2주차 과제

[GirinMan]

두 번째 과제: PyTorch로 딥러닝 모델 학습하기

회합 자료 링크: #1 (comment)

• 미리 만들어진 colab notebook을 실행해보면서, 간단한 데이터 분류를 수행하는 모델을 학습시켜 봅시다!
• 노트북 실행 방법은 지난 회합 자료 마지막 부분을 참고하세요.

Colab Python 노트북을 사용한 모델 학습 실습

• Google 계정 로그인 후 colab에 접속해서 현재 레포지토리의 /Week2/train_neural_network.ipynb 노트북을 실행해보면서 아래와 같은 단계로 과제를 진행해 주세요.
• 이번 과제에서 다룰 문제는 이진 분류(Binary Classification) 입니다. 간단하게 2차원 좌표 상에 있는 점들을 특정 기준에 따라 라벨을 1 또는 0으로 부여하고, 새로운 데이터가 들어왔을 때 모델이 적절한 라벨을 유추할 수 있도록 학습시켜 볼거에요!
• 분류 대상인 데이터는 아래와 같이 생겼습니다.

x < -5 or x > 5 인 값 (x, y)에 대해 label=1
나머지 좌표에 대해서는 label=0

Step 1. Layer 1개로 구성된 모델로 이진 분류 학습시키기

• 하나의 layer는 각각 weight와 bias를 지니고 있어 1차함수를 표현할 수 있습니다.
• 주어진 데이터를 잘 분류하도록 모델을 학습시켜 봅시다.

Step 2. Layer 2개로 구성된 모델로 이진 분류 학습시키기

• 하나의 layer밖에 없는 모델은 표현할 수 있는 범위에 한계가 있습니다.
• Layer를 하나 더 추가해서 조금 더 복잡한 모델을 만들어 학습하고 결과를 확인해 봅시다.

Step 3. 새로운 데이터 분류하기

• 아래와 같은 데이터들을 분류하는 모델을 만들어 보려고 합니다.
• Layer가 1개인 모델과 2개인 모델 중 어떤 모델이 더 적합할까요?
• 조별로 각각의 데이터에 대해 적합한 모델과, 그 이유를 적어주세요.
• 실습 노트북에서 맨 처음 데이터 부분만 아래 코드로 바꿔서 실행해보면 결과를 알 수 있어요!

1번 데이터: x + y > 0 인 경우 label=1, 나머지 label=0

import random
import numpy as np

# 재현을 위해 seed 고정
random.seed(42)
np.random.seed(42)

x1_train=[]
x2_train=[]
y_train=[]

# 데이터 개수
m = 10000

for i in range(m):
    x1_train.append(random.uniform(-10, 10))
    x2_train.append(random.uniform(-10, 10))
    if x1_train[-1] + x2_train[-1] > 0:
        y_train.append(1)
    else:
        y_train.append(0)

x = np.array([x1_train, x2_train]).transpose()
y = np.array(y_train).reshape(-1, 1)

print(f"X: {x.shape}\n {x}")
print(f"Y: {y.shape}\n {y}")

2번 데이터: x * y > 0 인 경우 label=1, 나머지 label=0

import random
import numpy as np

# 재현을 위해 seed 고정
random.seed(42)
np.random.seed(42)

x1_train=[]
x2_train=[]
y_train=[]

# 데이터 개수
m = 10000

for i in range(m):
    x1_train.append(random.uniform(-10, 10))
    x2_train.append(random.uniform(-10, 10))
    if x1_train[-1] * x2_train[-1] > 0:
        y_train.append(1)
    else:
        y_train.append(0)

x = np.array([x1_train, x2_train]).transpose()
y = np.array(y_train).reshape(-1, 1)

print(f"X: {x.shape}\n {x}")
print(f"Y: {y.shape}\n {y}")

[GirinMan]

과제 제출 예시

0조

1번 데이터

• 적합한 모델: Layer X개인 모델
• 이유: ...
• 학습 결과 스크린샷: (만약 학습을 진행해봤다면 첨부해주세요)

2번 데이터

• 적합한 모델:
• 이유:
• 학습 결과 스크린샷:
  
  

[t2easure]

2조

1번 데이터
적합한 모델: Layer 1
이유: 데이터가 선형이기 때문에 layer 1개로 학습이 가능하다.

