02wk: Overview (2)

Overview
Author

최규빈

Published

September 15, 2022

이미지자료분석(2)–이미지자료분석 코드정리 // 추천시스템 // 텍스트분석 // GAN

강의영상

https://youtube.com/playlist?list=PLQqh36zP38-xHtq0dLejN4TbS5H9tbeEa

imports

from fastai.vision.all import *  ## 이미지분석
from fastai.collab import * ## 추천시스템
from fastai.text.all import * ## 텍스트분석 
from fastai.vision.gan import * ## GAN (이미지생성)
import pandas as pd

이미지 자료분석 실습 (지난시간 복습)

1단계: 데이터의 정리

path = untar_data(URLs.PETS)/'images'
100.00% [811712512/811706944 01:23<00:00] 
fnames = get_image_files(path)
?get_image_files
Signature: get_image_files(path, recurse=True, folders=None)
Docstring: Get image files in `path` recursively, only in `folders`, if specified.
File:      ~/anaconda3/envs/py37/lib/python3.7/site-packages/fastai/data/transforms.py
Type:      function

f = lambda fname: 'cat' if fname[0].isupper() else 'dog'
dls=ImageDataLoaders.from_name_func(
    path, 
    fnames,
    f,
    item_tfms = Resize(224))
dls.show_batch()

2단계: lrnr 오브젝트 생성

lrnr = cnn_learner(dls,resnet34,metrics=error_rate) 
/home/cgb4/anaconda3/envs/py37/lib/python3.7/site-packages/fastai/vision/learner.py:284: UserWarning: `cnn_learner` has been renamed to `vision_learner` -- please update your code
  warn("`cnn_learner` has been renamed to `vision_learner` -- please update your code")
/home/cgb4/anaconda3/envs/py37/lib/python3.7/site-packages/torchvision/models/_utils.py:209: UserWarning: The parameter 'pretrained' is deprecated since 0.13 and will be removed in 0.15, please use 'weights' instead.
  f"The parameter '{pretrained_param}' is deprecated since 0.13 and will be removed in 0.15, "
/home/cgb4/anaconda3/envs/py37/lib/python3.7/site-packages/torchvision/models/_utils.py:223: UserWarning: Arguments other than a weight enum or `None` for 'weights' are deprecated since 0.13 and will be removed in 0.15. The current behavior is equivalent to passing `weights=ResNet34_Weights.IMAGENET1K_V1`. You can also use `weights=ResNet34_Weights.DEFAULT` to get the most up-to-date weights.
  warnings.warn(msg)

3단계: lrnr.학습()

  • fine_tune()은 모든 가중치를 학습하는 것이 아니라 일부만 학습하는 것임.
  • fine_tune()이외이 방법으로 학습할 수도 있음.
lrnr.fine_tune(1)
epoch train_loss valid_loss error_rate time
0 0.153413 0.019028 0.004060 00:09
epoch train_loss valid_loss error_rate time
0 0.055954 0.022035 0.008796 00:10

4단계: lrnr.예측()

(방법1) lrnr.predict() 함수를 이용

lrnr.predict('/home/cgb4/.fastai/data/oxford-iiit-pet/images/miniature_pinscher_81.jpg')
('dog', TensorBase(1), TensorBase([0.0014, 0.9986]))

(방법2) lrnr.model(X) 를 이용: X의 shape이 (?,3,224,224)의 형태의 텐서이어야함

X,y = dls.one_batch()
lrnr.model(X[0:1])
TensorBase([[ 10.0084, -10.8716]], device='cuda:0', grad_fn=<AliasBackward0>)
  • 0번 obs에 대한 결과

프로그래밍 과정

프로그래밍 과정 overview

- overview

  1. dls 오브젝트 생성

  2. lrnr 오브젝트 생성

  3. lrnr.학습()

  4. lrnr.예측()

