[딥러닝]_손글씨 이미지데이터 분류

# 목표

- 0 ~ 9 까지의 손글씨 이미지 데이터를 분류하는 모델을 만들어보자!

 

# keras 에서 지원하는 딥러닝 학습용 손글씨 데이터 임포트

# 국립표준기술원 (NIST)의 데이터셋을 수정해서 만든 학습데이터

from tensorflow.keras.datasets import mnist

 

# 이미지라는 2차원데이터를 다루기 떄문에 shape 의 형태가 3칸이 나오게됨

# (데이터의수, 가로픽셀수, 세로픽셀수)

 

 

  print (X_train.shape)

  print (y_train.shape)

  print (X_test.shape)

  print (y_test.shape)

 

 

 

 

plt.imshow(X_train[59999],cmap='gray');

# imshow : 이미지 데이터를 그림으로 출력해주는 명령

# cmap : 출력되는 이미지의 컬러를 지정할 수 있는 명령

               (gray : 흑백이미지)

 

 

 

 

 

 

 

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# keras 에서 지원하는 딥러닝 학습용 손글씨 데이터 임포트
# 국립표준기술원 (NIST)의 데이터셋을 수정해서 만든 학습데이터
from tensorflow.keras.datasets import mnist

data = mnist.load_data()

len(data)  

(X_train,y_train), (X_test,y_test) = data

# 이미지라는 2차원데이터를 다루기 떄문에 shape 의 형태가 3칸이 나오게됨
# (데이터의수, 가로픽셀수, 세로픽셀수)

print (X_train.shape)
print (y_train.shape)
print (X_test.shape)
print (y_test.shape)

y_train

plt.imshow(X_train[59999],cmap='gray');

# imshow : 이미지 데이터를 그림으로 출력해주는 명령
# cmap : 출력되는 이미지의 컬러를 지정할 수 있느 명령(gray : 흑백이미지)

 

 

# 정답데이터를 원핫인코딩 하는 이유

- 신경망 출력층에서 각 레이블 값들에 대한 확률 정보와 비교하여 오차를 구하기 위하여

 

- 신경망 내부의 기본 모델이 선형모델이고 최적의 w,b값을 구하기위해서 오차를 점점 줄여나가는 방식으로 모델이 학습하게됨

 

- 신경망이 출력한 결과(확률값) 와 실제 정답의 scale(0~1)을 같게 맞춰줘서 비교를 용이하게 만들어주기 위함!

- 다중분류 에서는 항상 정답을 '원핫 인코딩' 시켜주기~!

 

 

# tensorflow 지원해주는 원핫 인코딩 명령(배열(array)로 변환이됨)

# pandas의 원핫 인코딩은 DataFrame 형태로 변환 

 

 

 

 

# tensorflow 지원해주는 원핫 인코딩 명령(배열(array)로 변환이됨)
# pandas의 원핫 인코딩은 DataFrame 형태로 변환 

from tensorflow.keras.utils import to_categorical

y_train_one_hot = to_categorical(y_train)
y_test_one_hot = to_categorical(y_test)

y_train_one_hot

y_test_one_hot

y_o_h = pd.get_dummies(y_train)
y_o_h

y_train_one_hot.shape

 

# 신경망 구조 설계

# 입력되는 특성의수 : 784

# 출력층의 뉴런의 개수 :10개

# 출력층의 활성화 함수 : softmax

# 학습시 사용되는 손실함수(loss) :categorical_crossentropy >> 다중분류시 사용되는 손실함수

 

 

from tensorflow.keras import Sequential    # 신경망의뼈대를 설정해주는 함수
from tensorflow.keras.layers import Dense  # 뉴런의 묶음을 만들어주는 함수
 



from pandas.core.strings.accessor import StringMethods
from os import access
# 1.신경망 구조설계

model =  Sequential()

# 입력층(input_dim) + 중간층 1개(Dense)
# input_dim : 입력되는 데이터의 특성 수
# activation : 활성화 함수 설정(들어온 자극(data)에 대한 응답 여부를 결정 하는 함수)
model.add(Dense(700,input_dim=784, activation = 'sigmoid'))


#중간층 
model.add(Dense(350, activation='sigmoid')) # 하나의 층
model.add(Dense(200, activation='sigmoid'))
model.add(Dense(100, activation='sigmoid')) # 하나의 층
model.add(Dense(50, activation='sigmoid'))


#출력층 
#출력층은 회귀(linear, 디폴트), 2진분류(sigmoid), 다중분류에 따라 사용하는 활성화 함수가 달라진다!
model.add(Dense(10,activation='softmax'))

model.summary()

# 2.학습/평가 방법 설정

model.compile(loss="categorical_crossentropy",
              optimizer="SGD",    # 최적화 함수 : 경사강법의 방식을 설정해주는 함수
              metrics=['acc']
              )

h= model.fit(X_train,y_train_one_hot, epochs=100)

 

 

# 학습 도중에 과대적합을 확인하기 위해 train 데이터에서 검증셋을 분리시켜 학습시 같이 결과를 출력해보자

 

# 무조건 train,  test만 나눠주는게 아니라 데이터를 일정한 비율로 나눠주는 함수

from sklearn.model_selection import train_test_split

X_train,X_val,y_train_one_hot,y_val_one_hot = train_test_split(X_train, y_train_one_hot,
                                                               random_state=3)

print(X_train.shape)
print(X_val.shape)
print(y_train_one_hot.shape)
print(y_val_one_hot.shape)



from pandas.core.strings.accessor import StringMethods
from os import access
# 1.신경망 구조설계

model1 =  Sequential()

# 입력층(input_dim) + 중간층 1개(Dense)
# input_dim : 입력되는 데이터의 특성 수
# activation : 활성화 함수 설정(들어온 자극(data)에 대한 응답 여부를 결정 하는 함수)
model1.add(Dense(700,input_dim=784, activation = 'sigmoid'))


#중간층 
model.add(Dense(350, activation='sigmoid')) # 하나의 층

model1.add(Dense(100, activation='sigmoid')) # 하나의 층
model1.add(Dense(50, activation='sigmoid'))


#출력층 
#출력층은 회귀(linear, 디폴트), 2진분류(sigmoid), 다중분류에 따라 사용하는 활성화 함수가 달라진다!
model1.add(Dense(10,activation='softmax'))

model1.summary()

 

예측값 : 숫자 7

정답 : 숫자 7

모델 정확도 : 0.9871....