학습 결과 스크린샷:

2번 데이터
적합한 모델: layer 2
이유: 데이터가 비선형이기 때문에 layer가 많을수록 학습이 잘 이뤄진다.
학습 결과 스크린샷:

[Ahngab]

1번 데이터

적합한 모델: Layer 한 개

이유: 이진 데이터기 때문에 Layer 하나로 True or Flase 만 판단하면 된다. 따라서 Layer 하나 가능

2번 데이터

적합한 모델 Layer 두 개

이유 : 데이터가 두개의 선으로 인해 네 개의 영역으로 나누어지는 것을 볼 수 있다. 따라서 Layer 두 개가 가장 적합함!~

](url)

[geneeol]

4조

1. 김율희

---

1번 데이터

• 적합한 모델 : Layer가 1개인 모델
• 이유 : 직선 하나로도 분류할 수 있는 데이터라 Layer가 1개인 모델로도 충분히 분류할 수 있습니다.

2번 데이터

• 적합한 모델 : Layer가 2개인 모델
• 이유 : 직선 하나만으로는 분류할 수 없는 데이터이기 때문에 Layer가 2개 이상인 모델이 데이터를 분석하는데 적합합니다. hidden layer의 차원을 높이면 분류 정확도가 더 높아지는 것을 볼 수 있습니다.

2. 표지원

---

1번 데이터

• 적합한 모델: Layer가 1개인 모델
• 이유: 데이터가 단순히 선형 경계를 기준으로 나뉘어 분포해 있기 때문.

2번 데이터

• 적합한 모델: Layer가 2개인 모델
• 이유: layer가 1개인 모델에 비해 결정경계를 더 복잡하게(2개로 나누어서) 그릴 수 있기 때문.

3. 설유민

---

1번 데이터

• 적합한 모델: Layer가 1개인 모델
• 이유: 선형 함수로 데이터를 충분히 분류할 수 있기에, 1개의 layer로도 효율적으로 분류 모델을 만들 수 있습니다.

2번 데이터

• 적합한 모델: Layer가 2개 이상인 모델
• 이유: 단순한 선형 함수 1개로 데이터를 구분하기 어렵기 때문에, 다층을 사용해 보다 복잡한 규칙을 표현할 수 있도록 하는 것이 적합합니다.
  💡 같은 생성 규칙으로 소량의 데이터를 생성해 validation을 해보았는데, validation loss와 validation accuracy가 함께 증가하는 현상이 나타났습니다! 직관과는 조금 거리가 있는 결과인데요, 어떤 경우에 이런 결과가 발생할 수 있는지 같이 생각해보면 좋을 것 같아요!

4. 김재명

---

1번 데이터

• 적합한 모델: Layer 1개인 모델
• 이유: 1차 함수로 충분히 분류가능한 데이터임

2번 데이터

• 적합한 모델: Layer 2개 이상의 모델
• 이유: 주어진 데이터를 분류할 수 있는 1차 함수를 찾을 수 없음

5. 강다형

---

1번 데이터

• 적합한 모델: Layer가 1개인 모델
• 이유: 1개의 레이어로도 충분히 분류가능한 데이터입니다. 따라서 굳이 레이어를 추가하여 연산량을 늘릴 필요는 없을 것 같습니다.

2번 데이터

• 적합한 모델: Layer가 2개인 모델
• 이유: 전자와 달리 데이터셋이 단순히 직선 하나로 분류되지 않습니다. 이런 경우 여러층의 레이어를 통해서만 문제를 해결할 수 있는 것 같습니다. 추가로 활성화함수로 시그모이드함수 대신 ReLU함수를 사용할 때, 효과적으로 학습되는 것을 확인할 수 있었습니다.

