[tensorflow 22] Fashion MNIST02

[tensorflow 19]에서 Fashion MNIST를 Dense 레이어를 사용하여 분류하였습니다.

 

이번에는 새롭게 공부한 컨폴루션, 풀링 레이어를 이용하여 분류해보겠습니다.

---

[tensorflow 19]와 동일하게 정규화를 진행하고, 컨볼루션 연산을 진행하겠습니다.

 

Conv2D 연산을 하기 위해서는 채널을 가진 데이터의 형태로 Shape를 변경해야 합니다.

 

Shape 변경 후 모델 구성을 해보도록 하겠습니다.

 

import tensorflow as tf

fashion_mnist = tf.keras.datasets.fashion_mnist
(train_X, train_Y), (test_X, test_Y) = fashion_mnist.load_data()

train_X = train_X / 255.0
test_X = test_X / 255.0

print("reshape 이전 => ", train_X.shape, test_X.shape)

train_X = train_X.reshape(-1, 28, 28, 1)
test_X = test_X.reshape(-1, 28, 28, 1)

print("reshape 이후 => ", train_X.shape, test_X.shape)

Fashion MNIST는 흑백 이미지라 1개의 채널을 갖기 때문에 가장 뒤쪽 1개의 채널 차원을 추가하였습니다.

 

---

이제 모델을 생성하고, 학습을 진행해보도록 하겠습니다.

 

3개의 Conv2D 레이어를 사용하였고, 높이28 너비28 채널1개의 input_size를 지정하였습니다.

 

필터의 수는 2배씩 증가하도록 16, 32, 64를 지정하였습니다.

 

그 이후, Flatten 레이어로 2차원 데이터를 1차원 정렬 후 Dense 레이어를 사용하여 classifier를 만들었습니다.

(Pooling과 Dropout은 비교를 위해 다음 포스팅에서 적용시켜보겠습니다.)

import tensorflow as tf
import matplotlib.pyplot as plt

fashion_mnist = tf.keras.datasets.fashion_mnist
(train_X, train_Y), (test_X, test_Y) = fashion_mnist.load_data()

train_X = train_X / 255.0
test_X = test_X / 255.0
# print("reshape 이전 => ", train_X.shape, test_X.shape)

train_X = train_X.reshape(-1, 28, 28, 1)
test_X = test_X.reshape(-1, 28, 28, 1)

# print("reshape 이후 => ", train_X.shape, test_X.shape)

#모델 생성
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(input_shape=(28,28,1), kernel_size=(3,3), filters=16),
    tf.keras.layers.Conv2D(kernel_size=(3,3), filters=32),
    tf.keras.layers.Conv2D(kernel_size=(3,3), filters=64),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(units=128, activation='relu'),
    tf.keras.layers.Dense(units=10, activation='softmax')
])

model.compile(optimizer=tf.keras.optimizers.Adam(),
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_X, train_Y, epochs=25, validation_split=0.25)

#loss 시각화
plt.figure(figsize=(12, 4))

plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], 'b-', label='loss')
plt.plot(history.history['val_loss'], 'r--', label='val_loss')
plt.xlabel('Epoch')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'], 'g-', label='accuracy')
plt.plot(history.history['val_accuracy'], 'k--', label='val_accuracy')
plt.xlabel('Epoch')
plt.ylim(0.7, 1)
plt.legend()

plt.show()

model.evaluate(test_X, test_Y, verbose=0)

 

테스트 결과는 85.5퍼센트가 나왔습니다.

 

생각보다 그렇게 좋지 않은 결과입니다.

 

Pooling 레이어와 Dropout 레이어를 추가하게 된다면 어떻게 될까요?