[딥러닝] 딥러닝 - MINST 손글씨 인식

1단계: 데이터 준비하기 - MNIST란 ?

- MNIST는 사람들이 직접 쓴 0부터 9까지의 손글씨 숫자 이미지 데이터셋 28×28 픽셀 크기의 흑백 이미지

- 손글씨 이미지를 보고 어떤 숫자인지 정확하게 맞추는 모델을 만드는 것이 목표

• 먼저, Keras 라이브러리를 사용해 MNIST 데이터를 불러옴
• 데이터는 모델 학습에 사용될 훈련 셋(training set)과 모델의 성능을 검증하기 위한 테스트 셋(test set)으로 나눔

from keras.datasets import mnist

# 데이터를 훈련 셋과 테스트 셋으로 불러오기
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

 

• 훈련 데이터: 60,000개의 이미지와 각 이미지에 해당하는 정답(레이블)이 있음.
  
   
• 테스트 데이터: 10,000개의 이미지와 정답 레이블이 있음. 이 데이터는 모델 학습에 사용되지 않고, 오직 성능 평가에만 사용

matplotlib 라이브러리를 사용하면 데이터에 포함된 이미지를 직접 눈으로 확인할 수 있음

import matplotlib.pyplot as plt

# 훈련 데이터의 5번째 이미지(인덱스 4)를 확인
digit = train_images[4] 
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()

---

2단계: 신경망 모델 만들기

- Keras의 Sequential 모델은 각 레이어(layer)를 레고 블록처럼 순차적으로 쌓아 만드는 간단하고 직관적인 방법

from keras import models
from keras import layers

network = models.Sequential()
# 입력 데이터 형태는 28*28=784차원 벡터
network.add(layers.Input(shape=(28*28,))) 
# 512개의 뉴런을 가진 Dense 레이어, 활성화 함수로 'relu' 사용
network.add(layers.Dense(512, activation='relu')) 
# 10개의 뉴런을 가진 출력 레이어, 활성화 함수로 'softmax' 사용
network.add(layers.Dense(10, activation='softmax'))

 

 

• 
  Dense 레이어:
  - '완전 연결 계층'이라고도 불림
  - 이전 레이어의 모든 뉴런과 다음 레이어의 모든 뉴런이 서로 연결된 가장 기본적인 형태의 레이어
  - 이 연결(가중치)들을 조절하며 데이터의 특징을 학습
  
  
   
• 활성화 함수(Activation Function): 뉴런의 출력값을 변환하는 함수
  • relu: 일반적으로 중간 레이어에서 많이 사용되는 활성화 함수
  • softmax: 모델의 마지막 출력층에서 사용되며, 출력 결과를 0과 1 사이의 확률값으로 변환
    - 예를 들어, 이미지가 숫자 '3'일 확률 80%, '5'일 확률 15% 등으로 나타냄. 총합은 항상 1.
  • Logits: Sigmoid함수나 Softmax함수와는 반대로 확률값이 주어졌을 경우, 실제 값으로 매핑하고 싶을 경우

 

---

3단계: 모델 컴파일하기 (학습 과정 설정)

- 모델이 어떻게 학습할지를 정하는 '컴파일' 단계가 필요

- 이 단계에서는 옵티마이저, 손실 함수, 측정 지표를 설정

network.compile(optimizer='rmsprop',
                loss='categorical_crossentropy',
                metrics=['accuracy'])

 

 

옵티마이저(Optimizer):
- 모델이 데이터와 손실 함수를 기반으로 가중치(weight)를 업데이트하는 메커니즘

- rmsprop, Adam 등이 널리 사용

 

손실 함수(Loss Function):
- 모델의 예측이 정답과 얼마나 다른지를 측정하는 방법
- 모델은 이 손실 값을 최소화하는 방향으로 학습
- 이번 예제처럼 여러 카테고리 중 하나를 맞추는 문제에서는 categorical_crossentropy를 사용

• 측정 지표(Metrics):
  - 학습과 테스트 과정을 모니터링하기 위한 지표
  - 가장 직관적인 **정확도(accuracy)**를 사용해 모델의 성능을 평가

 

---

4단계: 데이터 전처리

- 모델에 데이터를 입력하기 전에, 모델이 이해할 수 있는 형태로 가공하는 과정이 필요

1. 데이터 형태 변환:
   - 우리가 만든 Dense 레이어는 1차원 벡터 형태의 입력을 기대
   - 따라서 28×28 크기의 2차원 이미지를 784개의 원소를 가진 1차원 벡터로 변환
2. 정규화:
   - 이미지의 각 픽셀 값은 0에서 255 사이의 값을 가짐
   - 이 값을 0과 1 사이의 실수로 변환(정규화)하면 모델이 더 안정적으로 학습
3. 레이블 인코딩:
   - 현재 정답 레이블은 5, 0, 4 같은 숫자
   - 하지만 모델의 최종 출력은 10개의 확률값이므로, 정답 데이터도 같은 형식으로 바꿔줘야 함
   - 3은 [0, 0, 0, 1, 0, 0, 0, 0, 0, 0] 과 같은 10차원 벡터로 바뀜
   - to_categorical 함수를 사용해 레이블을 '원-핫 인코딩(one-hot encoding)' 형태로 변환

# 1. 이미지 데이터 형태 변환 및 정규화
v_train_images = train_images.reshape((60000, 28 * 28))
v_train_images = v_train_images.astype('float32') / 255

v_test_images = test_images.reshape((10000, 28 * 28))
v_test_images = v_test_images.astype('float32') / 255

# 2. 레이블 원-핫 인코딩
from keras.utils import to_categorical

v_train_labels = to_categorical(train_labels)
v_test_labels = to_categorical(test_labels)

---

5단계: 모델 학습시키기

- fit 메소드를 호출하여 훈련 데이터로 모델을 학습

network.fit(v_train_images, v_train_labels, epochs=5, batch_size=128)

 

• epochs:
  - 전체 훈련 데이터셋을 몇 번 반복하여 학습할지를 의미
  - 여기서는 전체 데이터를 5번 학습
• batch_size:
  - 한 번에 학습할 데이터의 개수
  - 60,000개의 데이터를 128개씩 나누어 학습을 진행

 

학습이 진행되면서 각 epoch마다 손실(loss)은 점차 줄어들고 정확도(accuracy)는 올라가는 것을 확인할 수 있음

---

6단계: 모델 성능 평가하기

- 학습이 완료된 모델이 얼마나 뛰어난 성능을 보이는지 확인
- 학습에 전혀 사용되지 않은 테스트 데이터를 사용하여 모델을 평가

test_loss, test_acc = network.evaluate(v_test_images, v_test_labels)
print('test_acc:', test_acc)

# 출력 예시
# test_acc: 0.979200005531311

 

• 결과를 보면 약 97.9%의 정확도를 보여줌
• 이는 우리가 만든 간단한 신경망 모델이 처음 보는 손글씨 이미지 100개 중 약 98개를 정확하게 맞춘다는 의미