[Ch.01] 04 - 다중 분류 Mnist

딥러닝을 처음 배우면 자주 접하게 되는 손글씨 다중 분류 문제 입니다.

기본을 다지기도 좋고 pytorch 프레임워크의 구조 파악을 쉽게 하실 수 있습니다.

뒤에 많은 실습 문제들을 설명하겠지만, 큰 틀은 크게 여기서 벗어나지 않습니다.

 

1. 데이터 살펴보기

Mnist 데이터를 활용하여 숫자 손글씨 이미지가 랜덤으로 있을때,

정확도 95% 이상의 결과를 받을 수 있습니다.

코드 기반으로 이제 설명 하겠습니다.

 

<학습, 테스트 이미지 분류>

# 1. 데이터 살펴보기

import matplotlib.pyplot as plt
from torchvision.datasets.mnist import MNIST
from torchvision.transforms import ToTensor

# <학습 데이터, 테스트 데이터 분류>
# train=True, train=Flase 의 의미는 학습용 데이터를 불러오려면 True // 테스트용 데이터를 불러오려면 False
train_data = MNIST(root='./', train=True, download=True, transform=ToTensor())
test_data = MNIST(root='./', train=False, download=True, transform=ToTensor())

print(len(train_data))
print(len(test_data))

결과값

60000

10000

 

학습용 데이터 수량은 60,000 장

테스트 데이터 수량은 10,000 장

 

이미지 자체가 용량이 작아서 다운로드는 금방 진행 되며, 수량도 확인 가능합니다.

 

<샘플 이미지 출력>

# <샘플 이미지 9개 출력>
for i in range(9):
    plt.subplot(3, 3, i+1)
    plt.imshow(train_data.data[i])
plt.show()

샘플 이미지 출력

---

2. 데이터 불러오기

# 2. 데이터 불러오기 (Dataloader() 함수)

from torch.utils.data.dataloader import DataLoader

train_loader = DataLoader(train_data, batch_size=32, shuffle=True)
test_loader = DataLoader(test_data, batch_size=32, shuffle=False)

# DataLoader 함수를 사용하면 우리가 원하는 배치크기, 셔플 여부를 설정 가능
# 학습용 데이터를 섞지 않고 학습하면 하나의 루틴에서 계속 학습 될 수 있습니다.
# 그래서 이미지의 순석를 섞어서 학습하는 것이 좋습니다.
# 테스트 데이터는 학습이 된 모델을 이용해서 순서대로 예측값과 정답을 비교하는 과정이므로
# 데이터를 섞을 필요는 없습니다.

DataLoader 함수를 사용하면 우리가 원하는 배치크기, 셔플 여부를 설정 가능 합니다.
학습용 데이터를 섞지 않고 학습하면 하나의 루틴에서 계속 학습 될 수 있어서
이미지의 순서를 섞어서(shuffle=True) 학습하는 것이 좋습니다.
테스트 데이터는 학습이 된 모델을 이용하기 때문에

순서대로 예측값과 정답을 비교하는 과정이므로 데이터를 섞을(shuffle=False) 필요는 없습니다.

---

3. 모델 정의 및 학습하기

# 3. 모델 정의 및 학습하기
# 모델 정의
# 데이터 호출
# 손실 계산
# 오차 역전파 및 최적화 (가중치 업데이트)
# 원하는 만큼 반복

# 기존의 학습과는 다르게, 이미지는 가로축과 세로축으로 이루어져 있는 2차원 데이터 입니다.
# 인공 신경망은 모든 값이 일렬로 나란히 있는 배열을 입력으로 갖습니다.
# 따라서 인공 신경망의 입력으로 2차원 이미지를 넣고 싶다면 1차원으로 모양을 변경해야 합니다.

import torch
import torch.nn as nn
from torch.optim.adam import Adam

# 학습에 사용할 장치 지정
device = 'cuda' if torch.cuda.is_available() else 'cpu'

model = nn.Sequential(
    nn.Linear(784, 64),
    nn.ReLU(),
    nn.Linear(64, 64),
    nn.ReLU(),
    nn.Linear(64, 10)
)

model.to(device) # 모델의 파라미터를 GPU 로 보냄

lr = 1e-3
optim = Adam(model.parameters(), lr=lr)

for epoch in range(20):
    for data, label in train_loader:
        optim.zero_grad()

        # 입력 데이터 모양을 모델의 입력에 맞게 변환 (일렬로 펴주는 기능)
        # mnist 이미지는 모두 28*28(784픽셀)
        # -1 의 의미는 갯수를 상관하지 않겠다는 뜻
        # 따라서 입력텐서는 (배치, (높이*너비)) (32,784)가 된다
        # -1 넣어서 위에서 정의한 배치사이즈가 들어가게 된다.
        data = torch.reshape(data, (-1,784)).to(device)
        preds = model(data)

        loss = nn.CrossEntropyLoss()(preds, label.to(device)) # 확률 분포 사용
        loss.backward() # 오차 역전파
        optim.step() # 최적화

    # loss : 실제 정답과 모델이 예측한 값 사이의 차이
    print(f"epoch{epoch+1} loss:{loss.item()}")

torch.save(model.state_dict(), "./mnist.pth")

기존의 학습과는 다르게, 이미지는 가로축과 세로축으로 이루어져 있는 2차원 데이터 입니다.
인공 신경망은 모든 값이 일렬로 나란히 있는 배열을 입력으로 갖습니다.
따라서 인공 신경망의 입력으로 2차원 이미지를 넣고 싶다면 1차원으로 모양을 변경해야 합니다.

 

학습 결과

---

4. 모델 성능 평가하기

# 4. 모델 성능 평가하기
model.load_state_dict(torch.load('./mnist.pth', map_location=device))

num_corr = 0 # 분류에 성공한 전체 수

with torch.no_grad(): # 기울기를 계산하지 않음
    for data, label in test_loader:
        data = torch.reshape(data, (-1, 784)).to(device)

        output = model(data.to(device))

        # max(1)[1] 가장 높은 값을 갖는 위치를 반환
        # 모든 텐서의 차원은 배치, 클래스 순서이다.
        # max(0)은 배치에서 가장 높은 값을 반환
        # max(1)은 클래스 차원에서 가장 높은 값을 반환
        preds = output.data.max(1)[1] # 모델의 예측값 계산


        # 올바르게 분류한 개수
        corr = preds.eq(label.to(device).data).sum().item()
        num_corr += corr

    print(f"Accuracy:{num_corr/len(test_data)}") # 정확도 출력

정확도는 97% 나오며, 손글씨 이미지 학습은 여기까지 설명하겠습니다.

코드 내에 주석도 참고하시면서 이해 하시면 좋을꺼 같습니다!