(Tensorflow 2.x) MNIST (With CNN)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

import numpy as np import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from keras.utils import to_categorical from keras.datasets import mnist import matplotlib.pyplot as plt   (x_train, y_train), (x_test, y_test) = mnist.load_data()   x_train = x_train.reshape(-1, 28, 28, 1) x_test = x_test.reshape(-1, 28, 28, 1)   x_train = x_train.astype(np.float32)/255.0 x_test = x_test.astype(np.float32)/255.0     def make_model():     model = Sequential()       model.add(Conv2D(input_shape=(28, 28, 1), kernel_size=(3, 3), filters=32, activation='relu'))     model.add(Conv2D(kernel_size=(3, 3), filters=64, activation='relu'))     model.add(MaxPooling2D(pool_size=(2, 2)))     model.add(Dropout(0.2))     model.add(Flatten())       model.add(Dense(128, activation='relu'))     model.add(Dropout(0.2))     model.add(Dense(10, activation='softmax'))       return model     cnn_model = make_model() cnn_model.compile(loss='sparse_categorical_crossentropy', optimizer=tf.keras.optimizers.Adam(), metrics=['accuracy'])   history = cnn_model.fit(x_train, y_train, validation_data=(x_test, y_test), batch_size=64, epochs=30)   cnn_model.evaluate(x_test, y_test)     plt.plot(history.history['accuracy']) plt.plot(history.history['val_accuracy']) plt.xlabel('epoch') plt.ylabel('accuracy') plt.legend(['train', 'validation'], loc='best') plt.show()   Colored by Color Scripter

cs

 

위 소스코드를 실행시키면 아래와 같은 결과를 얻을 수 있다.

 

기존 fully connected layer 기반의 인공신경망을 사용했을 때보다 성능이 더 높아진 것을 확인할 수 있다.