0813 CNN으로 MNIST 분류기 구현하기

import tensorflow as tf

## 다운로드
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/AI/tmp/data/", one_hot=True)

## cnn 모델을 정의/;///;
    ## 3차원으로 reshape
    x_image = tf.reshape(x, [-1, 28, 28, 1])
    
    ## 1번째 컨볼루션층
    W_conv1 = tf.Variable(tf.truncated_normal(shape=[5,5,1,32], stddev=5e-2))
    b_conv1 = tf.Variable(tf.constant(0.1, shape=[32]))
    h_conv1 = tf.nn.relu(tf.nn.conv2d(x_image, W_conv1, strides=[1,1,1,1], padding='SAME')+ b_conv1)
    
    ## 1번쨰 풀링층
    h_pool1 = tf.nn.max_pool(h_conv1, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
    
    ## 2번째 컨볼루션층
    W_conv2 = tf.Variable(tf.truncated_normal(shape=[5,5,32,64], stddev=5e-2))
    b_conv2 = tf.Variable(tf.constant(0.1, shape=[64]))
    h_conv2 = tf.nn.relu(tf.nn.conv2d(h_pool1, W_conv2, strides=[1,1,1,1], padding='SAME') + b_conv2)
    
    ## 2번째 풀링층
    h_pool2 = tf.nn.max_pool(h_conv2, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
    
    ## 완전 연결층
    W_fc1 = tf.Variable(tf.truncated_normal(shape=[7*7*64, 1024], stddev=5e-2))
    b_fc1 = tf.Variable(tf.constant(0.1, shape=[1024]))
    h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
    
    ## 출력층
    W_output = tf.Variable(tf.truncated_normal(shape=[1024, 10], stddev=5e-2))
    b_output = tf.Variable(tf.constant(0.1, shape=[10]))
    logits = tf.matmul(h_fc1, W_output) + b_output
    y_pred = tf.nn.softmax(logits)
    
    return y_pred, logits

## 인풋, 아웃풋 데이터 받기위한 정의
x = tf.placeholder(tf.float32, shape=[None, 784])
y = tf.placeholder(tf.float32, shape=[None, 10])

## Convolutional Neural Networks(CNN) 선언
y_pred, logits = build_CNN_classifier(x)

## 손실함수와 옵티마이저 정의
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=logits))
train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)

## 정확도 계산 연산
correct_prediction = tf.equal(tf.argmax(y_pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

## 세션열어 학습진행
with tf.Session() as sess : 
    sess.run(tf.global_variables_initializer())
    
    ## 1000만큼 최적화 수행
    for i in range(10000) : 
        ## 50 개씩 mnist 데이터 불러오기
        batch = mnist.train.next_batch(50)
        
        ## 100개마다 training 데이터셋의 정확도 출력
        if i % 100 == 0:
            train_accuracy = accuracy.eval(feed_dict={x:batch[0], y:batch[1]})
            print("반복(epoch) : %d, 트레이닝 데이터 정확도 : %f" % (i, train_accuracy))
            
        ## 옵티마이저를 실행해 파라미터를 한 스텝 업데이트
        sess.run([train_step], feed_dict={x:batch[0], y:batch[1]})
        
    ## 학습이 끝나면 테스트 데이터에 대한 정확도 출력
    print("테스트 데이터 정확도 : %f" % accuracy.eval(feed_dict={x:mnist.test.images, y:mnist.test.labels}))

 

> tf.train.Saver API를 이용해서 모델과 파라미터를 저장하고 불러오기

 + 추가된 부분

## 정확도 계산 연산
correct_prediction = tf.equal(tf.argmax(y_pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

## tf.train.Saver를 이용해서 모델과 파라미터를 저장
SAVER_DIR = "model"
saver = tf.train.Saver()
checkpoint_path = os.path.join(SAVER_DIR, "model")
ckpt = tf.train.get_checkpoint_state(SAVER_DIR)

## 세션열어 학습진행
with tf.Session() as sess : 
    sess.run(tf.global_variables_initializer())
    
    ## 만약에 저장된 모델과 파라미터가 있으면 이를 불러오고 (Restore)
    ## restored 모델을 이용해서 테스트 데이터에 대한 정확도를 출력하고 프로그램 종료
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(sess, ckpt.model_checkpoint_path)
        print("테스트 데이터 정확도(Restored) : %f" % accuracy.eval(feed_dict={
            x:mnist.test.images, y:mnist.test.labels}))
        sess.close()
        exit()

## 100개마다 training 데이터셋의 정확도 출력
        if i % 100 == 0:
            saver.save(sess, checkpoint_path, global_step = i)

 +) 피피티에는 빠져있는데 반드시 모델 save 해주어야함!

 

코랩 참고 사이트

https://jisoo-coding.tistory.com/2
https://tykimos.github.io/2019/01/22/colab_getting_started/