프로젝트 시작하기
시작하려면 Node/NPM이 설치돼 있어야 한다. 새 디렉터리를 만들고 npm init을 실행하고 기본값 그대로 둔다. 그 다음 npm i tensorflow/tfjs를 입력해 텐서플로우를 설치한다. 이것이 이 데모에서 필요한 유일한 종속 항목이다. 애플리케이션은 다음 3개 파일로 구성된다.- predict.js : 명령줄 상호작용 처리
- fetchPriceData.js : 가격 데이터 가져오기
- >trainAndPredict.js : 예측 수행
predict.js는 명령줄 인수를 처리하는 일반적인 Node.js다. 인수를 정리하기 위한 몇 가지 유용한 기능이 추가됐지만 여기서는 다루지 않는다. 기본 개념은 사용자가 predict.js를 실행하고 다음 3개 인수를 전달하는 것이다.
- 비트코인, 솔라나 등 토큰 기호
- 종료 날짜
- 돌아갈 일 수
아무것도 제공하지 않으면 프로그램의 기본값인 각각 비트코인, 오늘 종료, 90일 이전으로 돌아가기로 설정된다.
예측 설정
여기서는 과거 데이터를 반환하는 방식을 다루는 API인 CoinGecko API를 사용한다. 이 API는 기간 범위가 90일을 초과하면 자동으로 시간 대신 일 간격을 사용한다. 여기서 사용하는 코드는 두 경우 모두 처리하지만 기본적으로 3개월 분량의 시간 데이터를 사용하고 종료 날짜는 오늘이다. 참고로 CoinGecko가 원하는 타임스탬프는 밀리초가 아닌 초 단위다. 시작과 종료 날짜 계산에 1000이 사용된 이유도 이 때문이다. <예시 1>에서 predict.js 파일을 볼 수 있다.<예시 1> predict.js
const trainAndPredict = require('./trainAndPredict.js');
const [tokenSymbol] = process.argv.slice(2);
// Set default if argument not provided
const defaultTokenSymbol = 'bitcoin';
// CoinGecko likes timestamps in seconds, not ms
const endDate = new Date(Date.now()) / 1000;
const startDate = new Date((endDate * 1000) - 90 * 24 * 60 * 60 * 1000);
// Use default values if arguments are not present
const finalTokenSymbol = tokenSymbol || defaultTokenSymbol;
async function main(){
try {
const { timePrices, predictTime, actualPrice } = await fetchPriceData(finalTokenSymbol, startDate, endDate);
const results = await trainAndPredict(timePrices, predictTime);
console.log(`Prediction for ${new Date(predictTime)}: ${results} `);
console.log(`Actual: ${actualPrice}`);
} catch (error) {
console.error('Error:', error);
}
}
main();
이 코드는 가져올 모듈 2개를 만들기 전까지는 실행되지 않는다. predict.js는 fetchPriceData와 trainAndPredict 모듈을 사용해 가격 데이터를 가져오고 AI를 실행한다. fetchPriceData 모듈은 다음 3가지 항목을 반환한다.
- 타임스탬프와 가격의 배열
- 비트코인 가격 예측에 사용된 타임스탬프
- 그 시점의 실제 가격
실제 가격을 사용해 AI의 예측을 실제 가격과 비교한다.
가격 데이터 가져오기
가격 데이터를 가져오기 위해 CoinGecko API를 사용해 <예시 2>와 같이 fetchPriceData 모듈을 정의한다.<예시 2> fetchPriceData.js
try {
const url =
`https://api.coingecko.com/api/v3/coins/${tokenSymbol}/market_chart/range?vs_currency=usd&from=${fromTimestamp}&to=${toTimestamp}`;
console.info("Getting price data from: " + url);
const response = await fetch(url);
const data = await response.json();
console.info(`Got ${data.prices.length} data points`);
if (data && data.prices) {
const lastElement = data.prices.pop();
const pricesButLast = data.prices.slice(0, data.prices.length - 1);
return { timePrices: pricesButLast, predictTime: lastElement[0], actualPrice: lastElement[1] };
} else {
console.log('No price data available.');
return { timePrices: [], predictTime: null, actualPrice: null };
}
} catch (error) {
console.error('Error fetching data:', error.message);
return { timePrices: [], predictTime: null, actualPrice: null };
}
}
module.exports = fetchPriceData;
CoinGecko API는 api.coingecko.com/api/에 있다. market_chart/range 엔드포인트를 사용해 날짜 범위와 토큰 ID를 정의할 수 있다. vs_currency 매개변수는 척도로 사용할 명목화폐를 지정하는데, 여기서는 usd로 하드코딩됐다. 더 자세한 내용은 설명서와 소개서를 참고하면 된다. 완전한 기능을 갖춘 API이며 대부분 기능을 API 키 없이 사용할 수 있다. predict.js에서 전달된 인수를 다음과 같이 엔드포인트 URL에 집어넣는다.
