tf_mnist

tensorflow를 통해 다시 처음부터 인공지능 학습을 시작합니다.

tensorflow tutorial의 내용을 새롭게 주석을 달면서 학습한 내용을 올립니다.

jupyter notebook에서 작성한 코드를 올리는 것도 시도해봅니다. 

첫번째 글이다 보니 아직 부족한 부분이 많은 것 같습니다. 

앞으로 학습한 내용들을 티스토리를 통해 같이 공유하겠습니다.

 

 

tensorflow 설치¶

In [1]:

!pip install -q tensorflow

tensorflow import : 라이브러리 불러들임¶

tf 라는 명칭으로 tensorflow 사용¶

In [2]:

import tensorflow as tf

mnist dataset을 로드 : x_train, y_train, x_test, y_test¶

• x_train : 훈련용 데이터
• y_train : 훈련용 데이터의 label(결과값 : 정답을 의미함)
• x_test : 시험용 데이터
• y_test : 시험용 데이터의 label

x_train, x_test : 0~255까지의 값¶

• 0~1 사이 값으로 변경

In [3]:

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 2s 0us/step

tf.keras.Sequential 모델을 만듬 : layer를 쌓아서 훈련¶

In [6]:

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])

model.fit : train data로 훈련시킴¶

model.evaluate : test data와 test label을 통한 정확도 측정¶

In [7]:

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test, y_test, verbose=2)

Epoch 1/5
1875/1875 [==============================] - 14s 5ms/step - loss: 0.2944 - accuracy: 0.9154
Epoch 2/5
1875/1875 [==============================] - 10s 5ms/step - loss: 0.1425 - accuracy: 0.9579
Epoch 3/5
1875/1875 [==============================] - 10s 5ms/step - loss: 0.1072 - accuracy: 0.9678
Epoch 4/5
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0869 - accuracy: 0.9735
Epoch 5/5
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0745 - accuracy: 0.9770
313/313 - 1s - loss: 0.0813 - accuracy: 0.9759

Out[7]:

[0.0812513455748558, 0.9758999943733215]

In [ ]: