[딥러닝] 모델 다루기 (Sequential & Functional + Inception Module 실습)

모델 생성: Sequential

• 정의: 하나의 입력과 하나의 출력을 가지며, Layer를 순차적으로 쌓아나가는 방식
• 핵심 원리: 이전 레이어의 output이 다음 레이어의 input이 됨
• 구현 예시:

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Dense
  model = Sequential()
  model.add(Dense(2, input_dim=1)) 
  model.add(Dense(1))

---

모델 생성: Functional

• 개념: 입력이나 출력이 하나로 제한되지 않는 모델링 방식
• 필요성: "꼭 하나의 입력과 하나의 출력이어야 할까?"라는 질문에서 시작
  
  • 두 개의 입력, 하나의 출력
  • 하나의 입력, 두 개의 출력
    

    model = Model(inputs=[main_input, auxiliary_input],
                  outputs=[main_output, auxiliary_output])

• 다중 입출력 모델 정의: Model 객체에 inputs와 outputs 리스트를 지정
  

  model.fit({'main_input': headline_data, 'aux_input': additional_data},
            {'main_output': headline_labels, 'aux_output': additional_labels},
            epochs=50, batch_size=32)

• 다중 입출력 모델 학습: fit 메서드에 딕셔너리 형태로 데이터를 매핑
• Functional API 구현 방식:
  • 각 계층의 입력이 무엇인지 명시적으로 지정해야 함 (예: hidden1(visible))
  • 모델 전체에 대해 input과 output을 지정함
• Functional API (Dense) 예시:

  from tensorflow.keras.models import Model
  from tensorflow.keras.layers import Input, Dense 
  
  visible = Input(shape=(10,)) 
  hidden1 = Dense(10, activation='relu')(visible) 
  hidden2 = Dense(20, activation='relu')(hidden1) 
  hidden3 = Dense(10, activation='relu')(hidden2) 
  output = Dense(1, activation='sigmoid')(hidden3)
  
  model = Model(inputs=[visible], outputs=[output])

  
  

  from tensorflow.keras.utils import plot_model [cite: 56]
  plot_model(model, to_file='model1.jpg', show_shapes=True) [cite: 67]
  

  
  
  • plot_model 실행 결과로 각 레이어의 입출력 shape을 테이블로 보여줌
• 모델 시각화: plot_model 유틸리티 사용
• Functional API (CNN) 예시:
  • CNN 모델의 각 레이어(InputLayer, Conv2D, MaxPooling2D, Flatten, Dense)별 입출력 shape 요약표 제공

    from tensorflow.keras.layers import Input, Dense, Flatten, Conv2D, MaxPooling2D
    
    visible = Input(shape=(64, 64, 1))
    conv11 = Conv2D(32, kernel_size=(3, 3), activation='relu')(visible) 
    conv12 = Conv2D(32, kernel_size=(3, 3), activation='relu')(conv11) 
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv12)
    conv21 = Conv2D(16, kernel_size=(3, 3), activation='relu')(pool1) 
    conv22 = Conv2D(16, kernel_size=(3, 3), activation='relu')(conv21)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv22) 
    flatten = Flatten()(pool2) 
    hidden1 = Dense(10, activation='relu')(flatten) 
    output = Dense(1, activation='sigmoid')(hidden1) 
    
    model = Model(inputs=[visible], outputs=[output])

---

분기 모델 (Branching Model)

• 개념: 하나의 입력을 두 개(이상)의 출력으로 분기하는 경우
• 구현 예시:

  from tensorflow.keras.layers import Input, Dense from tensorflow.keras.models import Model input1 = Input(shape=(256,)) output1 = Dense(1, activation='sigmoid')(input1) output2 = Dense(10, activation='softmax')(input1)
  
  model1 = Model(inputs=[input1], outputs=[output1, output2]) model1.summary()

---

병합 모델 (Merging Model) 

• 개념: 두 개(이상)의 입력을 한 개의 출력으로 병합하는 경우
• 병합 (붙이기) 예시:
  
  • Concatenate: 입력들을 그대로 붙이는 경우
  • Add: 입력들을 더하는 경우
  • Subtract: 입력들을 빼는 경우
  • Multiply: 입력들을 곱하는 경우
  • Dot: 입력들을 내적하는 경우 등
• 특징: 분기와 다르게 다양한 방식의 병합이 가능
• 병합 (붙이기) 예시:

  from tensorflow.keras.layers import Input, Concatenate
  from tensorflow.keras.models import Model [cite: 175]
  
  input1 = Input(shape=(128,)) [cite: 176]
  input2 = Input(shape=(256,)) [cite: 176]
  output = Concatenate()([input1, input2]) [cite: 177]
  
  model2 = Model(inputs=[input1, input2], outputs=[output]) [cite: 178]
  

• 병합 (더하기) 예시: (두 입력의 shape이 동일해야 함)

  from tensorflow.keras.layers import Input, Add
  from tensorflow.keras.models import Model [cite: 186]
  
  input1 = Input(shape=(128,)) [cite: 187]
  input2 = Input(shape=(128,)) [cite: 187]
  output = Add()([input1, input2]) [cite: 188]
  
  model2 = Model(inputs=[input1, input2], outputs=[output]) [cite: 195]
  