여기에 실제로 일부 데이터를 연결하면 브라우저에서 URL을 열어 형식을 볼 수 있다. 예를 들어 다음을 연결해 보자.
참고로 시간은 유닉스 타임스탬프 형식으로 돼 있다. 노드 버전 14에 통합된 Fetch API로 이 URL을 사용한다. 그런 다음 JSON 구조를 탐색해 data.prices에서 실제 가격 목록을 얻는다. 여기에는 2차원 배열이 [timestamp, price] 구조로 저장된다.
학습 및 예측
다음으로 몇 가지 조작을 했는데 얼핏 이상해 보일 수 있지만 마지막 시간/가격 쌍을 데이터 집합의 끝에서 제거하기 위한 것이다. 이렇게 하면 AI 모델이 나머지로 학습할 수 있다. 그런 다음 모델에 마지막 타임스탬프를 제공하고 예측을 받아서 실제 가격과 비교할 수 있다. 여기까지 하면 데이터가 저장된 3개의 필드가 있는 객체가 반환된다.predict.js로 돌아와서, 이 데이터를 받으면 trainAndPredict를 호출할 준비가 된다. trainAndPredict는 시간/가격 데이터와 타임스탬프를 받고 값, 즉 예측을 반환한다. <예시 3>에서 trainAndPredict 모듈을 위한 코드를 볼 수 있다.
<예시 3> trainAndPredict
// Extract timestamps and prices from the data
const timestamps = timeAndPriceData.map(([timestamp, price]) => timestamp);
const prices = timeAndPriceData.map(([timestamp, price]) => price);
// Normalize and scale the data
const minTimestamp = Math.min(...timestamps);
const maxTimestamp = Math.max(...timestamps);
const minPrice = Math.min(...prices);
const maxPrice = Math.max(...prices);
const normalizedTimestamps = timestamps.map(ts => (ts - minTimestamp) / (maxTimestamp - minTimestamp));
const normalizedPrices = prices.map(price => (price - minPrice) / (maxPrice - minPrice));
// Convert data to TensorFlow tensors
const X = tf.tensor1d(normalizedTimestamps);
const y = tf.tensor1d(normalizedPrices);
// Create a simple linear regression model
const model = tf.sequential();
model.add(tf.layers.dense({ units: 1, inputShape: [1] }));
model.add(tf.layers.dense({ units: 1, inputShape: [1] }));
model.add(tf.layers.dense({ units: 1, inputShape: [1] }));
// Compile the model
model.compile({ optimizer: 'sgd', loss: 'meanSquaredError' });
// Train the model
await model.fit(X, y, { epochs: 100 });
// Normalize the new timestamp for prediction
const normalizedNewTimestamp = (newTimestamp - minTimestamp) / (maxTimestamp - minTimestamp);
// Predict the normalized price for the new timestamp
const normalizedPredictedPrice = model.predict(tf.tensor1d([normalizedNewTimestamp]));
// Scale the predicted price back to the original range
const predictedPrice = normalizedPredictedPrice.mul(maxPrice - minPrice).add(minPrice);
return predictedPrice.dataSync()[0];
}
module.exports = trainAndPredict;
<예시 3>부터 머신러닝 코드로 들어가기 시작한다. 여기서부터는 기본적인 머신러닝 개념을 이해하는 것이 도움이 될 것이다.
모델 학습
먼저 시간과 가격, 두 개의 데이터 요소를 개별적인 변수로 추출한 다음 정규화한다. 정규화를 사용한 데이터 전처리는 신경망에서 일반적인 일이다. 기본적으로 여기서 하는 일은 두 데이터 집합의 분산이 서로 근접하도록 하는 것이다. 구체적으로, 두 데이터 집합의 값을 0~1 범위로 압축한다. 이렇게 하면 최소 오차를 찾는 경사 하강 알고리즘의 효율성이 높아지고 국지적 극소(local minima)에 갇히는 현상을 방지하는 데 도움이 된다.두 값에 대한 정규화 연산은 최대 및 최솟값을 찾고 실제 값에서 최솟값을 뺀 다음 최댓값에서 최솟값을 빼서 나오는 값으로 나누는 과정으로 구성된다. 다음으로, 데이터를 사용해 텐서플로우의 기본적인 빌딩 블록인 텐서를 만든다. 텐서는 n-차원으로 벡터를 강화한 것과 같다. 텐서는 차원 간의 상호작용을 위한 복잡한 연산을 지원한다. 텐서플로우를 사용하면 데이터를 텐서로 모델링한 다음 이 데이터를 사용해 모델을 학습시킬 수 있다. 실제 텐서 사용에 대한 더 자세한 내용은 텐서플로우 가이드에서 볼 수 있다. 이번 예제에서 필요한 텐서는 시간과 가격에 대한 2개의 1차원 벡터가 전부다. tensor1d()를 호출하면 된다.
