[Tensorflow] MNIST 데이터셋 CNN 기본 예제

지난 포스팅에서 CIFAR-10 데이터셋을 다루는 법에 대해 알아보았습니다. 자세한 포스팅은 여기에서 확인하실 수 있습니다.
이번에는 그보다 더 기본학습예제인 MNIST 데이터셋에 대해 알아보고, CNN 예제 코드를 살펴보겠습니다.

---

MNIST DATASET?

머신러닝을 공부할 때 아주 유용한 데이터셋입니다. 손글씨로 이루어진 숫자(0~9) 흑백 이미지들이며, 28x28 픽셀 크기로 그 크기는 작습니다. CIFAR 데이터보다 훨씬 가볍기 때문에 이런저런 알고리즘을 테스트하기 편합니다. 특히 집에서 일반 컴퓨터로 작업할 때는 CIFAR보단 MNIST가 가볍고 좋은 것 같네요.

---

CNN 딥러닝 모델

코드는 아주 단순합니다. 기본적인 CNN 레이어를 두층 만들어놨는데요. 정확도는 거의 1에 수렴할만큼 탁월한 성능을 보여주고 있습니다. 코드는 다음과 같습니다.

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94

import tensorflow as tf   from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("/tmp/data/", one_hot = True) tf.set_random_seed(777)   learning_rate = 0.001 training_epochs = 10 batch_size = 100   X = tf.placeholder(tf.float32, [None, 784]) X_img = tf.reshape(X, [-1, 28, 28, 1]) Y = tf.placeholder(tf.float32, [None, 10])     W1 = tf.Variable(tf.random_normal([3, 3, 1, 32], stddev = 0.01)) L1 = tf.nn.conv2d(X_img, W1, strides = [1, 1, 1, 1], padding = 'SAME') L1 = tf.nn.relu(L1) L1 = tf.nn.max_pool(L1, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME')     W2 = tf.Variable(tf.random_normal([3, 3, 32, 64], stddev = 0.01)) L2 = tf.nn.conv2d(L1, W2, strides = [1, 1, 1, 1], padding = 'SAME') L2 = tf.nn.relu(L2) L2 = tf.nn.max_pool(L2, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME') L2_flat = tf.reshape(L2, [-1, 7*7*64])   W3 = tf.Variable(tf.random_normal([7*7*64, 10], stddev = 0.01)) b = tf.Variable(tf.random_normal([10])) logits = tf.matmul(L2_flat, W3) + b   cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = logits, labels = Y)) optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost) correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(Y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))     # 텐서보드 활용하기 위한 스칼라 정의 cost_train_sum = tf.summary.scalar("cost_train", cost) accuracy_train_sum = tf.summary.scalar("accuracy_train", accuracy)     sess = tf.Session() sess.run(tf.global_variables_initializer())     # 모델 저장을 위한 부분 import os save_file = './model_mnist.ckpt' SAVER_DIR = "modelMNIST" saver = tf.train.Saver() checkpoint_path = os.path.join(SAVER_DIR, "modelMNIST") ckpt = tf.train.get_checkpoint_state(SAVER_DIR)   # 텐서보드  merged = tf.summary.merge_all() writer = tf.summary.FileWriter('./mygraph/train', sess.graph) writer_test = tf.summary.FileWriter('./mygraph/test', sess.graph)     print('Learning Started') for epoch in range(training_epochs):     avg_cost = 0     avg_cost_test = 0     total_batch = int(mnist.train.num_examples / batch_size)          for i in range(total_batch):         batch_xs, batch_ys = mnist.train.next_batch(bach_size)         feed_dict = {X: batch_xs, Y: batch_ys}         summary, c, a, _ = sess.run([merged, cost, accuracy, optimizer], feed_dict = feed_dict)         avg_cost += c / total_batch                  batch_test_xs, batch_test_ys = mnist.test.next_batch(batch_size)         feed_dict_test = {X: batch_test_xs, Y: batch_test_ys}         summary_test, c_test, a_test = sess.run([merged, cost, accuracy], feed_dict = feed_dict_test)         avg_cost_test += c_test / total_batch              print('Epoch: ', '%04d' % (epoch+1), 'Train cost = ', '{:.9f}'.format(avg_cost))     print('Epoch: ', '%04d' % (epoch+1), 'Train acc = ', '{:.9f}'.format(a))     print('Epoch: ', '%04d' % (epoch+1), 'Test cost = ', '{:.9f}'.format(avg_cost_test))     print('Epoch: ', '%04d' % (epoch+1), 'Test acc = ', '{:.9f}'.format(a_test))     print('\n')          # Tensorboard에서 epoch별 스칼라값 확인하기 위함     writer.add_summary(summary, global_step = epoch)     writer_test.add_summary(summary_test, global_step = epoch)          # epoch별 모델 체크포인트 저장     saver.save(sess, checkpoint_path, global_step = epoch)   print('Learning finished') writer.close() saver.save(sess, save_file)   Colored by Color Scripter

cs

---

딥러닝으로 꼭 해야하나?

MNIST 데이터셋은 특징이 있습니다. CIFAR 데이터셋 대비 훨씬 규칙성이 있다는 점입니다. 아무래도 숫자다보니, 동일한 레이블을 가지는 이미지들이 비교적 비슷한? 경향이 있습니다.
때문에 꼭 딥러닝이 아닌, 다른 머신러닝 알고리즘으로도 좋은 성능을 가지는 모델을 만들 수 있습니다.
자세한 사항은 여기에 정리되어 있습니다. 다음에 다른 알고리즘으로도 학습하여 비교해보는 것도 좋은 공부가 될 것 같네요.