이미지분석, 추천시스템, 텍스트분석, GAN 분석과정 비교

- 비교

이미지분석(CNN) 추천시스템 텍스트분석 GAN
1단계 ImageDataLoaders CollabDataLoaders TextDataLoaders DataBlock -> dls
2단계 cnn_learner() collab_learner() language_model_learner() GANLearner.wgan()
3단계 lrnr.fine_tune(1) lrnr.fit() lrnr.fit() lrnr.fit()
4단계 lrnr.predict(), lrnr.model(X) lrnr.model(X) lrnr.predict()

추천시스템 실습

1단계

df_view = pd.read_csv('https://raw.githubusercontent.com/guebin/DL2022/master/_notebooks/2022-09-08-rcmd_view.csv')
df_view
커피1 커피2 커피3 커피4 커피5 커피6 커피7 커피8 커피9 커피10 홍차1 홍차2 홍차3 홍차4 홍차5 홍차6 홍차7 홍차8 홍차9 홍차10
0 4.149209 NaN NaN 4.078139 4.033415 4.071871 NaN NaN NaN NaN 1.142659 1.109452 NaN 0.603118 1.084308 NaN 0.906524 NaN NaN 0.903826
1 4.031811 NaN NaN 3.822704 NaN NaN NaN 4.071410 3.996206 NaN NaN 0.839565 1.011315 NaN 1.120552 0.911340 NaN 0.860954 0.871482 NaN
2 4.082178 4.196436 NaN 3.956876 NaN NaN NaN 4.450931 3.972090 NaN NaN NaN NaN 0.983838 NaN 0.918576 1.206796 0.913116 NaN 0.956194
3 NaN 4.000621 3.895570 NaN 3.838781 3.967183 NaN NaN NaN 4.105741 1.147554 NaN 1.346860 NaN 0.614099 1.297301 NaN NaN NaN 1.147545
4 NaN NaN NaN NaN 3.888208 NaN 3.970330 3.979490 NaN 4.010982 NaN 0.920995 1.081111 0.999345 NaN 1.195183 NaN 0.818332 1.236331 NaN
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
95 0.511905 1.066144 NaN 1.315430 NaN 1.285778 NaN 0.678400 1.023020 0.886803 NaN 4.055996 NaN NaN 4.156489 4.127622 NaN NaN NaN NaN
96 NaN 1.035022 NaN 1.085834 NaN 0.812558 NaN 1.074543 NaN 0.852806 3.894772 NaN 4.071385 3.935935 NaN NaN 3.989815 NaN NaN 4.267142
97 NaN 1.115511 NaN 1.101395 0.878614 NaN NaN NaN 1.329319 NaN 4.125190 NaN 4.354638 3.811209 4.144648 NaN NaN 4.116915 3.887823 NaN
98 NaN 0.850794 NaN NaN 0.927884 0.669895 NaN NaN 0.665429 1.387329 NaN NaN 4.329404 4.111706 3.960197 NaN NaN NaN 3.725288 4.122072
99 NaN NaN 1.413968 0.838720 NaN NaN 1.094826 0.987888 NaN 1.177387 3.957383 4.136731 NaN 4.026915 NaN NaN 4.164773 4.104276 NaN NaN

100 rows × 20 columns

  • 컴퓨터가 좋아하는 데이터 타입은 아님

- 컴퓨터가 좋아하는 자료

df=pd.read_csv('https://raw.githubusercontent.com/guebin/DL2022/master/_notebooks/2022-09-08-rcmd_anal.csv')
df
user item rating item_name
0 1 15 1.084308 홍차5
1 1 1 4.149209 커피1
2 1 11 1.142659 홍차1
3 1 5 4.033415 커피5
4 1 4 4.078139 커피4
... ... ... ... ...
995 100 18 4.104276 홍차8
996 100 17 4.164773 홍차7
997 100 14 4.026915 홍차4
998 100 4 0.838720 커피4
999 100 7 1.094826 커피7

