[Deep Learning] DNN TensorFlow 이미지 분류 딥러닝

import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import fashion_mnist
# TensorFlow keras datasets API에 들어있는 Fashion MNIST 데이터 가져와 사용

 

트레이닝셋과 테스트셋을 가져온다 => 텐서플로우에서 사진을 넘파이로 변환해둔 데이터

>>> (X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()

>>> X_train.shape
(60000, 28, 28)

 

이미지 확인 : plt.imshow()

 

이미지는 범위(0~255)가 정해져 있기 때문에 StandardScaler, MinMaxScaler 를 쓰지 않고
범위의 최대값인 255 로 나눠 피처 스케일링 한다.

>>> X_train = X_train / 255

>>> X_test = X_test / 255

 

 

Flatten() : 배열이나 행렬의 차원을 납작하게 만드는 함수

예를 들어 2차원 배열이 있다고 가정한다면 이 배열을 flatten() 함수를 사용하여 1차원 배열로 만들면

모든 요소가 한 줄에 연이어져 있는 형태로 변환됨

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

>>> def build_model():
      model = Sequential()
      
      model.add(Flatten())
      
      model.add(Dense(128, 'relu'))
      model.add(Dense(10, 'softmax'))
      # y값이 레이블 인코딩으로 되어있으므로 sparse_categorical_crossentropy 사용
      model.compile('adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
      return model

 

학습, 정확도 확인, 예측시켜 변수에 저장

>>> model = build_model()

>>> model.fit(X_train, y_train, epochs= 5)

>>> model.evaluate(X_test, y_test

>>> y_pred = model.predict(X_test)

 

컨퓨전 매트릭스 확인

어떤 것을 컴퓨터가 많이 헷갈려 하는지 파악한다.

from sklearn.metrics import confusion_matrix

>>> y_pred = model.predict(X_test)

# numpy의 argmax() 함수를 이용하면 가장 큰 값이 들어있는 곳의 인덱스를 얻을 수 있다.
>>> y_pred = y_pred.argmax(axis=1)

>>> confusion_matrix(y_test, y_pred)