Mnist fashion 의류데이터 분류하기-2.모델 학습

Mnist fashion 데이터를 불러온 이후 train데이터로 학습을 진행하고 test데이터로 예측을 진행해보자

model = tf.keras.Sequential([
    tf.keras.layers.Dense(128,input_shape = (28,28), activation = "relu"),
    tf.keras.layers.Dense(64, activation = "relu"),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10, activation = 'softmax'),
])

model = 

형식으로 모델을 정의할수 있다.

---

 

Dense layers를 통해 은닉층 노드수를 설정할 수 있으며 

activation function으로 relu함수를 사용했다.

x<0 구간에서 0의 값을 가지고, x>=0구간에서 일차함수의 직선형태를 가지는 함수인데

activation function으로 relu를 사용한 이유는 픽셀의 값이 0~255사이의 음이아닌 정수의 값만 가지기 때문에 성능이 잘나오는  활성화함수이다.

---

model.summary()

위 코드를 통해 model의 구조를 확인할 수 있다.

flatten layer를 통해 2차원 데이터를 1차원 데이터로 변환이 가능하다.

마지막 layer의 output으로 10을 지정하고 activation함수를 softmax로 사용해야 10개의 label의 각각의 정답 확률을 출력할수 있다. (sigmoid를 사용하는 경우는 binary이진분류일때 사용한다.)

---

모델 layers의 구조를 만들었으면 학습을 진행해보자

model.compile(loss = 'sparse_categorical_crossentropy',optimizer='adam',metrics = ['accuracy'])
model.fit(trainX,trainY,epochs = 5)

 

model.compile을 통해 모델의 loss_function optimizer, metrics을 설정할수있는데

각각

 

loss        ->모델의 오차를 어떤 방식으로 줄여나가며 학습시킬지에 대한 함수

optimizer->학습률 조정에 있어 어떠한 방식으로 조정할 것인지

metric      ->모델의 성능평가를 어떤 걸로 설정할것인지

에 대해서 각자 모델의 목적에 맞게 설정하면된다.

 

이때 loss function에서 sparse_categorical_crossentropy와 categorical_crossentropy의 차이는

label의 형태가 순서대로 정수형인지 원핫인코딩 형태인지에 따라 다르게 해주면 된다.

 

이후

모델의 학습회수(epochs)를 5로 하고 학습을 진행하게된다.

---

해당 모델은 약 86퍼센트의 정확도가 나온다.

---

다음에는 해당 모델의 성능을 올리는 방법에 대해서 공부해보겠다.