파이썬 텐서플로우 합성곱 신경망(TensorFlow Convolutional Neural Network, CNN)

합성곱 신경망(Convolutional Neural Network, CNN) 훈련

기존 패션 모델에서 합성곱 층을 만들어 기존보다 높은 정확도를 노려본다.

 

import tensorflow as tf

from tensorflow.keras import datasets, layers, models

# MNIST 데이터셋 다운로드하고 준비하기

# (train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
(train_images, train_labels), (test_images, test_labels) = datasets.fashion_mnist.load_data()


train_images = train_images.reshape((60000, 28, 28, 1)) # 전과 달라진 부분 한층을 추가
test_images = test_images.reshape((10000, 28, 28, 1)) # 전과 달라진 부분 한층을 추가

# 픽셀 값을 0~1 사이로 정규화합니다.
train_images, test_images = train_images / 255.0, test_images / 255.0

'''
합성곱 층 만들기
아래 6줄의 코드에서 Conv2D와 MaxPooling2D 층을 쌓는 일반적인 패턴으로 합성곱 층을 정의합니다.

CNN은 배치(batch) 크기를 제외하고 (이미지 높이, 이미지 너비, 컬러 채널) 크기의 텐서(tensor)를 입력으로 받습니다. 
MNIST 데이터는 (흑백 이미지이기 때문에) 컬러 채널(channel)이 하나지만 컬러 이미지는 (R,G,B) 세 개의 채널을 가집니다. 
이 예에서는 MNIST 이미지 포맷인 (28, 28, 1) 크기의 입력을 처리하는 CNN을 정의하겠습니다. 
이 값을 첫 번째 층의 input_shape 매개변수로 전달합니다.
'''
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
'''
위에서 Conv2D와 MaxPooling2D 층의 출력은 (높이, 너비, 채널) 크기의 3D 텐서입니다. 높이와 너비 차원은 네트워크가 깊어질수록 감소하는 경향을 가집니다. Conv2D 층에서 출력 채널의 수는 첫 번째 매개변수에 의해 결정됩니다(예를 들면, 32 또는 64). 일반적으로 높이와 너비가 줄어듦에 따라 (계산 비용 측면에서) Conv2D 층의 출력 채널을 늘릴 수 있습니다.

마지막에 Dense 층 추가하기
모델을 완성하려면 마지막 합성곱 층의 출력 텐서(크기 (4, 4, 64))를 하나 이상의 Dense 층에 주입하여 분류를 수행합니다. Dense 층은 벡터(1D)를 입력으로 받는데 현재 출력은 3D 텐서입니다. 먼저 3D 출력을 1D로 펼치겠습니다. 그다음 하나 이상의 Dense 층을 그 위에 추가하겠습니다. MNIST 데이터는 10개의 클래스가 있으므로 마지막에 Dense 층에 10개의 출력과 소프트맥스 활성화 함수를 사용합니다.
'''
# 지금까지 모델의 구조를 출력해 보죠.
model.summary()

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

# 모델 컴파일과 훈련하기
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=128)

# 모델 평가
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print(test_acc)

기존 예제에서는 (train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()로

손글씨 숫자 분류로 99프로를 달성하나 여기서는 패션 데이터셋을 사용하였습니다.

 

합성곱 신경망 사용전 패션 - 0.872 

합성곱 신경망 사용후 패션 - 0.907

합성곱 신경망 사용후 패션 - 0.905 (epochs = 128)