[CNN] CNN을 이용한 MNIST-1 // MNIST 이해 및 데이터 확인

1) MNIST 데이터베이스란?

MNIST 데이터베이스 (Modified National Institute of Standards and Technology database)는 손으로 쓴 숫자들로 이루어진 대형 데이터베이스이며, 다양한 화상 처리 시스템을 트레이닝하기 위해 일반적으로 사용된다.

 

이 데이터베이스는 또한 기계 학습 분야의 트레이닝 및 테스트에 널리 사용된다.

NIST의 오리지널 데이터셋의 샘플을 재혼 합하여 만들어졌다.

 

개발자들은 NIST의 트레이닝 데이터셋이 미국의 인구조사국 직원들로부터 취합한 이후로 테스팅 데이터셋이 미국의 중등학교 학생들로부터 취합되는 중에 기계 학습 실험에 딱 적합하지는 않은 것을 느꼈다.

 

게다가 NIST의 흑백 그림들은 28x28 픽셀의 바운딩 박스와 앤티 엘리어싱 처리되어 그레이 스케일 레벨이 들어가 있도록 평준화되었다.

 

(출처 :ko.wikipedia.org/wiki/MNIST_%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%B2%A0%EC%9D%B4%EC%8A%A4 )

 

---

MNIST 테스트 데이터셋의 샘플 이미지.

 

MNIST 데이터베이스는 60,000개의 트레이닝 이미지와 10,000개의 테스트 이미지를 포함한다.

트레이닝 세트의 절반과 테스트 세트의 절반은 NIST의 트레이닝 데이터셋에서 취합하였으며,

그 밖의 트레이닝 세트의 절반과 테스트 세트의 절반은 NIST의 테스트 데이터셋으로부터 취합되었다.

 

 

---

MNIST의 데이터를 읽고 필기체의 숫자를 인식하는 프로그램 만들기.

 

• 이미지에 대한 지식이 없어도

• CNN, 딥러닝의 지식이 있으면 tensorflow-Keras를 이용하여 만들 수 있음!

 

이처럼 MNIST는 숫자로 쓴 데이터 베이스입니다. 이를 CNN을 통해 학습시키고 예측을 해보겠습니다!

 

참고)

MNIST 데이터는 Keras내에서 제공이 되므로

따로 이미지 데이터가 필요하지 않습니다.

함수를써서 바로 이용하면 됩니다! 

 

 

---

1. 모듈 불러오기

import numpy as np
import matplotlib.pyplot as plt

from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, Dense, Flatten
from keras.utils import to_categorical
from keras.datasets import mnist

 

 

---

2. MNIST데이터를 불러와서  MNIST데이터가 어떤 구조인지 확인

 

(X_train, y_train), (X_test, y_test) = mnist.load_data()
print(X_train, '\n','--'*2,'\n' ,y_train[2])

 

 

한눈에 보기 어렵죠..? shape를 통해 다시 확인해 보면,

 

print('X_train shape = ',X_train.shape)
print('y_train shape = ',y_train.shape)


[out]
X_train shape = (60000, 28, 28)
y_train shape = (60000,) 

 

이처럼 MNIST는 6만 개의 데이터로 저장되어있습니다.

X_train : 28x28 사이즈의 6만 개의 이미지가 있습니다.
y_train :  X데이터의 이미지 숫자(0~9) 다시 말해서 라벨링이 된 6만개의 데이터가 있습니다.

 

---

3.  test 데이터 확인

print('X_test shape = ',X_test.shape)
print('y_test shape = ',y_test.shape)

[out]
X_test shape =  (10000, 28, 28)
y_test shape =  (10000,)

 

X_test는 28x28 사이즈의 10,000개의 이미지가 있습니다.
y_test는 X데이터의 이미지 숫자(0~9)만 개가 있습니다.

 

train데이터의 정보와 동일하고, 개수만 다른 걸 확인할 수 있습니다.

 

 

---

4.  X_train의 데이터를 이미지로 표현

이미지로 표현하기 위해서는 plt를 사용합니다!

컬러 이미지를 사용하려면 (cmap='gray')를 제거해주세요!

plt.imshow(X_train[0],cmap='gray')
print('이 이미지의 값은', y_train[0],'입니다.')

 

이를 통해 X의 데이터와 y의 데이터가 어떻게 되어있는지 확인하였습니다.

 

이제 X의 데이터의 이미지가 실제 값인 y의 값으로 인식이 되도록 해야 하는 데이터임을 알 수 있습니다.

 

 

---

5. 여기까지 MNIST의 데이터를 확인하는 작업이었습니다!

def Check_MNIST_data():
    (X_train, y_train), (X_test, y_test) = mnist.load_data()
 
    print(X_train, '\n','--'*2,'\n' ,y_train)
    print(X_train[0])  # 이미지데이터
    print(y_train[0])  # 이미지의 숫자
    print('X_train shape = ',X_train.shape)
    print('y_train shape = ',y_train.shape)
    print('X_test shape = ',X_test.shape)
    print('y_test shape = ',y_test.shape)
    plt.imshow(X_train[0],cmap='gray')
    print('이 이미지의 값은', y_train[0],'입니다.')
    

데이터를 로딩하고 

데이터의 이미지 개수, 사이즈, array, 라벨링을 확인했습니다.

 

 

다음 포스팅부터 다시 본격적으로 시작해 볼까요?

---