1000 rows × 4 columns

- 유저와 아이템의 인덱스 정리

df.user.unique(), df.item.unique()
(array([  1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,  13,
         14,  15,  16,  17,  18,  19,  20,  21,  22,  23,  24,  25,  26,
         27,  28,  29,  30,  31,  32,  33,  34,  35,  36,  37,  38,  39,
         40,  41,  42,  43,  44,  45,  46,  47,  48,  49,  50,  51,  52,
         53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,  65,
         66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,  78,
         79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,  91,
         92,  93,  94,  95,  96,  97,  98,  99, 100]),
 array([15,  1, 11,  5,  4, 14,  6, 20, 12, 17,  8,  9, 13, 19, 18, 16,  2,
         3, 10,  7]))
  • 유저는 1-100 까지 번호가 매겨짐
  • 아이템은 1-20 까지 번호가 매겨짐
dls = CollabDataLoaders.from_df(df)
dls.show_batch()
user item rating
0 11 17 0.960800
1 61 17 3.909415
2 31 2 4.050969
3 17 17 1.096392
4 62 9 0.742943
5 46 17 0.833476
6 12 2 3.812937
7 90 20 3.903833
8 64 5 1.328967
9 85 3 0.693932 
X,y = dls.one_batch()
X[:10]
tensor([[64,  6],
        [86,  3],
        [84, 14],
        [42, 18],
        [49,  8],
        [15, 19],
        [53, 11],
        [13, 12],
        [74, 16],
        [25, 14]])
y[:5]
tensor([[0.9451],
        [0.8993],
        [4.0129],
        [0.7864],
        [3.7636]])

2단계

lrnr = collab_learner(dls, y_range=(0,5))

3단계

lrnr.fit(10)
epoch train_loss valid_loss time
0 0.035896 0.044345 00:00
1 0.035299 0.044548 00:00
2 0.035174 0.044936 00:00
3 0.035359 0.045408 00:00
4 0.035180 0.045514 00:00
5 0.034807 0.046011 00:00
6 0.034429 0.046395 00:00
7 0.034163 0.046817 00:00
8 0.033940 0.047022 00:00
9 0.033884 0.047236 00:00

4단계

- 이미 있는 데이터를 예측

lrnr.model(X.to("cuda:0"))
tensor([0.9894, 0.9968, 4.1498, 0.9097, 4.0571, 1.0113, 3.8838, 0.8962, 4.0603,
        1.1188, 3.9837, 3.9908, 4.0775, 4.1657, 4.0407, 1.0694, 3.8324, 1.0445,
        1.0275, 0.9045, 3.8887, 4.0168, 3.8125, 3.9972, 1.0710, 0.9687, 0.9342,
        3.9129, 0.8585, 4.1423, 0.9783, 1.0044, 4.1366, 0.8986, 1.2504, 1.0086,
        3.9337, 1.1220, 0.9493, 1.0758, 0.9694, 4.0556, 0.9549, 1.0312, 4.0246,
        1.1666, 4.0489, 4.1264, 1.0699, 3.7826, 4.2048, 3.9758, 4.1614, 1.0629,
        1.0447, 1.0123, 0.8838, 1.0406, 3.9522, 1.0259, 4.0523, 1.0417, 3.9562,
        3.9449], device='cuda:0', grad_fn=<AddBackward0>)
y.reshape(-1)
tensor([0.9451, 0.8993, 4.0129, 0.7864, 3.7636, 0.9507, 4.1551, 0.6014, 4.0648,
        0.9704, 4.0714, 3.8687, 4.0553, 3.8141, 3.9967, 1.0482, 3.7097, 1.0794,
        0.8947, 0.8144, 3.5164, 3.8604, 3.7402, 4.0649, 1.0261, 1.0894, 0.8515,
        3.9947, 0.8541, 3.7918, 1.0113, 0.7114, 4.0840, 0.8953, 1.3570, 1.2247,
        3.7839, 1.2259, 0.8335, 0.9166, 0.8183, 4.0661, 0.9404, 0.6141, 4.0646,
        0.9350, 4.3938, 3.8240, 1.1155, 3.8708, 4.3127, 3.7778, 3.9387, 1.0811,
        0.9899, 1.0573, 0.8246, 0.8015, 3.9672, 1.1892, 4.3997, 0.9129, 4.2277,
        3.7051])

- 첫번째 유저가 커피2를 먹었을때? -> 예상: 4점근처..?