• 병합 (빼기) 예시: (두 입력의 shape이 동일해야 함)

  from tensorflow.keras.layers import Input, Subtract
  from tensorflow.keras.models import Model [cite: 199]
  
  input1 = Input(shape=(128,)) [cite: 202]
  input2 = Input(shape=(128,)) [cite: 202]
  output = Subtract()([input1, input2]) [cite: 204]
  
  model2 = Model(inputs=[input1, input2], outputs=[output]) [cite: 206]
  

---

실습: 다중 입출력 모델 

• 구조: 2개의 입력(main_input, aux_input)과 2개의 출력(main_output, aux_output)을 가짐
  
  • main_input은 Dense(128) -> Dense(64)를 거침
  • Dense(64)의 출력은 aux_output (Dense(10))으로 분기함
  • Dense(64)의 출력은 aux_input과 Concatenate로 병합됨
  • 병합된 텐서는 main_output (Dense(1))으로 분기함
• 구현 코드 및 주석:

  # Keras가 아닌 tensorflow.keras를 사용하는 것이 일반적입니다
  from tensorflow.keras import layers [cite: 211]
  from tensorflow.keras import models [cite: 212]
  # utils는 Keras의 일부가 아닐 수 있음 (모델 구조엔 불필요)
  
  # 1. 메인 입력 및 처리 [cite: 214]
  main_input = layers.Input(shape=(1024,))
  dense128 = layers.Dense(128)(main_input) 
  dense64 = layers.Dense(64)(dense128) # (None, 64) 크기의 텐서 
  
  # 2. 보조 입력 [cite: 218]
  aux_input = layers.Input(shape=(10,)) # (None, 10) 크기의 텐서 
  
  # 3. 병합 (Concatenate)
  # 두 텐서를 이어 붙여 (None, 74) 크기의 텐서를 만듬
  merge = layers.Concatenate()([aux_input, dense64]) 
  
  # 4. 출력
  # (참고) 이 모델은 출력이 2개인 '다중 출력 모델'
  
  # 출력 1: 보조 출력 (dense64에서 바로 분기)
  aux_output = layers.Dense(10)(dense64) 
  
  # 출력 2: 메인 출력 (병합된 merge에서 분기)
  main_output = layers.Dense(1)(merge) 
  
  # 이 입력과 출력을 기반으로 모델을 정의할 수 있음
  model = models.Model(inputs=[main_input, aux_input], outputs=[main_output, aux_])

---

실습: Inception Module

• 주제: Inception Module 코드로 작성해보기
• 핵심 주석: (기말고사에 반드시 출제됨)
• 구조:
  1. 하나의 입력(prev)을 받음
  2. 4개의 브랜치(Branch)로 분기됨
     
     • Branch 1: 1x1 Conv (입력: prev)
     • Branch 2: 1x1 Conv (Bottleneck, 입력: prev) -> 3x3 Conv
     • Branch 3: 1x1 Conv (Bottleneck, 입력: prev) -> 5x5 Conv
     • Branch 4: 3x3 MaxPool (입력: prev) -> 1x1 Conv
  3. 4개 브랜치의 최종 출력을 concatenate (채널 축 기준)하여 병합
• 구현 코드 및 주석:
   

  import tensorflow as tf 
  from tensorflow.keras.models import Model 
  from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, concatenate
  from tensorflow.keras import utils # 칠판의 'utils' import 
  
  # 1. Input Layer (변수명: prev) 
  prev = Input(shape=(28, 28, 192)) 
  
  # 2. 각 브랜치의 '중간' 레이어 (변수명: conv1, conv2, max1) 
  # 1x1 Conv (Branch 2의 Bottleneck) 
  conv1 = Conv2D(filters=96, kernel_size=(1, 1), padding='same', activation='relu')(prev) 
  # 1x1 Conv (Branch 3의 Bottleneck)
  conv2 = Conv2D(filters=16, kernel_size=(1, 1), padding='same', activation='relu')(prev)
  # 3x3 MaxPool (Branch 4의 시작)
  max1 = MaxPooling2D(pool_size=(3, 3), strides=(1, 1), padding='same')(prev) 
  
  # 3. 각 브랜치의 '최종' 출력 (변수명: conv3, conv4, conv5, conv6) 
  # Branch 1: 1x1 Conv 
  conv3 = Conv2D(filters=64, kernel_size=(1, 1), padding='same', activation='relu')(prev) 
  # Branch 2: 3x3 Conv (입력: conv1)
  conv4 = Conv2D(filters=128, kernel_size=(3, 3), padding='same', activation='relu')(conv1) 
  # Branch 3: 5x5 Conv (입력: conv2) 
  conv5 = Conv2D(filters=32, kernel_size=(5, 5), padding='same', activation='relu')(conv2) 
  # Branch 4: 1x1 Conv (입력: max1)
  conv6 = Conv2D(filters=32, kernel_size=(1, 1), padding='same', activation='relu')(max1) 
  
  # 4. Concatenate (병합)
  # 4개의 브랜치(c1, c2, c3, c4)를 채널 축 기준으로 합침 
  output = concatenate([conv3, conv4, conv5, conv6], axis=-1) 
  
  # 5. Model 정의 (칠판의 'model = models.Model...' 부분) 
  model = Model(inputs=prev, outputs=output) 
  
  # 6. 모델 요약 (칠판의 'model.summary()...' 부분)
  model.summary() 
  
  # 7. (Optional) 모델 구조 시각화 
  # 이 코드를 실행하려면 graphviz가 설치되어 있어야 함 
  # utils.plot_model(model, to_file='inception_module.png', show_shapes=True)