(0, length, dtype="int32")
        positions_vectors = ops.take(self.position_embed, positions, axis=0)
        # 토큰 임베딩
        token_ids = ops.cast(token_ids, dtype="int32")
        token_vectors = ops.take(self.token_embed, token_ids, axis=0)
        # 둘을 합하기
        embed = token_vectors + positions_vectors
        # 임베딩을 Normalize
        power_sum = ops.sum(ops.square(embed), axis=-1, keepdims=True)
        return embed / ops.sqrt(ops.maximum(power_sum, 1e-7))

Keras에 대한 자세한 튜토리얼은 여기에서 확인할 수 있습니다:

지원

Keras Google 그룹에서 질문하고 개발 토론에 참여할 수 있습니다.

GitHub 이슈에 버그 리포트 및 기능 요청(이것만 가능)을 게시할 수도 있습니다. 가이드라인을 먼저 읽어주세요.

왜 Keras라는 이름인가요?

Keras(κέρας)는 고대 그리스어로 horn을 의미합니다. 고대 그리스와 라틴 문학에 등장하는 문학적 이미지로, 오디세이에서 처음 등장하며, 꿈의 정령(Oneiroi, 단수형 Oneiros)을 거짓 환상으로 몽상가를 속이는 자, ivory의 문을 통해 지구에 도착하는 자, 다가올 미래를 알리는 자, horn의 문을 통해 도착하는 자로 나누고 있습니다. κέρας(뿔)/κραίνω(성취하다), ἐλέφας(상아)/ἐλεφαίρομαι(속이다)라는 단어에서 유래한 말입니다.

Keras는 처음에 프로젝트 ONEIROS(Open-ended Neuro-Electronic Intelligent Robot Operating System, 개방형 신경 전자 지능형 로봇 운영체제)의 연구 노력의 일환으로 개발되었습니다.

“Oneiroi는 우리가 풀지 못한 수수께끼의 존재로, 어떤 이야기를 들려줄지 누가 확신할 수 있을까요? 인간이 찾는 모든 것이 이루어지지는 않습니다. 덧없는 Oneiroi에게 통로를 제공하는 두 개의 문이 있는데, 하나는 뿔로, 다른 하나는 상아로 만들어져 있습니다. 톱질한 상아를 통과하는 Oneiroi는, 성취되지 않을 메시지를 담고 있는 속임수이고, 광택이 나는 뿔을 통해 나오는 Oneiroi는 그것을 보는 사람들에게 성취될 진실을 담고 있다.” 호머, 오디세이 19. 562쪽(셰링 번역).