이제 신경망을 만들고 레이어를 추가한다. 간단한 “순차” 네트워크를 사용한다. 열에 각 레이어가 있고, model.add(tf.layers.dense({ units: 1, inputShape: [1] }))를 사용해 추가한다. 각각은 신경망의 뉴런 레이어다. “dense”는 각 뉴런이 다음 레이어의 다른 모든 뉴런과 연결된다는 것을 의미한다. 매우 기초적인 레이어다. 텐서플로우에는 예를 들어 레이어의 수, 뉴런의 수, 레이어의 유형(dense, convolution, Long Short-Term Memory), 활성화 함수 등 사용할 수 있는 구성이 매우 풍부하다. 맞춤형 신경망과 뉴런 속성을 정의할 수도 있다.
다음으로, 옵티마이저를 “sgd”(확률적 경사 하강)로 설정하고 평균 제곱 오차 손실 함수를 사용해 모델을 컴파일한다. 마찬가지로, 모든 부분은 모델 성능을 개선하기 위해 구성할 수 있다.
예측 실행
이제 await model.fit(X, y, { epochs: 100 })으로 실제 학습을 실행할 준비가 됐다. 여기서 epochs는 신경망을 거쳐 데이터를 실행할 사이클 수다. 참고로 에포크가 너무 많으면 학습 데이터의 과적합으로 이어질 수 있다. 마지막으로, 타임스탬프(마찬가지로 정규화함)를 사용해서 예측을 수행할 수 있다. model.predict(tf.tensor1d([normalizedNewTimestamp])) 호출을 사용한다. 가격으로 돌아가기 위해 예측을 역정규화한다. 텐서 연산(여기서는 요소의 곱)을 지원하는 텐서플로우의 일부인 mul() 메서드를 제외하면 일반적인 자바스크립트 수학이다. 여기서는 배열이 아닌 하나의 예측된 값만 있으므로 일반적인 곱셈만 수행된다. 이 코드를 실행하면 <예시 4>와 같은 결과를 얻게 된다.<예시 4> 예측기 실행
Prediction for Fri Aug 11 2023 21:00:01 GMT+0000 (Coordinated Universal Time): 30595.5546875
Actual: 29380.31012784574
$ node predict solana
Prediction for Fri Aug 11 2023 22:00:54 GMT+0000 (Coordinated Universal Time): 24.18000602722168
Actual: 24.5108586331892
소스 다운로드하기
첫 번째에서는 비트코인 예측을, 두 번째에서는 솔라나 예측을 수행한다. 두 경우 모두 지난 90일 간의 시간별 데이터를 사용한다. 두 경우 모두 대략적인 예측이긴 하지만 별로 정확하지 않다. 이유가 무엇일까? 타임스탬프와 가격 간에 아무런 실질적 관계가 없기 때문이다. 즉, 비트코인 가격 예측 방법으로는 너무 단순하고 어리석은 방법이다. 그럼에도 불구하고 이 예제를 통해 암호화폐 API 피드와 함께 텐서플로우 사용에 관한 기초적인 요소를 잘 살펴볼 수 있었다. 이 데모의 전체 프로젝트 코드는 필자의 깃허브 리포지토리에서 받을 수 있다.editor@itworld.co.kr
Sponsored
Surfshark
“유료 VPN, 분명한 가치 있다” VPN 선택 가이드
ⓒ Surfshark VPN(가상 사설 네트워크, Virtual Private Network)은 인터넷 사용자에게 개인 정보 보호와 보안을 제공하는 중요한 도구로 널리 인정받고 있다. VPN은 공공 와이파이 환경에서도 데이터를 안전하게 전송할 수 있고, 개인 정보를 보호하는 데 도움을 준다. VPN 서비스의 수요가 증가하는 것도 같은 이유에서다. 동시에 유료와 무료 중 어떤 VPN을 선택해야 할지 많은 관심을 가지고 살펴보는 사용자가 많다. 가장 먼저 사용자의 관심을 끄는 것은 별도의 예산 부담이 없는 무료 VPN이지만, 그만큼의 한계도 있다. 무료 VPN, 정말 괜찮을까? 무료 VPN 서비스는 편리하고 경제적 부담도 없지만 고려할 점이 아예 없는 것은 아니다. 