R 사용자의 경우 MXNET을 제외하곤 딥러닝 을 위한 프로덕션 등급 솔루션이 없는게 사실입니다. 이 기사에서는 R의 Keras 인터페이스와 이미지 분류를 수행하는 방법을 소개하고자 합니다. 이를 통해 Keras가 직관적이고 강력하다는 것을 보여주는 코드 조각을 제공 하도록 하겠습니다.

 

텐서플로우 (Tensorflow)

지난 1 월 R에서 Tensorflow API에 대한 액세스를 제공하는Tensorflow for R 이 발표 되었습니다. 하지만, 대부분의 R 사용자에게는 R 인터페이스 같지 않아 낮설게 느껴 집니다.

모델을 훈련시키기 위한 아래 코드 덩어리를 살펴보시기 바랍니다.

Keras를 통한 이미지 분류

이제 R, Keras 및 Tensorflow를 함께 사용하여 심층 학습 모델을 구축하는 방법을 보여 드리겠습니다. 필요한 코드와 데이터는 이곳  Github repo  에서 찾을 수 있습니다. 이미지 분류기 (개에서 고양이에게 말하기)를 만드는 과정을 거치지 만 다른 이미지로 쉽게 일반화 할 수있는R notebook 이 포함되어 있습니다. 이 과정에는 다음과 같은 제작 학습을 위해 일반적으로 사용되는 고급 방법이 포함됩니다.

  • 데이터 보강
  • 미리 훈련 된 네트워크의 병목 특징 이용
  • 사전 훈련 된 네트워크의 최상위 레이어 미세 조정
  • 모델에 대한 가중치 절약

 

Keras 코드 조각

Keras의 R 인터페이스는 R에서 심층적인 학습 모델을 쉽게 구현할 수있게 해줍니다. 다음은 R에 대한 직관적이고 유용한 Keras가 얼마나 유용한 지 보여주는 코드입니다.

폴더에서 그림을 로드하려면 :

간단한 컨벌루션 신경 네트워크를 정의 하려면 아래와 같이 수행합니다.

데이터를 보강하려면,

사전 훈련된 네트워크를 불러 들이려면,

모델 가중치를 저장하려면,

 

Keras for R 인터페이스를 사용하면 R 사용자와 R 커뮤니티가 R을 사용하여 심층적 인 학습 모델을 구축하고 다듬을 수 있습니다. 즉, 모든 사람들이 Python을 사용하여 빌드, 수정 및 테스트하도록 강요 할 필요가 없습니다.

 

출처: Deep Learning with R | DataScience+