MNIST 손글씨 - 숫자 이미지를 모델로 학습하여 인식

 

1. MNIST 데이터셋

파이썬으로 딥러닝을 학습하다 보면 "MNIST 손글씨 숫자 이미지"가 자주 등장한다. MNIST 손글씨는 미국 국립표준기술원에서 사람이 직접 쓴 70,000개의 숫자를 수집하여 데이터 셋으로 만들었다. MNIST는 머신러닝 및 인공 신경망 분야에서 널리 사용되는 손글씨 숫자 인식 작업을 위한 데이터 세트이다.

​

이 데이터셋은 원래 미국 국립표준기술원(NIST)이 수집한 손글씨 숫자 데이터베이스를 수정한 것으로, 이미지 분류 및 숫자 인식 알고리즘의 성능을 평가하고 테스트하는 데 사용된다. 컴퓨터 비전 및 딥 러닝 분야에서 초기 학습과 알고리즘 개발을 위한 표준 데이터 세트로 사용되어왔다.

​

​

2. 학습 데이터 준비

머신러닝의 입력 데이터로 사용하기 위해 60,000개의 트레이닝 이미지와 10,000개의 테스트 이미지를 사용한다.

 

 

​

3. 이미지 출력

60,000개의 트레이닝 이미지를 사용하여 모델을 학습하고 10,000개의 테스트 이미지를 사용하여 학습한 모델이 얼마나 정확한지 평가한다. MNIST 데이터셋에서 첫 번째(숫자 5)와 네 번째(숫자 1)의 이미지를 한번 출력해 보았다. 하나의 이미지를 0부터 255까지 범위의 숫자 배열로 해석할 수 있다.

​

 

import numpy as np

# MNIST 데이터 로드
def load_mnist(flatten=True, normalize=False):
    from tensorflow.keras.datasets import mnist  # Tensorflow 사용
    (x_train, t_train), (x_test, t_test) = mnist.load_data()
    
    if normalize:
        x_train = x_train.astype(np.float32) / 255.0
        x_test = x_test.astype(np.float32) / 255.0
    
    if flatten:
        x_train = x_train.reshape(x_train.shape[0], -1)
        x_test = x_test.reshape(x_test.shape[0], -1)
    
    return (x_train, t_train), (x_test, t_test)

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

# 숫자 5
i = 1
for x in x_train[0]:
    print('{:3} '.format(x), end='')
    if i == 28:
        print()
        i = 1
    else:
        i = i + 1

# 숫자 1
i = 1
for x in x_train[3]:
    print('{:3} '.format(x), end='')
    if i == 28:
        print()
        i = 1
    else:
        i = i + 1

 

 

가로 28 x 세로 28 = 784개의 픽셀로 되어 있고 각각의 픽셀은 0부터 255까지의 정보를 담고 있다. 0이면 흰색 255이면 검정이다. 

 

​

4. 코드 실행

이미지는 28x28 픽셀 단위이기 때문에 입력층 뉴런은 784개가 필요하다.

출력층 뉴런은 0부터 9까지로 10개가 필요하다.

• 입력층 : 28x28 = 784
• 출력층 : 0 ~ 9 = 10

import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
import matplotlib.pyplot as plt

# MNIST 데이터 로드
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 데이터 전처리 : 모델에 맞게 이미지를 정규화
train_images, test_images = train_images / 255.0, test_images / 255.0

# 모델 생성 : 다층 퍼셉트론(MLP)을 사용
# 28x28 픽셀 이미지를 1차원 배열로 변환
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),  
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

# 모델 컴파일 : 손실 함수, 옵티마이저, 평가 지표를 설정
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 모델 훈련 : 훈련 데이터를 사용하여 모델을 학습
model.fit(train_images, train_labels, epochs=10)

# 모델 평가 : 테스트 데이터로 모델의 성능을 평가
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\nTest Accuracy: {test_acc*100:.2f}%')

# 테스트 이미지에서 예측값 얻기
predictions = model.predict(test_images)
predicted_labels = [tf.argmax(p) for p in predictions]

# 예측 결과 시각화
plt.figure(figsize=(9, 9))
for i in range(25):
    plt.subplot(5, 5, i + 1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(test_images[i], cmap=plt.cm.binary)
    plt.xlabel(f'real: {test_labels[i]} - predict: {predicted_labels[i]}')

plt.show()

 

실행 결과

테스트 데이터로 검증해 보니 정확도가 97.94% 나왔다.

Epoch 1/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.8504 - loss: 0.5007
Epoch 2/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9539 - loss: 0.1563
Epoch 3/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9669 - loss: 0.1074
Epoch 4/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9735 - loss: 0.0833
Epoch 5/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9758 - loss: 0.0757
Epoch 6/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9790 - loss: 0.0648
Epoch 7/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9834 - loss: 0.0539
Epoch 8/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9827 - loss: 0.0506
Epoch 9/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9849 - loss: 0.0482
Epoch 10/10
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 2s 1ms/step - accuracy: 0.9855 - loss: 0.0433
313/313 - 0s - 735us/step - accuracy: 0.9794 - loss: 0.0665

Test Accuracy: 97.94%
313/313 ━━━━━━━━━━━━━━━━━━━━ 0s 609us/step

 

실제값과 예측값이 모두 일치한다.