머신러닝 기초1 - MNIST_ANN

Jaewon·2021년 6월 21일

ANN PyTorch mnist 머신러닝 자율주행

머신러닝

목록 보기

3/3

MNIST

0~9로 이루어진 손글씨 숫자 데이터
28x28 흑백
60000개 학습 데이터, 10000개 테스트 데이터
=> pytorch 이용해 MNIST 데이터 분류 ANN 네트워크 구현

이미지 = batch X 28 X 28 X 1 (흑백이기 때문)
--> 벡터 : batch X 28 * 28 = batch x 784

인공신경망 연산 -> linear layer, 3

출력 = batch x 10 (0-9 각각에 대한 확률이기 때문)

코드

import torch
import torch.nn as nn # 딥러닝 네트워크 구현 및 학습을 간단하게 수행할 수 있도록 다양한 함수 제공
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms 
# datasets = 다양한 데이터셋 제[공
# tranforms = 데이터 전처리 등 수행

import numpy as np

# GPU 있는 경우 pytorch 연산을 gpu로, 그렇지 않은 경우 cpu로 수행
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# 파라미터 설정
batch_size = 128 # 한번 학습시 128개의 데이터를 통해 학습
num_epochs = 10 # 모든 데이터에 대해 10번 학습 수행

learning_rate = 0.00025 # 학습률 (학습 속도 결정 -> 너무 작으면 학습 속도가 느립, 값 크면 최적 x)


# MNIST 데이터 다운로드
trn_dataset = datasets.MNIST('./mnist_data/', download=True, train=True, transform=transforms.Compose([transforms.ToTensor()]))
val_dataset = datasets.MNIST('./mnist_data/', download=False, train=False, transform=transforms.Compose([transforms.ToTensor()]))

# 다운로드 경로,
# download = True 인 경우 데이터셋 다운 받음, 이미 다운 받아진 경우 다운 진행 x
# train -> True 인 경우 학습 데이터로 사용, False 인 경우 학습 데이터로 사용 x
# pytorch 텐서의 형태로 데이터 출력 -> pytorch 연산의 경우ㅠ tensor 형태로 연산 진행

# DataLoader 설정
trn_loader = torch.utils.data.DataLoader(trn_dataset, batch_size=batch_size, shuffle=True)
val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=batch_size, shuffle=True)

# ANN 네트워크
class ANNClassifier(nn.Module):
    def __init__(self):
        super(ANNClassifier, self).__init__() #  항상 torch.nn.Module을 상속받고 시작
        self.fc1 = nn.Linear(28*28,256) ## 28*28 = 입력 데이터의 크기 (28*28 이미지)
        self.fc2 = nn.Linear(256,64)
        self.fc3 = nn.Linear(64,10)

        self.drop = nn.Dropout(p=0.2) # 20% 노드의 출력을 0으로 도출

    # 이미지 데이터의 구조 변환 (batch x 28 x 28 x 1) -> (batch x 28*28)
    def forward(self, x):
        x = x.view(x.size(0), -1)  # 선형 연산 수행 후 비선형 함수(relu) 통과
        x = F.relu(self.fc1(x))
        x = self.drop(x) # dropout 수행
        
        x = F.relu(self.fc2(x))
        x = self.drop(x)
        
        # 선형 연산만 수행
        x = self.fc3(x)
        return F.softmax(x, dim=1) # 최종 결과에 softmax 연산 수행
        # softmax : 출력 결과를 확률로 변환 (합 = 1), 입력에 대한 결과의 확률을 알 수 있음

# 정확도를 도출하는 함수
# y = 네트워크 연산 결과, label = 실제 결과
# label은 현재 입력이 어떤 숫자인지의 값을 보여준다.(batch size x 1)
# y는 각 숫자에 대한 확률을 나타낸다. (batch size x 10)
def get_accuracy(y, label):
    y_idx = torch.argmax(y, dim=1)
    # argmax = 확률 중 가장 큰 값의 인덱스를 반환하여 label과 동일한 형식으로 변환

