패스트캠퍼스 챌린지 47일차

5강

딥러닝 프로그램 꾸미기

# TensorFlow and tf.keras

import tensorflow as tf

from tensorflow import keras

# Helper Libraries

import numpy as np

import matplotlib.pyplot as plt

# Tensorflow version check

print(tf.__version__)

- 상수 설정

#Define Constants

batch_size = 128

epochs = 100

num_classes = 10

# Download MNIST dataset.

mnist = keras.datasets.mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

** 이미지와 해당 이미지 값을 가져온다.

** train 이미지가 6만개, test 이미지가 1만개이다.

- Tensorflow가 계산하기 쉽게 255.0으로 나눠준다.

# Normalize the input image so that each pixel value is between 0 to 1.

train_images = train_images / 255.0

test_images = test_images / 255.0

- 모델 생성

# Define the model architecture

# Create Stack

model = keras.Sequential([

                         keras.layers.Flatten(input_shape=(28,28)),

                         keras.layers.Dense(128, activation=tf.nn.relu),

                         keras.layers.Dense(num_classes, activation='softmax')

])

# Compile

model.compile(optimizer='adam',

              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),

              metrics=['accuracy'])

** Sequential을 list형식으로 만들 수 있다.

** Flatten() : 28x28의 2차원 배열을 1차원으로 변환

** 128개의 은닉층

** activation='softmax' = activation=tf.nn.softmax 는 같은 것이다.

** SparseCategoricalCrossentropy : Multinomial Classification이기 때문

- 학습

history = model.fit(train_images, train_labels, epochs=epochs, batch_size=batch_size)

** input : train_images

** result : train_labels

** batch_size=batch_size : 몇 번 단위로 데이터를 확인할 것인지를 설정하는 것

# Evaluate the model using test dataset.

test_loss, test_acc = model.evaluate(test_images, test_labels)

print('Test Accuracy: ', test_acc)

- 숫자를 보여주는 함수

import math

[참조]

https://colab.research.google.com/github/tensorflow/examples/blob/master/lite/examples/digit_classifier/ml/mnist_tflite.ipynb

- 그래프를 그리는 함수

# Helper function to display digit images

def show_sample(images, labels, sample_count=25):

  # Create a square with can fit {sample_count} images

  grid_count = math.ceil(math.ceil(math.sqrt(sample_count)))

grid_count = min(grid_count, len(images), len(labels))

** math.sqrt(숫자) : 숫자에 루트를 씌운 개수만큼 격자형태를 만든다.

ex) math.sqrt(25) : 5 x 5 의 격자형태

plt.figure(figsize=(2*grid_count, 2*grid_count))

  for i in range(sample_count):

    plt.subplot(grid_count, grid_count, i+1)

    plt.xticks([])

    plt.yticks([])

    plt.grid(False)

    plt.imshow(images[i], cmap=plt.cm.gray)

    plt.xlabel(labels[i])

plt.show()

** plt.grid(False) : 그리드가 보이지 않게 표시

** cmap=plt.cm.gray : 하얀 바탕으로 표시, default는 보라색 바탕

# Helper function to display specific digit images

def show_sample_digit(images, labels, digit, sample_count=25):

- 숫자가 7인 경우의 처리

  # Create a square with can fit {sample_count} images

  grid_count = math.ceil(math.ceil(math.sqrt(sample_count)))

  grid_count = min(grid_count, len(images), len(labels))

plt.figure(figsize=(2*grid_count, 2*grid_count))

  i = 0

  digit_count = 0

  while digit_count < sample_count:

    i += 1

    if (digit == labels[i]):

      plt.subplot(grid_count, grid_count, digit_count+1)

      plt.xticks([])

      plt.yticks([])

      plt.grid(False)

      plt.imshow(images[i], cmap=plt.cm.gray)

      plt.xlabel(labels[i])

      digit_count += 1

plt.show()

- 특정한 하나의 이미지를 보여주는 함수

# Helper function to display specific digit images

def show_digit_image(image):

  # Draw digit image

  fig = plt.figure()

  ax = fig.add_subplot(1, 1, 1)

  # Major ticks every 20, minor ticks every 5

  major_ticks = np.arange(0, 29, 5)

  minor_ticks = np.arange(0, 29, 1)

  ax.set_xticks(major_ticks)

  ax.set_xticks(minor_ticks, minor=True)

  ax.set_yticks(major_ticks)

  ax.set_yticks(minor_ticks, minor=True)

  # And a corresponding grid

  ax.grid(which='both')

  # Or if you want different settings for the grids:

  ax.grid(which='minor', alpha=0.2)

  ax.grid(which='major', alpha=0.5)

  ax.imshow(image, cmap=plt.cm.binary)

plt.show()

- 테스트용 이미지를 가져옴

# Show the first 25 images in the training dataset.

show_sample(test_images, ['Label: %s' % label for label in test_labels])

- 학습용 이미지 확인

# Show the first 25 images in the training dataset.

show_sample(train_images, ['Label: %s' % label for label in train_labels])

- 숫자 7의 외국 표기법이 다름. 숫자 7의 이미지를 가져오게 함.

# Show digit 7 the first 25 images in the training dataset.

show_sample_digit(train_images, train_labels, 7)

- 모델 평가

# Evaluate the model using test dataset. - Show performance

fig, loss_ax = plt.subplots()

fig, acc_ax = plt.subplots()

# Loss용 그래프

loss_ax.plot(history.history['loss'], 'ro')

loss_ax.set_xlabel('epoch')

loss_ax.set_ylabel('loss')

# Accuracy용그래프

acc_ax.plot(history.history['accuracy'], 'bo')

acc_ax.set_xlabel('epoch')

acc_ax.set_ylabel('accuracy')

** ro : red의 o모양

** bo : blue의 o모양

** Loss는 점점 줄어들고 Accuracy는 점점 증가한다.

- 전체 테스트 데이터를 가지고 예측

# Predict the labels of digit images in our test dataset.

predictions = model.predict(test_images)

# Then plot the first 25 test images and their predicted labels.

show_sample(test_images, ['Predicted: %d ' % np.argmax(result) for result in predictions])

** 테스트 이미지 1만개를 전부 예측하고, 그 중 제일 정확도가 높은 상위 25개만 표시한다.

** argmax() : 값이 높은 것을 찾아낸다.

Digit = 8448 #@param {type:"slider", min:1, max:10000, step:1}

selected_digit = Digit – 1

# 실제 리스트 상에서는 0번째이므로 -1로 계산해준다.

result = predictions[selected_digit]

result_number = np.argmax(result)

print('Number is %2d' % result_number)

show_digit_image(test_images[selected_digit])

---

---

기재: 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성되었습니다.

https://bit.ly/37BpXiC

패스트캠퍼스 [직장인 실무교육]