[Tensorflow] 1. MNIST 예제 시작해보

Tensorflow는 많은 기관, 학교, 기업에서 사용하고 있는 딥러닝 프레임워크입니다.

딥러닝을 학습하고 익히는데 있어 Tensorflow에서 제공하고 있는 튜터리얼을 살펴 보도록 하겠습니다.

다음은 텐서플로우 공식 튜터리얼 링크입니다.

url : https://www.tensorflow.org/tutorials/quickstart/beginner

바로 예제 코드부터 살펴보겠습니다.

"""
This Contents is about MNIST from Tensorflow Official Tutorial
url : https://www.tensorflow.org/tutorials/quickstart/beginner
All of the codes are from the url above.
"""

import tensorflow as tf  # Import Tensorflow Library

# Load MNIST Dataset
MNIST = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = MNIST.load_data()

# Normalize the data
# MNIST is Image Data, so it is 0~255
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential(
    [
        tf.keras.layers.Flatten(input_shape=(28, 28)),  # Flatten the data
        tf.keras.layers.Dense(128, activation="relu"),  # Dense Layer
        tf.keras.layers.Dropout(0.2),  # Dropout Layer
        tf.keras.layers.Dense(10, activation="softmax"),  # Output Layer
    ]
)

# Compile the model
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])

# Train the model
# epochs : How many times the model will be trained
model.fit(x_train, y_train, epochs=5)

# Evaluate the model
# verbose : 0, 1, 2
# verbose mean how much information will be shown
model.evaluate(x_test, y_test, verbose=2)

다음은 실행 결과입니다.

몇개의 레이어를 쓰지 않았지만 97프로라는 높은 결과값을 가지고 있습니다.

한번 살펴 보도록 하겠습니다.

import tensorflow as tf

이 부분은 텐서플로우 모듈을 사용하겠다는 선언입니다.

그 다음은 데이터를 로드하는 것입니다.

# Load MNIST Dataset
MNIST = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = MNIST.load_data()

# Normalize the data
# MNIST is Image Data, so it is 0~255
x_train, x_test = x_train / 255.0, x_test / 255.0

• 여기서 MNIST라는 데이터를 불러옵니다. 데이터는 tf.keras.datasets에 있기 때문에 바로 불러올 수 있습니다.
• MNIST나 CIFAR 등의 데이터는 별도의 작업 없이 바로 불러올 수 있도록 되어있습니다.
• 많은 초보자들이 처음 접하는 데이터이기 때문입니다.
• MNIST데이터는 10개의 숫자로 이루어진 이미지입니다. 데이터는 GRAY 스케일로 이루어져 있고 0~255사이의 값을 가지기 때문에 /255.0을 통해서 0과 1사이의 값으로 바꾸어 줍니다.

model = tf.keras.models.Sequential(
    [
        tf.keras.layers.Flatten(input_shape=(28, 28)),  # Flatten the data
        tf.keras.layers.Dense(128, activation="relu"),  # Dense Layer
        tf.keras.layers.Dropout(0.2),  # Dropout Layer
        tf.keras.layers.Dense(10, activation="softmax"),  # Output Layer
    ]
)

• 이 부분은 모델을 쌓는 부분입니다. 여기서는 한개의 Flatten과 2개의 Dense 1개의 Dropout을 사용하고 있습니다.
• Flatten은 2차원 데이터를 1차원으로 풀어헤치는 작접입니다. 28X28크기의 Image데이터를 한줄로 펼칩니다. 이는 Dense를 위한 사전 작업입니다.
• 펼처진 입력을 Dense (Fully Connected Layer)와 Relu 함수를 통해서 네트워크의 weight를 업데이트 해줍니다.
• 이후 Dropout 을 통해서 과적합을 방지해 줍니다. dropout은 랜덤하게 weight 값을 삭제합니다.
• 이후 10개의 레이블로 모으기 위해서 다시 한번 Dense 계층을 Softmax와 함께 거칩니다.

model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])

• 이후 옵티마이저로 adam
• loss function으로 sparse_categorical_crossentropy로 모델을 설정해 줍니다.

# Train the model
# epochs : How many times the model will be trained
model.fit(x_train, y_train, epochs=5)

# Evaluate the model
# verbose : 0, 1, 2
# verbose mean how much information will be shown
model.evaluate(x_test, y_test, verbose=2)

• 이후 train과 evaluate를 통해서 모델을 학습하고 평가하게 됩니다.
• train은 포워딩과 백프로파게이션을 통해서 웨이트를 업데이트합니다. Tensorflow에서는 이러한 과정을 train함수로 추상화하여 제공하고 있습니다. 물론 직접 step을 설정하여 학습을 진행 할 수 있습니다.

위에 코드는 단순히 Tensorflow 사용법에 대해서 다루고 있기 때문에 Deep Learning에 대한 기본이 없으시면 코드를 따라가도 큰 학습을 못 하실 가능성이 높습니다. Flatten과 Dense, Activation Function, Optimizer, Loss Function 등을 학습하시고 오시면 큰 도움이 될 수 있습니다.