Xnew = tensor([[1,  2]]) # 첫번째 유저가 2번째 아이템을 먹었을때 
lrnr.model(Xnew.to("cuda:0")) # 첫번째 유저가 2번째 아이템을 먹었을때 
tensor([3.9528], device='cuda:0', grad_fn=<AddBackward0>)

텍스트분석 실습

1단계

df = pd.DataFrame({'text':['h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??']*20000})
df
text
0 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
1 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
2 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
3 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
4 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
... ...
19995 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
19996 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
19997 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
19998 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??
19999 h e l l o . h e l l o ! h e l l o ? h e l l o !! h e l l o ??

20000 rows × 1 columns

dls = TextDataLoaders.from_df(df,text_col='text',is_lm=True)
dls.show_batch()
text text_
0 xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o .
1 ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o
2 ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l
3 o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l
4 l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e
5 l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h
6 e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos
7 h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ?
8 ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ? ? xxbos h e l l o . h e l l o ! h e l l o ? h e l l o ! ! h e l l o ?
  • xxbos는 하나의 내용이 끝나고 다른 내용이 시작된다는 의미

2단계

lrnr = language_model_learner(dls, AWD_LSTM)

3단계

lrnr.fit(1)
epoch train_loss valid_loss time
0 0.609508 0.249602 00:11

4단계

lrnr.predict('h e',n_words=30)
'h e l l o . h e l l l o ? h e l l l o ? ? h e l l o ! h e l l'

GAN intro

- 저자: 이안굿펠로우 - 천재임 - 지도교수가 요수아 벤지오

- 논문 NIPS, 저는 이 논문 읽고 소름돋았어요.. - https://arxiv.org/abs/1406.2661 (현재시점, 38751회 인용되었음 \(\to\) 48978회 인용..)

- 최근 10년간 머신러닝 분야에서 가장 혁신적인 아이디어이다. (얀르쿤, 2014년 시점..)

- 무슨내용? 생성모형

생성모형이란? (쉬운 설명)

만들수 없다면 이해하지 못한 것이다, 리처드 파인만 (천재 물리학자)

- 사진속에 들어있는 동물이 개인지 고양이인지 맞출수 있는 기계와 개와 고양이를 그릴수 있는 기계중 어떤것이 더 시각적보에 대한 이해가 깊다고 볼수 있는가?

- 진정으로 인공지능이 이미지를 이해했다면, 이미지를 만들수도 있어야 한다. \(\to\) 이미지를 생성하는 모형을 만들어보자 \(\to\) 성공

GAN의 응용분야

- 내가 찍은 사진이 피카소의 화풍으로 표현된다면?

- 퀸의 라이브에이드가 4k로 나온다면?

- 1920년대 서울의 모습이 칼라로 복원된다면?

- 딥페이크: 유명인의 가짜 포르노, 가짜뉴스, 협박(거짓기소)

- 게임영상 (파이널판타지)

- 거북이의 커버..

- 너무 많아요…..

생성모형이란? 통계학과 버전의 설명

제한된 정보만으로 어떤 문제를 풀 때, 그 과정에서 원래의 문제보다 일반적인 문제를 풀지 말고, 가능한 원래의 문제를 직접 풀어야한다. 배프닉 (SVM 창시자)

- 이미지 \(\boldsymbol{x}\)가 주어졌을 경우 라벨을 \(y\)라고 하자.

- 이미지를 보고 라벨을 맞추는 일은 \(p(y| \boldsymbol{x})\)에 관심이 있다.

- 이미지를 생성하는 일은 \(p(\boldsymbol{x},y)\)에 관심이 있는것이다.

- 데이터의 생성확률 \(p(\boldsymbol{x},y)\)을 알면 클래스의 사후확률 \(p(y|\boldsymbol{x})\)를 알 수 있음. (아래의 수식 참고) 하지만 역은 불가능

\[p(y|x) = \frac{p(x,y)}{p(x)} = \frac{p(x,y)}{\sum_{y}p(x,y)} \]

  • 즉 이미지를 생성하는일은 분류문제보다 더 어려운 일이라 해석가능

- 따라서 배프닉의 원리에 의하면 식별적 분류가 생성적 분류보다 바람직한 접근법이라 할 수 있음.

- 하지만 다양한 현실문제에서 생성모형이 유용할때가 많다.

GAN의 원리

- GAN은 생성모형중 하나임

- GAN의 원리는 경찰과 위조지폐범이 서로 선의의(?) 경쟁을 통하여 서로 발전하는 모형으로 설명할 수 있다.

The generative model can be thought of as analogous to a team of counterfeiters, trying to produce fake currency and use it without detection, while the discriminative model is analogous to the police, trying to detect the counterfeit currency. Competition in this game drives both teams to improve their methods until the counterfeits are indistiguishable from the genuine articles.

- 서로 적대적인(adversarial) 네트워크(network)를 동시에 학습시켜 가짜이미지를 만든다(generate)

- 무식한 상황극..

  • 위조범: 가짜돈을 만들어서 부자가 되어야지! (가짜돈을 그림)
  • 경찰: (위조범이 만든 돈을 보고) 이건 가짜다!
  • 위조범: 걸렸군.. 더 정교하게 만들어야지..
  • 경찰: 이건 진짠가?… –> 상사에게 혼남. 그것도 구분못하냐고
  • 위조범: 더 정교하게 만들자..
  • 경찰: 더 판별능력을 업그레이드 하자!
  • 반복..

- 굉장히 우수한 경찰조차도 진짜와 가짜를 구분하지 못할때(=진짜 이미지를 0.5의 확률로만 진짜라고 말할때 = 가짜 이미지를 0.5의 확률로만 가짜라고 말할때) 학습을 멈춘다.

GAN 실습

1단계

path = untar_data(URLs.MNIST_SAMPLE)
dblock = DataBlock(blocks=(TransformBlock,ImageBlock),
          get_x = generate_noise,
          get_items=get_image_files,
          item_tfms=Resize(32))
dls = dblock.dataloaders(path) 
dls.show_batch()

2단계

counterfeiter = basic_generator(32,n_channels=3,n_extra_layers=1)
police = basic_critic(32,n_channels=3,n_extra_layers=1)
lrnr = GANLearner.wgan(dls,counterfeiter,police)

3단계

- lrnr.fit(10) 진행

lrnr.fit(10)
/home/cgb4/anaconda3/envs/py37/lib/python3.7/site-packages/fastai/callback/core.py:69: UserWarning: You are shadowing an attribute (generator) that exists in the learner. Use `self.learn.generator` to avoid this
  warn(f"You are shadowing an attribute ({name}) that exists in the learner. Use `self.learn.{name}` to avoid this")
/home/cgb4/anaconda3/envs/py37/lib/python3.7/site-packages/fastai/callback/core.py:69: UserWarning: You are shadowing an attribute (critic) that exists in the learner. Use `self.learn.critic` to avoid this
  warn(f"You are shadowing an attribute ({name}) that exists in the learner. Use `self.learn.{name}` to avoid this")
/home/cgb4/anaconda3/envs/py37/lib/python3.7/site-packages/fastai/callback/core.py:69: UserWarning: You are shadowing an attribute (gen_mode) that exists in the learner. Use `self.learn.gen_mode` to avoid this
  warn(f"You are shadowing an attribute ({name}) that exists in the learner. Use `self.learn.{name}` to avoid this")
epoch train_loss valid_loss gen_loss crit_loss time
0 -0.532201 0.440801 0.440801 -0.726502 00:02
1 -0.572863 0.292201 0.292201 -0.762671 00:02
2 -0.580544 0.365955 0.365955 -0.764500 00:02
3 -0.578211 0.283310 0.283310 -0.760000 00:02
4 -0.574836 0.292477 0.292477 -0.760881 00:02
5 -0.559277 0.333989 0.333989 -0.720299 00:02
6 -0.477380 0.213629 0.213629 -0.643177 00:02
7 -0.531273 0.235818 0.235818 -0.432077 00:02
8 -0.551595 0.282958 0.282958 -0.723118 00:02
9 -0.494749 0.308528 0.308528 -0.711895 00:03 
lrnr.show_results()

