딥러닝을 시작합니다

1. 인공 신경망

패션 MNIST

• 딥러닝에는 MNIST 데이터셋이 유명 : 손으로 쓴 0 ~ 9까지의 숫자로 이루어짐
• 패션 MNIST 데이터의 타깃은 0 ~ 9까지의 숫자 레이블로 구성됨

# 패션 MNIST 데이터 불러오기
from tensorflow import keras
(train_input, train_target), (test_input, test_target) = keras.datasets.fashion_mnist.load_data()
print(train_input.shape, train_target.shape)
print(test_input.shape, test_target.shape)

# 몇 개의 샘플 이미지 출력하기
import matplotlib.pyplot as plt
fig, axs = plt.subplots(1,10,figsize=(10,10))
for i in range(10):
  axs[i].imshow(train_input[i], cmap='gray_r')
  axs[i].axis('off')
plt.show()

# 처음 10개 샘플의 타깃값을 리스트로 만든 후 출력
print([train_target[i] for i in range(10)])

# 레이블당 샘플 개수 확인
import numpy as np
print(np.unique(train_target, return_counts=True))

※ TensorFlow : 딥러닝 라이브러리

로지스틱 회귀로 패션 아이템 분류하기

• 샘플 개수 多 ⇒ 샘플을 하나씩 꺼내서 모델 훈련 : 확률적 경사 하강법
• 확률적 경사 하강법 : 여러 특성 중 기울기가 가장 가파른 방향을 따라 이동 ⇒ 특성마다 값의 범위가 많이 다르면 올바르게 손실 한수의 경사를 내려올 수 없기 때문에, 표준화 전처리 해야함 !
• 패션 MNIST의 데이터의 경우 : 각 픽셀은 0 ~ 255 사이의 정숫값 ⇒ (최댓값 - 최솟값)으로 나눈 값 = 0 ~ 1로 정규화

# 정규화 & 2차원 배열 -> 1차원 배열로 만들기
train_scaled = train_input / 255.0
train_scaled = train_scaled.reshape(-1,28*28)
print(train_scaled.shape)

# 교차 검증으로 성능 확인
from sklearn.model_selection import cross_validate
from sklearn.linear_model import SGDClassifier
sc = SGDClassifier(loss='log', max_iter=5, random_state=42)
scores = cross_validate(sc, train_scaled, train_target, n_jobs=-1)
print(np.mean(scores['test_score']))

• z_티셔츠 = w1 * (픽셀1) + w2 * (픽셀2) + ... + w784 * (픽셀784) + b

  z_바지 = w1’ * (픽셀1) + w2’ * (픽셀2) + ... + w784’ * (픽셀784) + b’

⇒ 이런 식으로 10개의 클래스에 대한 선형 방정식을 모두 계산 → 소프트맥스 함수를 통하여 각 클래스에 대한 확률을 얻을 수 있음