[PYTHON/KERAS] 다층 퍼셉트론 신경망 만들기 (MNIST)

■ 다층 퍼셉트론 신경망을 만드는 방법을 보여준다.

▶ 예제 코드 (PY)


import keras.datasets.mnist as mnist
import keras.layers.core as core
import keras.models as models
import keras.utils.np_utils as np_utils
import matplotlib.pyplot as pp
import numpy as np

np.random.seed(1671)

inputLayerNodeCount  = 784
hiddenLayerNodeCount = 128
outputLayerNodeCount = 10

# 학습 및 테스트 데이터를 로드한다.
(trainInputNDArray, trainCorrectOutputNDArray), (testInputNDArray, testCorrectOutputNDArray) = mnist.load_data()

trainInputNDArray = trainInputNDArray.reshape(60000, inputLayerNodeCount)
trainInputNDArray = trainInputNDArray.astype("float32")

testInputNDArray  = testInputNDArray.reshape(10000, inputLayerNodeCount)
testInputNDArray  = testInputNDArray.astype("float32")

# 입력 데이터를 정규화 한다.
trainInputNDArray /= 255
testInputNDArray  /= 255

print(trainInputNDArray.shape[0], "학습 샘플 데이터"  )
print(testInputNDArray.shape[0] , "테스트 샘플 데이터")

# 범주 벡터를 이진 범주 행렬로 변환한다.
trainCorrectOutputNDArray = np_utils.to_categorical(trainCorrectOutputNDArray, outputLayerNodeCount)
testCorrectOutputNDArray  = np_utils.to_categorical(testCorrectOutputNDArray , outputLayerNodeCount)

# 모델을 정의한다.
model = models.Sequential()

model.add(core.Dense(hiddenLayerNodeCount, input_shape = (inputLayerNodeCount,)))
model.add(core.Activation("relu"))
model.add(core.Dropout(0.3))
model.add(core.Dense(hiddenLayerNodeCount))
model.add(core.Activation("relu"))
model.add(core.Dropout(0.3))
model.add(core.Dense(outputLayerNodeCount))
model.add(core.Activation("softmax"))

model.summary()

# 모델을 컴파일한다.
model.compile(loss = "categorical_crossentropy", optimizer = "sgd", metrics = ["accuracy"])

# 모델을 학습시킨다.
history = model.fit(trainInputNDArray, trainCorrectOutputNDArray, batch_size = 128, epochs = 20, verbose = 1, validation_split = 0.2)

# 모델을 평가한다.
scoreList = model.evaluate(testInputNDArray, testCorrectOutputNDArray, verbose = 1)

print("")
print("테스트 스코어 : ", scoreList[0])
print("테스트 정확도 : ", scoreList[1])

# 히스토리의 모든 데이터 목록을 표시한다.
print(history.history.keys())

# 정확도 히스토리를 표시한다.
pp.plot(history.history["acc"    ])
pp.plot(history.history["val_acc"])

pp.title("model accuracy")
pp.ylabel("accuracy")
pp.xlabel("epoch")
pp.legend(["train", "test"], loc = "upper left")

pp.show()

# 손실 히스토리를 표시한다.
pp.plot(history.history["loss"    ])
pp.plot(history.history["val_loss"])

pp.title("model loss")
pp.ylabel("loss")
pp.xlabel("epoch")
pp.legend(["train", "test"], loc = "upper left")

pp.show()

import keras.datasets.mnist as mnist

import keras.layers.core as core

import keras.models as models

import keras.utils.np_utils as np_utils

import matplotlib.pyplot as pp

import numpy as np

np.random.seed(1671)

inputLayerNodeCount = 784

hiddenLayerNodeCount = 128

outputLayerNodeCount = 10

# 학습 및 테스트 데이터를 로드한다.

(trainInputNDArray, trainCorrectOutputNDArray), (testInputNDArray, testCorrectOutputNDArray) = mnist.load_data()

trainInputNDArray = trainInputNDArray.reshape(60000, inputLayerNodeCount)

trainInputNDArray = trainInputNDArray.astype("float32")

testInputNDArray = testInputNDArray.reshape(10000, inputLayerNodeCount)

testInputNDArray = testInputNDArray.astype("float32")

# 입력 데이터를 정규화 한다.

trainInputNDArray /= 255

testInputNDArray /= 255

print(trainInputNDArray.shape[0], "학습 샘플 데이터" )

print(testInputNDArray.shape[0] , "테스트 샘플 데이터")

# 범주 벡터를 이진 범주 행렬로 변환한다.

trainCorrectOutputNDArray = np_utils.to_categorical(trainCorrectOutputNDArray, outputLayerNodeCount)

testCorrectOutputNDArray = np_utils.to_categorical(testCorrectOutputNDArray , outputLayerNodeCount)

# 모델을 정의한다.

model = models.Sequential()

model.add(core.Dense(hiddenLayerNodeCount, input_shape = (inputLayerNodeCount,)))

model.add(core.Activation("relu"))

model.add(core.Dropout(0.3))

model.add(core.Dense(hiddenLayerNodeCount))

model.add(core.Activation("relu"))

model.add(core.Dropout(0.3))

model.add(core.Dense(outputLayerNodeCount))

model.add(core.Activation("softmax"))

model.summary()

# 모델을 컴파일한다.

model.compile(loss = "categorical_crossentropy", optimizer = "sgd", metrics = ["accuracy"])

# 모델을 학습시킨다.

history = model.fit(trainInputNDArray, trainCorrectOutputNDArray, batch_size = 128, epochs = 20, verbose = 1, validation_split = 0.2)

# 모델을 평가한다.

scoreList = model.evaluate(testInputNDArray, testCorrectOutputNDArray, verbose = 1)

print("")

print("테스트 스코어 : ", scoreList[0])

print("테스트 정확도 : ", scoreList[1])

# 히스토리의 모든 데이터 목록을 표시한다.

print(history.history.keys())

# 정확도 히스토리를 표시한다.

pp.plot(history.history["acc" ])

pp.plot(history.history["val_acc"])

pp.title("model accuracy")

pp.ylabel("accuracy")

pp.xlabel("epoch")

pp.legend(["train", "test"], loc = "upper left")

pp.show()

# 손실 히스토리를 표시한다.

pp.plot(history.history["loss" ])

pp.plot(history.history["val_loss"])

pp.title("model loss")

pp.ylabel("loss")

pp.xlabel("epoch")

pp.legend(["train", "test"], loc = "upper left")

pp.show()