딥 러닝 - MNIST 데이터(PyTorch)

◾MNIST

- 데이터 읽기

• torch.nn as nn : 뉴럴넷 구성 요소
• torch.nn.functional as F : 딥 러닝에 자주 사용되는 수학적 함수
• torch.optim as optim : 최적화 함수
• from torchvision import datasets, transforms
  • torchvision : 딥 러닝에 사용되는 여러 데이터셋에 대한 모듈
  • datasets : 여러 데이터를 가지고 있다.
  • transforms : 데이터의 형태 지정 가능

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import set_matplotlib_korean
from torchvision import datasets, transforms
from matplotlib import pyplot as plt

• cuda가 가능하다면 cuda 아니면 cpu 설정

is_cuda = torch.cuda.is_available()
device = torch.device('cuda' if is_cuda else 'cpu')

print('Current cuda device is', device)

• 파라미터 설정

batch_size = 50
learning_rate = 0.0001
epoch_num = 15

• MNIST 데이터 불러오기
  • datasets를 이용해 MNIST 데이터를 다운로드 한다.

train_data = datasets.MNIST(root = './data/02/',
                            train=True,
                            download=True,
                            transform=transforms.ToTensor())
test_data = datasets.MNIST(root = './data/02/',
                            train=False,
                            download=True,
                            transform=transforms.ToTensor())
print('number of training data : ', len(train_data))
print('number of test data : ', len(test_data))

- 데이터 확인

• squeeze() : 차원이 1인 차원을 제거한다.
  • pytorch에서 불러오는 MNIST 데이터의 경우 [1, 28, 28]로 구성된다.
  • 따라서 1을 없애야 이미지를 그릴 수 있다.

image, label = train_data[0]
plt.imshow(image.squeeze().numpy(), cmap='gray')
plt.title('label : %s' % label)
plt.show()

• 미니 배치 구성
• torch.utils.data.DataLoader
  • 배치 사이즈로 구성
  • shuffle하는 이유는 데이터의 순서를 학습하지 못하게 하는 것이다.

train_loader = torch.utils.data.DataLoader(dataset=train_data,
                                           batch_size = batch_size, shuffle = True)
test_loader = torch.utils.data.DataLoader(dataset=test_data,
                                           batch_size = batch_size, shuffle = True)
first_batch = train_loader.__iter__().__next__()

• batch 확인

print('{:15s} | {:<25s} | {}'.format('name', 'type', 'size'))
print('{:15s} | {:<25s} | {}'.format('Num of Batch', '', len(train_loader)))
print('{:15s} | {:<25s} | {}'.format('first_batch', str(type(first_batch)), len(first_batch)))
print('{:15s} | {:<25s} | {}'.format('first_batch[0]', str(type(first_batch[0])), first_batch[0].shape))
print('{:15s} | {:<25s} | {}'.format('first_batch[1]', str(type(first_batch[1])), first_batch[1].shape))

- 모델 구성

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1, padding='same')
        self.conv2 = nn.Conv2d(32, 64, 3, 1, padding='same')
        self.dropout = nn.Dropout2d(0.25)
        # (입력 뉴런, 출력 뉴런)
        self.fc1 = nn.Linear(3136, 1000)    # 7 * 7 * 64 = 3136
        self.fc2 = nn.Linear(1000, 10)
    
    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output
        
model = CNN().to(device)
optimizer = optim.Adam(model.parameters(), lr = learning_rate)
criterion = nn.CrossEntropyLoss()

- 모델 학습

model.train()
i = 1
for epoch in range(epoch_num):
    for data, target in train_loader:
        data = data.to(device)
        target = target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if i % 1000 == 0:
            print("Train Step : {}\tLoss : {:3f}".format(i, loss.item()))
        i += 1

- 모델 평가

model.eval()    # 평가시에는 dropout이 OFF 된다.
correct = 0
for data, target in test_loader:
    data = data.to(device)
    target = target.to(device)
    output = model(data)
    prediction = output.data.max(1)[1]
    correct += prediction.eq(target.data).sum()
print('Test set Accuracy : {:.2f}%'.format(100. * correct / len(test_loader.dataset)))