CNN - Functional API

📌 이 글은 권철민님의 딥러닝 CNN 완벽 가이드를 바탕으로 정리한 내용입니다.

---

목차

1. Sequential Model
2. Sequential Model vs Functional API
3. Functional API
4. Functional API의 개요
5. 연속적으로 이어지는 Function의 예
6. Functional API의 필요성
7. Keras Functional API 적용
8. Keras Functional API 사용 예

---

Sequential Model

# Sequential Model을 이용하여 Keras 모델 생성 
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.models import Sequential

INPUT_SIZE = 28

model = Sequential([
    Flatten(input_shape=(INPUT_SIZE, INPUT_SIZE)),
    Dense(100, activation='relu'),
    Dense(30, activation='relu'),
    Dense(10, activation='softmax')
])

model.summary()

model1 = Sequential()
model1.add(Flatten(input_shape=(INPUT_SIZE, INPUT_SIZE)))
model1.add(Dense(100, activation='relu'))
model1.add(Dense(30, activation='relu'))
model1.add(Dense(10, activation='softmax'))

model1.summary()

Sequential 로 만들어지는 모델은 다양한 유형의 모델이 안 만들어진다.

물론 쉽게 모델을 만들 수는 있지만 케라스 모델의 핵심은 Functional API이다.

---

Sequential vs Functional API

일반적으로 Sequential 사용하여 모델을 만들면 쉽게 만들 수 있다.

그러나 케라스의 핵심은 Functional API이다. 쉽다고 Sequential로 계속 만들면 안된다.

처음부터 Functional API로 모델을 생성하고 간단한 모델을 만들 때만 Sequential을 이용하자.

---

Fucntional API

from tensorflow.keras.layers import Input, Flatten, Dense
from tensorflow.keras.models import Model

input_tensor = Input(shape=(INPUT_SIZE, INPUT_SIZE))
x = Flatten()(input_tensor)
x = Dense(100, activation='relu')(x)
x = Dense(30, activation='relu')(x)
output = Dense(10, activation='softmax')(x)

model = Model(inputs=input_tensor, outputs=output)

model.summary()

Functional API를 만들 때에는 Input을 반드시 명시해주어야 한다.

왜냐면 모델을 만들때 Input이 뭐냐고 인자에 물어보기 때문이다.

 

 

model = Model(inputs=input_tensor, outputs=output)

Input이 뭡니까 라고 들어오면, 그러면 나는 출력을 output으로 시켜주겠습니다 라고 output 인자까지 넣어준다.

그래서 모델이라는 것을 만든다.

 

input_tensor = Input(shape=(INPUT_SIZE, INPUT_SIZE))
x = Flatten()(input_tensor)
x = Dense(100, activation='relu')(x)
x = Dense(30, activation='relu')(x)
output = Dense(10, activation='softmax')(x)

이렇게 Input tensor 을 만들고,

그 다음에 우리가 사용하고자 하는 Layer를 만든다.

 

나는 2차원을 깔아 뭉개고 싶어요 하면 Flatten 객체를 만들어준다.

그런데 객체 뒤에 또 입력 인자가 들어간다. 

Flatten()(input_tensor) 이렇게.

 

이게 가장 큰 차이이다.

 

그러려거니 하면 안되고 정확히 알고 가자.

레이어를 구성하는 주요인자는 Flatten( 여기 ) 에 넣고,

이 레이어의 입력이 되는 데이터는 Flatten()( 여기 ) 에 넣는다.

 

Flatten()은 입력을 뭉개고

Dense에서는 앞에서 나온 output을 다시 인자로 넣는다.

다시 Dense로 앞에서 나온 output을 다시 인자로 넣는다.

---

Functional API 개요

객체를 호출하든, 함수를 호출하든 입력이 있고 출력이 있다.

그렇다면 Functional API는 객체인가 함수인가?

 

 

앞에는 생성자 파라미터 (param1, param2)가 존재하고,

그 뒤에 (data) 를 입력을 받는다.

그리고 output 을 뽑아내는 구조이다.

---

연속적으로 이어지는 Function 작용의 예

func1()은 리턴값(retrun a+b)이 output이 되고,

그 output이 다시 input이 되어 다시 output을 만드는 구조이다.

G의 인자 값을 F의 output 값으로 쓴다.

G의 input = F 의 output

H의 input = G의 output

 

입력 값이 있고, 또 다른 인자가 필요한 구조이다.

 

---

Functional API의 필요성

 

첫번째 layer = [w1 → weighted Sum (w1*x) → Activation function → output1]

두번째 layer = [w2 → weighted Sum (w2*output1) → Activation function → output2]

 

위처럼 Layer를 잇는 것을 Chain logic 이라고도 한다.

---

Keras Functional API 적용

Conv2D의 경우, 주요 파라미터를 먼저 넣고 그 다음에 입력 데이터 값을 집어 넣는다.

 

input_tensor = Input(shape=(224, 224, 3)
conv_out_01 = Conv2D(filter=32, kernel_size=3)(input_tensor) 
conv_out_02 = Conv2D(filter=64, kernel_size=3)(conv_out_01)

이런 로직으로 모델을 만든다.

---

Keras Functional API 사용 예

input_tensor = Input(shape=(32, 32, 3))
x = Conv2D(filters=32, kernel_size=(3, 3), padding='valid')(input_tensor)
x = ReLU()(x)
x = Conv2D(filters=64, kernel_size=(3, 3), padding='valid', activation='relu')(x) 
x = MaxPooling2D(pool_size=(2, 2))(x)

1. input tensor를 반드시 만들어야 한다.
2. 그 다음 내가 적용하려는 연산의 layer를 만들어 준다. 그 layer는 반드시 처리해야할 데이터를 입력 받는다.
3. Activation 적용
4. Activation의 output이 다음 layer의 input으로 들어간다.
5. MaxPooling

 

Sequential 은 좀더 쉽게 쓰여질 뿐이다.