Keras 숫자 인식 샘플 (딥러닝 라이브러리 )

2019. 12. 17. 11:32에 작성했던 글입니다. 

코랩(colab) 이란?

코랩은 구글에서 교육과 과학 연구를 목적으로 개발한 도구이며, 무료로 공개하였습니다. 코랩에서 파이썬 코드를 작성 및 실행 할 수 있습니다.

(파이참, 비주얼스튜디오 등 설치 없이 가능)

https://colab.research.google.com/

Google Colaboratory

코랩 실행하기​

왼쪽 상단 파일 >> 새 Python3노트..... 에디터 실행후 예제 코드 삽입 하고 실행 버튼을 누른다.

​

 

​예제코드

############### 0. 사용할 패키지 불러오기 ###############

from keras.utils import np_utils

from keras.datasets import mnist

from keras.models import Sequential

from keras.layers import Dense, Activation

​

​

############### 1. 데이터셋 생성하기 ###############

# 아마존에서 자동으로 mnist 파일 다운로드

(x_train, y_train), (x_test, y_test) = mnist.load_data()

​

# 784 byte 크기의 7만개의 샘플 사용.

# 6만개는 학습(train) 사용 1만개는 테스트 사용

# 255으로 나누어 정규화를 진행.(이미지 픽셀값 범위 0~255)

# 0 ~ 1 사이 수치로 변환. (학습 효과를 높이기 위해)

x_train = x_train.reshape(60000, 784).astype('float32') / 255.0

x_test = x_test.reshape(10000, 784).astype('float32') / 255.0

​

# np_utils.to_categorical 함수는 원핫인코딩(One-hot encoding) 한다.

y_train = np_utils.to_categorical(y_train)

y_test = np_utils.to_categorical(y_test)

​

​

################ 2. 모델 구성하기 ###############

model = Sequential()

model.add(Dense(units=64, input_dim=28*28, activation='relu'))

​

# activation='softmax' -> 시그모이드(Sigmoid) 합이 1이된다.

model.add(Dense(units=10, activation='softmax'))  

​

​

################ 3. 모델 학습과정 설정하기 ###############

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

​

​

################ 4. 모델 학습시키기 ###############

# batch_size=32: 32문항 풀고 업데이트

# epoch =5: 5번 반복하여 수행.

hist = model.fit(x_train, y_train, epochs=5, batch_size=32)

​

​

################ 5. 학습과정 살펴보기 ###############

print('## training loss and acc ##')

print(hist.history['loss'])

print(hist.history['acc'])

​

​

################ 6. 모델 평가하기 ###############

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=32)

print('## evaluation loss and_metrics ##')

print(loss_and_metrics)

​

​

###### 7. 모델 사용하기 정확도 테스트 ###############

xhat = x_test[0:1]

yhat = model.predict(xhat)

print('## yhat ##')

print(yhat)

​

실행 로그​

epoch=5 설정 되어 있어 5번 실행​

loss= 손실값, acc=정확도 ... 반복 할수록 정확도는 상승

 

​

60000/60000 [=====================] - 4s 64us/step - loss: 0.6683 - acc: 0.8298

Epoch 2/5

60000/60000 [=====================] - 3s 50us/step - loss: 0.3495 - acc: 0.9025

Epoch 3/5

60000/60000 [=====================] - 3s 50us/step - loss: 0.3008 - acc: 0.9145

Epoch 4/5

60000/60000 [=====================] - 3s 51us/step - loss: 0.2703 - acc: 0.9232

Epoch 5/5

60000/60000 [=====================] - 3s 50us/step - loss: 0.2481 - acc: 0.9292

 

​

테스트 결과​

테스트 샘플(x_test[0:1]) 값이 7 이라고 예측 하고 있다.​

## yhat ##​

[[4.0804855e-05 4.7461089e-08 7.8313460e-04 1.4411036e-03 3.7688147e-07​

2.7031547e-05 1.3679331e-08 9.9757677e-01 8.6176069e-06 1.2211356e-04]]

 

​

주요 키워드​

overfit​

학습데이터를 과하게 학습하는 것​

예) 시험시작 전까지 책을 보는 행위.(김태영님 강좌에서)

 

​

one-hot encoding​

하나의 값만 True이고 나머지는 모두 False인 인코딩을 말한다.​

즉, 1개만 Hot(True)이고 나머지는 Cold(False)이다.

예) [0, 0, 0, 0, 1] = 4

 

​

Dense 클래스​

입출력을 모두 연결해주는 Dense 레이어​

Dense(units=64, input_dim=28*28, activation='relu')​​

• 첫번째 인자 : 출력 뉴런의 수를 설정.
• ​input_dim : 입력 뉴런의 수를 설정.
• init : 가중치 초기화 방법 설정.
  ‘uniform’ : 균일 분포
  ‘normal’ : 가우시안 분포
• ​activation : 활성화 함수 설정.
  ‘linear’ : 디폴트 값, 입력뉴런과 가중치로 계산된 결과값이 그대로 출력.
  ‘relu’ : rectifier 함수, 은익층에 주로 사용.
  ‘sigmoid’ : 시그모이드 함수, 이진 분류 문제에서 출력층에 주로 사용.
  ‘softmax’ : 소프트맥스 함수, 다중 클래스 분류 문제에서 출력층에 사용.

​

* 동영상 강의 정리 노트

https://youtu.be/IPR2bYFa6Rw