학습결과

---

[YUNHYUNWOO]

3조

1번 데이터
적합한 모델: 레이어가 1개인 모델
이유: 만들고자 하는 모양이 1차함수이기 때문에 레이어가 1개인 모델로도 충분히 좋은 결과를 얻을 수 있습니다.
학습 결과 스크린샷:

2번 데이터
적합한 모델: 레이어가 2개인 모델
이유: 레이어가 1개인 모델로 학습시키기엔 충분히 복잡한 모양이므로 2개를 사용하는 것이 좋은 결과를 얻을 수 있습니다.
학습 결과 스크린샷:

[ClubTs]

5조
<1번 데이터>
적합한 모델: 레이어가 1개인 모델
이유: y = -x라는 하나의 직선으로 데이터를 분류할 수 있으므로 레이어 하나만 사용하는 모델이 적합하다.

<2번 데이터>
적합한 모델: 레이어가 2개인 모델
이유: 2차원 평면 상에서 직선 하나로 분류가 불가능하기 때문에 레이어를 추가함으로써 공간을 왜곡시켜야하기 때문이다. 뿐만 아니라 은닉층의 차원도 증가를 시켜야 정확한 분류가 가능하다.
(레이어 4개로 학습시킨 결과)

[KangMeanWoo]

강민우

1번 데이터
적합한 모델: Layer 1개인 모델
이유: 1개의 레이어로 분류가 가능한 데이터이기 때문에
학습 결과 스크린샷:

2번 데이터
적합한 모델 : Layer 2개인 모델
이유: 1개의 직선으로는 분류할 수 없는 데이터이기 때문에 Layer을 늘려야 한다.
학습 결과 스크린샷:

[twkang43]

강태욱

1번 데이터

boundary가 1개인 데이터셋이므로, 1개의 layer만으로도 충분히 데이터를 정확하게 분류할 수 있다.
따라서, 1개의 layer model을 통해 데이터를 효율적으로 분류 가능하다.

2번 데이터

boundary가 2개인 데이터셋이므로, 최소 2개 이상의 layer가 필요하다.
모델 튜닝 과정에서 은닉층의 노드 개수를 늘리니 모델이 더 정확해졌다.
하지만, overfitting의 위험이 있으니 적절한 노드 개수를 설정하는 것이 중요할 것 같다.

[mnxcv]

임세훈

1번 데이터

• 적합한 모델: Layer 1개인 모델
• 이유 : 데이터가 선형적으로 분류될 수 있기 때문에 일차함수 꼴로
  표현되는 데이터를 구분할 수 있는 Layer 1개인 모델로 충분하다.

2번 데이터

• 적합한 모델: Layer 2개인 모델
• 이유 : 데이터가 선형적으로 분류될 수 없는 XOR 형태의 데이터이기 때문에 2개 이상의 Layer로 Model을 구성해야 한다.

---

사진

1. 데이터 분포

2. 학습

2-1. 1번 데이터

2-2. 2번 데이터

3. 결과

3-1. 1번 데이터

3-2. 2번 데이터

---

Colab 노트북 주소는
링크에서 확인할 수 있습니다.

[DHki]

김동하

1번 데이터 : Layer 1개를 가지는 모델

1번 데이터는 X가 1차원의 값을 가집니다.
좌표 평면에 있어 하나의 경계선만 그린다면 원하는 기준으로 값을 나눌 수 있기 때문에 1개의 Layer를 가지는 모델이 적합합니다.

2번 데이터 : Layer 2개를 가지는 모델

2번 데이터는 XOR 형식을 가진 데이터입니다.
해당 데이터는, 하나의 선을 이용해서 완전히 예측하기 어려운 구조이기 때문에 더 복잡한 경계선을 그려줄 수 있는
Layer 2개를 가진 모델이 적합합니다.

---

사진

1. 1번 모델을 이용해 1번 데이터를 분류한 사진
   

2. 2개의 계층을 가지는 모델을 이용해 학습 시켰을 때의 loss 변화