- lrnr.fit(10) 추가로 진행 // 총20회

lrnr.fit(10)
epoch train_loss valid_loss gen_loss crit_loss time
0 -0.419668 0.087052 0.087052 -0.237243 00:02
1 -0.543500 0.329471 0.329471 -0.734705 00:02
2 -0.529323 0.215306 0.215306 -0.719122 00:02
3 -0.533282 0.299712 0.299712 -0.719879 00:02
4 -0.492712 0.277884 0.277884 -0.696638 00:02
5 -0.524883 0.277088 0.277088 -0.720916 00:02
6 -0.543268 0.260537 0.260537 -0.726659 00:02
7 -0.436168 0.298683 0.298683 -0.533639 00:02
8 -0.398121 0.386021 0.386021 -0.575905 00:02
9 -0.473424 0.259428 0.259428 -0.680931 00:02 
lrnr.show_results()

- lrnr.fit(10) 추가로 진행 // 총30회

lrnr.fit(10)
epoch train_loss valid_loss gen_loss crit_loss time
0 -0.460563 0.232739 0.232739 -0.672230 00:02
1 -0.444508 0.213786 0.213786 -0.622139 00:02
2 -0.388439 0.238852 0.238852 -0.307610 00:02
3 -0.426316 0.354313 0.354313 -0.563799 00:02
4 -0.414099 0.322855 0.322855 -0.595307 00:02
5 -0.388728 0.184913 0.184913 -0.584780 00:02
6 -0.370009 0.174675 0.174675 -0.578049 00:02
7 -0.351684 0.153075 0.153075 -0.500779 00:02
8 -0.272257 0.293494 0.293494 -0.026133 00:02
9 -0.147323 0.130281 0.130281 -0.062606 00:02 
lrnr.show_results()

- lrnr.fit(30) 추가로 진행 // 총60회

lrnr.fit(30)
epoch train_loss valid_loss gen_loss crit_loss time
0 -0.266713 0.326697 0.326697 -0.360351 00:02
1 -0.204794 -0.024827 -0.024827 -0.078930 00:02
2 -0.182044 0.218660 0.218660 -0.217780 00:02
3 -0.159330 -0.333503 -0.333503 -0.023529 00:02
4 -0.175804 0.490546 0.490546 -0.316850 00:02
5 -0.060805 0.017926 0.017926 -0.039713 00:02
6 -0.157659 0.368752 0.368752 -0.572124 00:02
7 -0.014943 0.071575 0.071575 -0.003522 00:02
8 -0.066916 0.074913 0.074913 -0.086654 00:02
9 -0.044177 0.315838 0.315838 -0.045339 00:02
10 -0.033223 0.011908 0.011908 -0.075365 00:02
11 -0.046094 0.430091 0.430091 -0.120811 00:02
12 -0.077078 0.026633 0.026633 -0.145710 00:02
13 -0.057786 0.120790 0.120790 -0.020656 00:02
14 -0.078144 -0.212062 -0.212062 -0.078650 00:02
15 -0.071753 0.190012 0.190012 -0.377307 00:02
16 -0.046076 -0.214998 -0.214998 0.011535 00:02
17 -0.029732 -0.085049 -0.085049 -0.021675 00:02
18 -0.038285 0.106664 0.106664 -0.088883 00:02
19 -0.016875 -0.099856 -0.099856 -0.034580 00:02
20 -0.008266 0.152775 0.152775 -0.025161 00:02
21 -0.024998 0.002830 0.002830 -0.048660 00:02
22 -0.039477 -0.267699 -0.267699 0.003434 00:02
23 -0.002846 0.028195 0.028195 -0.033808 00:02
24 -0.017525 -0.034921 -0.034921 -0.025195 00:02
25 -0.022841 0.010736 0.010736 -0.006746 00:02
26 -0.040269 0.132911 0.132911 -0.139113 00:02
27 -0.014493 -0.010516 -0.010516 -0.037637 00:02
28 -0.052681 0.244386 0.244386 -0.034104 00:02
29 -0.059834 -0.129023 -0.129023 -0.052899 00:02 
lrnr.show_results()

4단계 (없음)