💡이번주 목표 : 숫자 인식 실습하기

• 텐서플로우 사용을 위해 아나콘다 설치하여 세팅 완료.
• 숫자 학습을 위해 MNIST 데이터셋을 다운 받는다.

🔅MNIST- Dataset 가져와서 조회하기

# MNIST 데이터 가져오기
import sys

from dataset.dataset.mnist import load_mnist

sys.path.append("./dataset") # 이때, dataset 폴더는 실행하는 py 파일의 경로와 일치해야 한다.

(train_image_data, train_label_data), (test_image_data, test_label_data) = load_mnist(flatten = True, normalize = False)

import matplotlib.pylab as plt

# n(0~59,999)을 입력값으로 주면, 그 번호에 맞는 label과 image를 가져와서, 그걸 그림으로 나타내는 함수이다.
def mnist_show(n) :
    image = train_image_data[n]
    image_reshaped = image.reshape(28, 28)
    image_reshaped.shape
    label = train_label_data[n]
    plt.figure(figsize = (4, 4))
    plt.title("sample of " + str(label))
    plt.imshow(image_reshaped, cmap="gray")
    plt.show()

mnist_show(2747)

🔅MNIST 사용 - 학습시킨 데이터로 테스트하기

데이터를 학습시켜서,

학습의 정확도를 측정해볼 것이다.

은닉층은 2개, activation function으로는 sigmoid 함수를 사용하며,

최종 출력값의 정규화를 위해 softmax 함수를 활용한다.

# MNIST - 학습시킨 데이터로 테스트하기
import pickle
import sys
import matplotlib.pylab as plt
from dataset.dataset.mnist import load_mnist

sys.path.append("./dataset") # 이때, dataset 폴더는 실행하는 py 파일의 경로와 일치해야 한다.
(train_image_data, train_label_data), (test_image_data, test_label_data) = load_mnist(flatten = True, normalize = False)

def sigmoid(x):  # sigmoid 함수
    return 1 / (1 + plt.np.exp(-x))

def softmax(matrix):  # softmax 함수
    maximum_of_matrix = plt.np.max(matrix)
    difference_from_maximum = matrix - maximum_of_matrix
    exponential_of_difference = plt.np.exp(difference_from_maximum)
    sum_of_exponential = plt.np.sum(exponential_of_difference)
    y = exponential_of_difference / sum_of_exponential
    return y

def get_data():  # mnist 데이터를 불러옴. 여기서는 이 중에 test 변수만을 사용할 것이다.
    (image_train, label_train), (image_test, label_test) = load_mnist(flatten=True, normalize=False)
    return image_test, label_test

def init_network():  # sample_weight 를 불러와서 신경망 구성
    with open('./dataset/sample_weight.pkl', 'rb') as f:
        network = pickle.load(f)
    return network

def predict(network, x):  # 테스트 케이스들을 테스트
    # hidden data 2개
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']
    a1 = plt.np.dot(x, W1) + b1
    z1 = sigmoid(a1)
    a2 = plt.np.dot(z1, W2) + b2
    z2 = sigmoid(a2)
    a3 = plt.np.dot(z2, W3) + b3
    y = softmax(a3)

    return y

images, labels = get_data()
network = init_network()

accuracy_cnt = 0
for i in range(len(images)):  # 각 테스트 케이스들에 대해
    y = predict(network, images[i])  # 실행 결과 output 10개가 나온다
    # 각 0~9 별로 비슷 정도에 대한 수치이다
    p = plt.np.argmax(y)  # 가장 가능성이 높은(값이 큰) 것을 선택
    if p == labels[i]:  # 실제 값과 비교하여, 예측과 실제가 맞으면 카운트
        accuracy_cnt += 1

print("Accuracy: " + str(float(accuracy_cnt) / len(images)))

🌟숫자 인식 성공

• 그림판에서 숫자를 쓰고 해당 파일을 이미지 파일로 저장 후 학습을 시킨 뒤 숫자를 인식하는 실습을 진행.

1. 훈련셋과 시험셋 로딩
2. keras 학습 모델 구성
3. epochs 횟수를 조정하면 데이터를 훈련시킨다.
4. 숫자 이미지를 불러와 출력한다.
5. 숫자를 테스트한다.

# 숫자인식 - 성공

import tensorflow as tf

import matplotlib.pyplot as plt

from PIL import Image

mnist = tf.keras.datasets.mnist

import cv2

# # 훈련셋과 시험셋 로딩
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train, x_test = x_train / 255.0, x_test / 255.0

# 학습 모델(keras) 구성
model = tf.keras.models.Sequential([

    tf.keras.layers.Flatten(),

    tf.keras.layers.Dense(512, activation=tf.nn.relu),

    tf.keras.layers.Dropout(0.2),

    tf.keras.layers.Dense(10, activation=tf.nn.softmax)

])

model.compile(optimizer='adam',

              loss='sparse_categorical_crossentropy',

              metrics=['accuracy'])

# 데이터를 훈련시킨다. epochs은 반복 훈련 횟수
model.fit(x_train, y_train, epochs=9)

score = model.evaluate(x_test, y_test)

# 이미지 불러와 출력

gray = cv2.imread("resource/number3.png", cv2.IMREAD_GRAYSCALE)

plt.imshow(gray)

plt.show()

# 이미지 사이즈 변경

gray = cv2.resize(255 - gray, (28, 28))

test_num = gray.flatten() / 255.0

test_num = test_num.reshape((-1, 28, 28, 1))

# 이미지 숫자 테스트

print('The Answer is ', model.predict_classes(test_num))

🔔 기존 2월 3주차 계획은 영어 인식 실습이었으나 숫자 인식 실습을 아직 완벽하게 끝내지 못해 숫자 인식에 대해 한 주 더 공부할 계획!