    # 모든 입력에 대해 정답을 맞춘 개수를 전체 개수로 나눠주어 정확도 반환
    result = y_idx-label

    num_correct = 0
    for i in range(len(result)):
        if result[i] == 0:
            num_correct += 1
    return num_correct/y.shape[0]

# 네트워크, 손실함수, 최적화기 선언
ann = ANNClassifier().to(device)  # 네크워크 정의, 설정한 device에서 딥러닝 네트워크 연산을 하도록 설정
criterion = nn.CrossEntropyLoss() # 손실함수 설정, 분류 문제에서 많이 사용
optimizer = optim.Adam(ann.parameters(), lr=learning_rate) 

num_batches = len(trn_loader) # 한 epoch에 대한 전체 미니배치의 수

# 학습 수행
for epoch in range(num_epochs):
    # 학습시 손실함수 값과 정확도 ㄱㅣ록하기 위한 리스트
    trn_loss_list = [] 
    trn_acc_list = []
    # 1epoch연산을 ㄷ위한 반복문 
    # 여기서 data는 각 배치로 나누어진 데이터와 정답을 포함
    for i, data in enumerate(trn_loader):
        # 데이터 처리
        ann.train() #네트워크 학습을 위한 모드로 설정

        # 학습데이터 (x: 입력, label: 정답)를 받아온 후 device에 올려줌
        x, label = data
        x = x.to(device)
        label = label.to(device)

        # 네트워크 연산 및 손실함수 계산
        model_output = ann(x) # 네트워크 연산 수행 후 출력값 도출 (입력 : x, 출력 : model_output)
        loss = criterion(model_output, label) # 손실함수 값 계산 -> 네트워크 연사ㅓㄴ 결과를 연산하여 손실함수 값 도출

        # 네트워크 업데이트
        optimizer.zero_grad() # 학습 수행 전 미분값을 0으로 초기화 (학습 전 꼭 수행 !!!!)
        loss.backward() # 네트워크 변수(가중치 w, 편향 b)에 대한 기울기가 계산
        optimizer.step() # 네트워크 변수 업데이트

        # 학습 정확도 및 손실함수 값 기록
        # 네트워크의 연산 결과와 실제 정답 결과를 비교하여 정확도를 도출
        trn_acc = get_accuracy(model_output, label)

        # 손실함수 값을 trn_loss_list 추가 (item : 하나의 값으로 된 tensor를 일반 값으로 바꿔줌)
        trn_loss_list.append(loss.item()) 
        # 정확도 값을 trn_acc_list에 추가
        trn_acc_list.append(trn_acc)

        # 학습 진행 상황 출력 및 검증셋 연산 수행
        if (i+1) % 100 == 0: # 매 100번째 미니배치 연산마다 진행상황 출력
            ann.eval() # 네트워크를 검증 모드로 설정
            with torch.no_grad(): # 학습에 사용하지 않는 코드들은 해당 블록 내에 기입
                # 검증시 손실함수 값과 정확도를 저장하기 위한 리스트
                val_loss_list = []
                val_acc_list = []

                for j, val in enumerate(val_loader):
                    val_x, val_label = val

                    val_x = val_x.to(device)
                    val_label = val_label.to(device)

                    val_output = ann(val_x)

                    val_loss = criterion(val_output, val_label)
                    val_acc = get_accuracy(val_output, val_label)

                    val_loss_list.append(val_loss.item())
                    val_acc_list.append(val_acc)
                print("epoch: {}/{} | step: {}/{} | trn loss: {:.4f} | val loss: {:.4f} | trn acc: {:.4f} | val acc: {:.4f}".format(
                  epoch+1, num_epochs, i+1, num_batches, np.mean(trn_loss_list), np.mean(val_loss_list), np.mean(trn_acc_list), np.mean(val_acc_list)
                ))