2023 ver. 1. oracle site 회원가입 2. Developers - Developer Resource Center 3. DownLoad - DataBase 4. DataBase Express Edition 5. Prior Release Archive 6. Oracle DataBase 18c Express Edition for Windows x64 7. setup.exe “관리자 권한으로 실행”
* 설치 중 Oracle DataBase 정보: PW -> 향후 oracle DB 접속 시 사용할 PW
Oracle DBMS는 server program으로 사용자가 server program에 접근할 수 있도록 하는 사용자 interface인 client program이 필요 → Oracle에서는 client program으로 consol 기반의 SQL Plus / window 기반의 SQL developer의 utility 제공 → client program을 통해서 사용자로부터 정보를 입력받아 server program과 통신하여 실행하고 그 결과를 사용자에게 보여줌
SQL plus 실행 및 접속
1. SQL Plus 실행 2. sys as sysdba 입력 및 설치 시, 설정한 비밀번호 입력
# save_model_and_weights.py
import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler, StandardScaler
from sklearn.metrics import mean_squared_error, r2_score
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Input
from tensorflow.keras.callbacks import EarlyStopping
# Model save
path = './_save/' # ./ 현재(STUDY) dir
# path = '../_save/' # ../ 상위 dir
# path = 'c:/study/_save/' # 경로 대소문자 구분 X
# 1. Data
dataset = load_boston()
x = dataset.data # for training
y = dataset.target # for predict
x_train, x_test, y_train, y_test = train_test_split(
x, y,
train_size=0.7,
random_state=123
)
scaler = MinMaxScaler()
scaler.fit(x_train)
x_train = scaler.transform(x_train)
x_test = scaler.transform(x_test)
# 2. Model(Function)
input1 = Input(shape=(13,))
dense1 = Dense(64, activation='relu')(input1)
dense2 = Dense(32, activation='relu')(dense1)
output1 = Dense(1, activation='linear')(dense2)
model = Model(inputs=input1, outputs=output1)
# save model before training
model.save(path+'save_model1.h5')
# save weights before training(훈련이 되지 않은 가중치이므로 사용X)
model.save_weights(path +'save_weights1.h5')
# 3. compile and train
model.compile(loss='mse', optimizer='adam', metrics=['mae'])
earlyStopping = EarlyStopping(monitor='val_loss', mode='min', patience=32, restore_best_weights=True, verbose=1)
hist = model.fit(x_train, y_train,
epochs=512,
batch_size=16,
validation_split=0.2,
callbacks=[earlyStopping],
verbose=1)
# save model and weight after training
model.save(path+'save_model2.h5')
# save weights after training
model.save_weights(path+'save_weights2.h5')
# 4. evaluate and predict
loss = model.evaluate(x_test, y_test)
y_predict = model.predict(x_test)
def RMSE (y_test, y_predict):
return np.sqrt(mean_squared_error(y_test, y_predict))
print("RMSE: ", RMSE(y_test, y_predict))
r2 = r2_score(y_test, y_predict)
print("R2: ", r2)
'''
Result
RMSE: 4.122959900727362
R2: 0.7896919500228364
'''
* 훈련 전
- model.save(path+'save_model1.h5')
: model 및 weights 저장
: ⚠️ 훈련 전이므로 저장된 weights는 사용 X - model.save_weights(path +'save_weights1.h5')
: weights 저장
:⚠️ 훈련 전이므로 저장된 weights는 사용 X
** 훈련 후
- model.save(path+'save_model2.h5')
: model 및 weights 저장
model.save_weights(path+'save_weights2.h5')
: weights 저장
2. Load model and weights
# load_model_and_weights.py
import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler, StandardScaler
from sklearn.metrics import mean_squared_error, r2_score
from tensorflow.keras.models import Sequential, Model, load_model
from tensorflow.keras.layers import Dense, Input
# saved model path
path = './_save/' # ./ 현재(STUDY) dir
# path = '../_save/' # ../ 상위 dir
# path = 'c:/study/_save/' # 경로 대소문자 구분 X
# 1. Data
dataset = load_boston()
x = dataset.data # for training
