러닝텐서플로 2장

• Hello World

import tensorflow as tf
h = tf.constant("Hello")
w = tf.constant("World")
hw = h+w
with tf.Session() as sess:
    ans = sess.run(hw)
 
print(ans)

• MNIST

이미지 처리와 머신러닝에서 가장 많이 다뤄지는 데이터.

• Softmax Regression

이미지의 위치에 따른 각 픽셀에 해당하는 값이 숫자에 따라 높은지 혹은 낮은지의 경향성을 계산한다. 예를 들어 숫자 '0'과 '6'을 비교해보면 '6'에는 이미지의 가운데에 검은 픽셀이 있다. 만약 어떤 이미지의 가운데에 검은 픽셀이 있다면, 이것은 이 이미지의 숫자가 '0'이 아니고 '6'일 수 있다는 근거가 된다. 소프트맥스 회귀에서는 이미지의 픽셀 배치와 관련된 공간 정보를 사용하지 않는다.

공간 정보를 사용하지 않으므로 이미지의 픽셀을 긴 벡터x로 나타냈을 때, W가중치 벡터와 곱하여 xW로 나타낼 수 있다.

예측은 다음과 같이 한다.

digit = argmax(xW)

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

#mnist 데이터를 사용한다.

 

DATA_DIR = '/data'

NUM_STEPS = 1000

MINIBATCH_SIZE = 100

 

data = input_data.read_data_sets(DATA_DIR, one_hot=True)

#DATA_DIR에 데이터를 읽는다.

 

x = tf.placeholder(tf.float32, [None, 784])

W = tf.Variable(tf.zeros([784, 10]))

#Variable이란 연산 과정에서 조작되는 값인 반면

#placeholder는 연산 그래프가 실행될 때 제공되어야 하는 값이다.

 

y_true = tf.placeholder(tf.float32, [None, 10])

y_pred = tf.matmul(x, W)

#y_true - 정답 레이블과

#y_pred - 예측 레이블에 해당된다.

 

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_pred,

                                                                        labels=y_true))

#loss function으로 cross_entropy를 사용하였다.

 

gd_step = tf.train.GradientDescentOptimizer(learning_rate=0.5).minimize(cross_entropy)

#학습 방법으로 경사 하강법을 사용했다.

 

correct_mask = tf.equal(tf.argmax(y_pred, 1), tf.argmax(y_true, 1))

accuracy = tf.reduce_mean(tf.cast(correct_mask, tf.float32))

#argmax 2번째 인자값 0이면 같은 열에서, 1이면 같은 행에서 최대값을 찾는다.

 

 

 

with tf.Session() as sess:

    #학습

    sess.run(tf.global_variables_initializer())

 

    for _ in range(NUM_STEPS):

        batch_xs, batch_ys = data.train.next_batch(MINIBATCH_SIZE)

        sess.run(gd_step, feed_dict={x: batch_xs, y_true: batch_ys})

    #placeholder가 포함된 연산을 수행하고자 할 때마다 placeholder에 값을 밀어 넣는다.

 

    #테스트

    test = sess.run(correct_mask, feed_dict={x: data.test.images, y_true: data.test.labels})

    ans = sess.run(accuracy, feed_dict={x: data.test.images,

                                        y_true: data.test.labels})

 

print("Accuracy: {:.4}%".format(ans*100))

print(test)

Colored by Color Scripter

cs