보안 우려 대부분의 무료 VPN 서비스는 유료 서비스에 비해 보안 수준이 낮을 수 있다. 일부 무료 VPN은 사용자 데이터를 수집해 광고주나 서드파티 업체에 판매하는 경우도 있다. 이러한 상황에서 개인 정보가 유출될 우려가 있다. 속도와 대역폭 제한 무료 VPN 서비스는 종종 속도와 대역폭에 제한을 생긴다. 따라서 사용자는 느린 인터넷 속도를 경험할 수 있으며, 높은 대역폭이 필요한 작업을 수행하는 데 제약을 받을 수 있다. 서비스 제한 무료 VPN 서비스는 종종 서버 위치가 적거나 특정 서비스 또는 웹사이트에 액세스하지 못하는 경우가 생긴다. 또한 사용자 수가 늘어나 서버 부하가 증가하면 서비스의 안정성이 저하될 수 있다. 광고 및 추적 위험 일부 무료 VPN은 광고를 삽입하거나 사용자의 온라인 활동을 추적하여 광고주에게 판매할 수 있다. 이 경우 사용자가 광고를 보아야 하거나 개인 정보를 노출해야 할 수도 있다. 제한된 기능 무료 VPN은 유료 버전에 비해 기능이 제한될 수 있다. 예를 들어, 특정 프로토콜이나 고급 보안 기능을 지원하지 않는 경우가 그렇다. 유료 VPN의 필요성 최근 유행하는 로맨스 스캠은 인터넷 사기의 일종으로, 온라인 데이트나 소셜 미디어를 통해 가짜 프로필을 만들어 상대를 속이는 행위다. 이러한 상황에서 VPN은 사용자가 안전한 연결을 유지하고 사기 행위를 방지하는 데 도움이 된다. VPN을 통해 사용자는 상대방의 신원을 확인하고 의심스러운 활동을 감지할 수 있다. 서프샤크 VPN은 구독 요금제 가입 후 7일간의 무료 체험을 제공하고 있다. ⓒ Surfshark 그 외에도 유료 VPN만의 강점을 적극 이용해야 하는 이유는 다음 3가지로 요약할 수 있다. 보안 강화 해외 여행객이 증가함에 따라 공공 와이파이를 사용하는 경우가 늘어나고 있다. 그러나 공공 와이파이는 보안이 취약해 개인 정보를 노출할 위험이 있다. 따라서 VPN을 사용하여 데이터를 암호화하고 개인 정보를 보호하는 것이 중요하다. 서프샤크 VPN은 사용자의 개인 정보를 안전하게 유지하고 해킹을 방지하는 데 유용하다. 개인정보 보호 인터넷 사용자의 검색 기록과 콘텐츠 소비 패턴은 플랫폼에 의해 추적될 수 있다. VPN을 사용하면 사용자의 IP 주소와 로그를 숨길 수 있으며, 개인 정보를 보호할 수 있다. 또한 VPN은 사용자의 위치를 숨기고 인터넷 활동을 익명으로 유지하는 데 도움이 된다. 지역 제한 해제 해외 여행 중에도 한국에서 송금이 필요한 경우가 생길 수 있다. 그러나 IP가 해외 주소이므로 은행 앱에 접근하는 것이 제한될 수 있다. VPN을 사용하면 지역 제한을 해제해 해외에서도 한국 인터넷 서비스를 이용할 수 있다. 따라서 해외에서도 안전하고 편리하게 인터넷을 이용할 수 있다. 빠르고 안전한 유료 VPN, 서프샤크 VPN ⓒ Surfshark 뛰어난 보안 서프샤크 VPN은 강력한 암호화 기술을 사용하여 사용자의 인터넷 연결을 안전하게 보호한다. 이는 사용자의 개인 정보와 데이터를 보호하고 외부 공격으로부터 사용자를 보호하는 데 도움이 된다. 다양한 서버 위치 서프샤크 VPN은 전 세계 곳곳에 여러 서버가 위치하고 있어, 사용자가 지역 제한된 콘텐츠에 액세스할 수 있다. 해외에서도 로컬 콘텐츠에 손쉽게 접근할 수 있음은 물론이다. 속도와 대역폭 서프샤크 VPN은 빠른 속도와 무제한 대역폭을 제공하여 사용자가 원활한 인터넷 경험을 누릴 수 있도록 지원한다. 온라인 게임, 스트리밍, 다운로드 등 대역폭이 필요한 활동에 이상적이다. 다양한 플랫폼 지원 서프샤크 VPN은 다양한 플랫폼 및 디바이스에서 사용할 수 있다. 윈도우, 맥OS, iOS, 안드로이드 등 다양한 운영체제 및 디바이스에서 호환되어 사용자가 어디서나 안전한 인터넷을 즐길 수 있다. 디바이스 무제한 연결 서프샤크 VPN은 무제한 연결을 제공하여 사용자가 필요할 때 언제든지 디바이스의 갯수에 상관없이 VPN을 사용할 수 있다.