20201215~17 DAY29~32 이미지 분류기 만들기

며칠 뜸했던 것은 슬슬 《핸즈온 머신러닝》 교재를 구매해서 보는 게 좋겠다 싶어졌기 때문이다. 그렇지만 당장 그 책을 사도 기본 자료구조에 대한 이해도 부족한 내가 따라갈 수 있을까, 의문이 들었다. 이미 사둔 책도 있었고. 
그러던 차에 이번주부터 이미지 분류기라는 새로운 주제가 시작되어서, 그냥 따라가 보기로 했다.
출처는 언제나처럼 《핸즈온 머신러닝》 2판(자료는 멘토님이 제공해주심)

---

import tensorflow as tf
from tensorflow import keras 
import matplotlib.pyplot as plt

tf.__version__
keras.__version__

tensorflow와 keras, matplotlib을 준비한다. 버전 확인까지.

fashion_mnist = keras.datasets.fashion_mnist
(X_train_full, y_train_full), (X_test, y_test) = fashion_mnist.load_data()

X_train_full.shape

이상으로 데이터를 준비했다. 전체 훈련 세트를 검증 세트와 훈련 세트로 구분하고, 픽셀 강도를 255로 나누어 0~1 범위의 실수로 변경한다.
matplotlib의 imshow() 함수와 binary 컬러맵을 사용해 이미지를 출력해보자. 

X_valid, X_train = X_train_full[:5000] / 255., X_train_full[5000:] / 255.
y_vaild, y_train = y_train_full[:5000], y_train_full[5000:]
X_test = X_test / 255.

plt.imshow(X_train[0], cmap = "binary")
plt.axis('off')
plt.show()

얜 뭘까 

def save_fig(fig_id, tight_layout = True, fig_extenshion="png", resolution=300):
    path = os.path.join('C:/crawling/연습문제푼것들/test', fig_id + "." + fig_extenshion)
    print("그림 저장: ", fig_id)
    if tight_layout:
        plt.tight_layout()
    plt.savefig(path, format = fig_extenshion, dpi = resolution)

그림을 저장하는 함수를 쓰지 않으면 다음을 진행할 수 없길래 헐레벌떡 찾아옴

n_rows = 4
n_cols = 10

4행 10열로 이미지를 뽑아볼 것이다 

plt.figure(figsize=(n_cols * 1.2, n_rows * 1.2))

이미지의 크기는 1.2*1.2로 하자

for row in range(n_rows):
    for col in range(n_cols):
        index = n_cols * row + col
        plt.subplot(n_rows ,n_cols, index+1)
        plt.imshow(X_train[index], cmap="binary", interpolation="nearest")
        plt.axis('off')
        plt.title(class_names[y_train[index]], fontsize=12)
plt.subplots_adjust(wspace=0.2, hspace=0.5)
plt.rc('font', family='Malgun Gothic')
save_fig('fashion_mnist_plot', tight_layout=False)
plt.show()

plt.rc('font', family='Malgun Gothic')

이 코드를 쓰면 한글이 정상적으로 출력된다. 

---

계속해서 keras로 다층 퍼셉트론을 구현한다: sequential API를 써서 이미지 분류기를 만들어보자. 

우선 입력층은 28*28개의 입력 노드를 갖고, 두 개의 은닉층으로 이루어진 분류용 다층 퍼셉트론이 만들어진다. 

출력층은 10개의 출력노드로 이루어져 있다. 

model = keras.models.Sequential([
	keras.layers.Flatten(input_shape=[28, 28]),
    keras.layers.Dense(300, activation="relu"),
    keras.layers.Dense(100, activation="relu"),
    keras.layers.Dense(10, activation="softmax")    
])

모델 레이어를 확인하면 다음과 같은 결과가 나온다. 

model.layers

모델의 요약본.

model.summary()