y = dataset.target # for predict
x_train, x_test, y_train, y_test = train_test_split(
x, y,
train_size=0.7,
random_state=123
)
# scaler = StandardScaler()
scaler = MinMaxScaler()
scaler.fit(x_train)
x_train = scaler.transform(x_train)
x_test = scaler.transform(x_test)
# 2. Model(Function)
model = load_model(path+'save_model1.h5')
# save_model1.h5와 동일한 모델 구성 반환
# Model Construction 생략 가능
# 3. compile and train
model = load_model(path + 'save_model2.h5')
# save_model2.h5와 동일한 모델 구성 및 가중치 반환
# Model construction, compile and train 생략 가능
# 4. evaluate and predict
loss = model.evaluate(x_test, y_test)
y_predict = model.predict(x_test)
def RMSE (y_test, y_predict):
return np.sqrt(mean_squared_error(y_test, y_predict))
print("RMSE: ", RMSE(y_test, y_predict))
r2 = r2_score(y_test, y_predict)
print("R2: ", r2)
'''
Result
RMSE: 4.122959900727362
R2: 0.7896919500228364
'''
* 훈련 전
- model = load_model(path+'save_model1.h5')
: 저장된 model 및 weights 불러오기
⚠️ 훈련 전이므로 저장된 weights는 무의미 - model.load_weights(path + 'save_weights1.h5')
: 저장된 weights 불러오기
⚠️ weights를 가져왔으므로 fit 필요없으나, 훈련 전 저장된 weights 무의미
** 훈련 후
- model = load_model(path + 'save_model2.h5')
: 저장된 model 및 weights 불러오기
- model.load_weights(path + 'save_weights2.h5')
: 저장된 weights 불러오기
⚠️RuntimeError: You must compile your model before training/testing. Use `model.compile(optimizer, loss)`. ⚠️ 가중치만 저장(Model 및 Compile 저장 X) -> 모델 구성 후 compile 필요
➕ weight만 따로 save 하는 이유 → 큰 모델의 모델 및 가중치 저장 시, 파일의 크기가 큼(불러오기에서 문제가 발생할 가능성 존재)
→사이즈가 상대적으로 작은 훈련 결과 가중치만 저장하여 안전하게 불러오기
➕ 파일 확장자 .h5와 .hdf5
.h5 = .hdf5
HDF5는 Hierarchical Data Format이며 self-describing이 되는 고성능 데이터포맷 또는 DB
HDF5 파일을 생성하면 먼저 /라는 루트 그룹이 생성되고 그 하위에 트리 구조로 다른 그룹을 생성할 수 있음
그룹 하위에 다른 그룹이 있을 수도 있고, 데이터셋이 존재할 수도 있으며 운영체계의 디렉토리-파일 구조와 일치
# minMaxScaler_california.py
import numpy as np
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler, StandardScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.callbacks import EarlyStopping
# 1. Data
datasets = fetch_california_housing()
x = datasets.data
y = datasets.target
x_train, x_test, y_train, y_test = train_test_split(
x, y,
test_size=0.2,
shuffle= True,
random_state = 333
)
# scaler = StandardScaler()
scaler = MinMaxScaler()
scaler.fit(x_train)
x_train = scaler.transform(x_train)
x_test = scaler.transform(x_test)
# 2. Model Construction
model = Sequential()
model.add(Dense(64, input_shape=(8,)))
model.add(Dense(64))
model.add(Dense(32))
model.add(Dense(1))
# 3. Compile and train
model.compile(loss='mae', optimizer='adam')
earlyStopping = EarlyStopping(monitor='val_loss', mode='min', patience=32, restore_best_weights=True, verbose=1)
hist = model.fit(x_train, y_train,
epochs=512,
batch_size=16,
validation_split=0.2,
callbacks=[earlyStopping],
verbose=1)
# 4. evaluate and predict
loss = model.evaluate(x_test, y_test)
y_predict = model.predict(x_test)
from sklearn.metrics import mean_squared_error, r2_score
def RMSE (y_test, y_predict):
return np.sqrt(mean_squared_error(y_test, y_predict))
print("RMSE: ", RMSE(y_test, y_predict))
r2 = r2_score(y_test, y_predict)
print("R2: ", r2)
'''
Result
RMSE: 0.7262463681006281
R2: 0.586027099412155
'''
⭐ Scaling 대상
⚠️ Raw data에 scaler를 진행 할 경우, training data와 test data의 scaler에 공백이 발생(예: 0~0.8) → total data가 아닌 training data를 scaler 처리(training: 0~1) → scaling 처리 된 train data의 가중치를 따르며 해당 가중치를 test data에 적용
