이미지 구분 AI 만들기 2

박재형·2025년 3월 15일

이번 시간에는 저번 시간에 설명했던 모델을 직접 구현해보겠다.

먼저 이번 모델은 여러 입력이나 출력을 가지거나 복잡한 연결 구조가 아니므로 Sequential 모델을 사용하겠다.

model = tf.keras.Sequential([])

그리고 노드를 쌓아 줄 건데, 이번 시간에는 3층으로 쌓아주겠다.

model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation="relu"), 
    tf.keras.layers.Dense(64, activation="relu"),
    tf.keras.layers.Dense(10, activation="softmax"), 
])

이번 시간에는 relu 활성화 함수를 사용했는데, relu 함수는 0 미만의 값들은 모두 0으로 리턴을 해준다.
우리는 이미지가 특정 카테고리일 확률을 구하는 모델을 만들 것이므로 음수는 필요하지 않아 relu 함수를 사용했다.

그리고 fashion mnist의 의상 카테고리는 총 10개이므로,

['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker','Bag','Ankle boot']

마지막 레이어의 노드 수를 10개로 지정했다.

그런데 왜 이번 시간에는 저번 시간처럼 확률을 구하는 모델인데 sigmoid 함수가 아닌 softmax를 썼는지 궁금할 것이다.

그 이유로, sigmoid 함수는 하나의 확률을 구하면 나머지의 확률은 1 - (구한 확률)로 결정되어 이진 분류에서 간단하고 효율적이지만, softmax 함수는 모든 클래스에서의 확률을 0에서 1로 정규화하고 비교하여 가장 높은 확률을 선택한다. 따라서 이번 모델에서의 마지막 레이어는 softmax 활성화 함수를 채택했다.

model.compile( loss= "sparse_categorical_crossentropy", optimizer = "adam", metrics=['accuracy'])

이번 모델의 손실 함수는 sparse_categorical_crossentropy 를 채택했는데, 그 이유로 의상 카테고리는 정수형으로 표현되기 때문이다. 간단하게, 우리는 10가지 카테고리에 해당되는 확률을 모두 계산한 다음 가장 확률이 높은 카테고리를 리턴해주는 모델을 원하는데, sparse_categorical_crossentropy 는 one-hot-encoding (어레이의 첫번째 인수가 정답이면 [1,0,0,0,..,0] 을 리턴)이 아닌 인덱스를 리턴해주어 채택하게 되었다.

이 상태로 우리가 만들 모델의 summary를 볼 수 있는데,

model.summary()

를 입력하면 레이어의 출력 형태와 파라미터 개수를 출력해준다.
하지만, 우리가 입력한 상태로 출력하게 되면 에러가 발생하는데, 그 이유는 우리가 입력 데이터의 크기를 지정하지 않아서 가중치인 w값을 지정할 수 없기 때문이다.

따라서

tf.keras.layers.Dense(128,input_shape=(28,28) ,activation="relu")

fashion_mnist 사진의 픽셀 값인 (28,28)을 입력해주면,

이런 식으로 summary가 프린트된다.
(여기서 parameter는 w값의 개수를 의미한다.)

하지만 여기서 또 문제가 있는데, 우리는 마지막 레이어에서 (28,10) 같은 2차원 결과값이 아닌 10개의 확률을 구해야 하므로 2차원 결과값을 1차원으로 압축을 시켜줘야 한다. 따라서 마지막 레이어 위에

tf.keras.layers.Flatten()

를 입력해주면 2차원 행렬을 1차원으로 압축시켜

이런 식으로 마지막 레이어의 결과값이 10개로 나오게 된다.

model.fit(trainX, trainY,epochs=10)

이제 학습을 시켜보면,

정답률이 약 88% 정도로 나오게 된다.

예측값=model.predict(testX)
print(tf.argmax(예측값, axis=1).numpy()[:3])

plt.imshow(testX[0])
plt.show()
plt.imshow(testX[1])
plt.show()
plt.imshow(testX[2])
plt.show()

이제 테스트 데이터들을 넣어 예측을 하게 되면,