[TensorFlow] MNIST CNN 예제 고수준 API로 바꾸기

책에서 짤막하게 고수준 API를 알려주더라고요!

편하긴 편한데 역시 저수준 API를 쓰는게 원리를 배우는데엔 더 좋은것 같아요.

코드:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64

#-*- coding: utf-8 -*-   import tensorflow as tf import numpy as np   from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("./mnist/data/", one_hot=True)   # 입력X는 28x28 크기의 이미지들이며 그레이스케일 포맷이므로 채널은 1개 # 출력 Y는 원 핫 인코딩된 텐서들이며 [0,0,1,0,0,0,0,0,0,0]는 2를 뜻함. X = tf.placeholder(tf.float32, [None, 28, 28, 1]) Y = tf.placeholder(tf.float32, [None, 10]) is_training = tf.placeholder(tf.bool)   L1 = tf.layers.conv2d(X, 32, [3, 3]) L1 = tf.layers.max_pooling2d(L1, [2, 2], [2, 2]) L1 = tf.layers.dropout(L1, 0.7, is_training)   L2 = tf.layers.conv2d(L1, 64, [3, 3]) L2 = tf.layers.max_pooling2d(L2, [2, 2], [2, 2]) L2 = tf.layers.dropout(L2, 0.7, is_training)   L3 = tf.contrib.layers.flatten(L2) L3 = tf.layers.dense(L3, 256, activation=tf.nn.relu) L3 = tf.layers.dropout(L3, 0.5, is_training)   model = tf.layers.dense(L3, 10, activation=None)   cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(     labels=Y, logits=model ))   optimizer = tf.train.AdamOptimizer(0.001).minimize(cost)   with tf.Session() as sess:     sess.run(tf.global_variables_initializer())       batch_size = 100     total_batch = int(mnist.train.num_examples / batch_size)       for epoch in range(15):         total_cost = 0           for i in range(total_batch):             batch_xs, batch_ys = mnist.train.next_batch(batch_size)             batch_xs = batch_xs.reshape(-1, 28, 28, 1)               _, cost_val = sess.run([optimizer, cost],                 feed_dict={X: batch_xs, Y: batch_ys, is_training: True})               total_cost += cost_val           print('Epoch:', '%04d' % (epoch + 1),             'Avg. cost =', '{:.3f}'.format(total_cost / total_batch))       print('완료!')       is_correct = tf.equal(tf.argmax(model, 1), tf.argmax(Y, 1))     accuracy = tf.reduce_mean(tf.cast(is_correct, tf.float32))     print('정확도: %.2f' % sess.run(accuracy * 100,         feed_dict={X: mnist.test.images.reshape(-1, 28, 28, 1),             Y: mnist.test.labels, is_training: False}))        Colored by Color Scripter

cs

Google Cloud ML이란 서비스에 있는 콘솔에서 코드를 돌려보려고 했는데

결론적으론 고성능 머신이 유료인것 같아서 포기했습니다. (아님 제가 못찾았...)

다만 #-*- coding: utf-8 -*- 이 코멘트를 달지 않으니까 인코딩 관련 오류가 뜨길래 붙혀뒀습니다 ㅋㅋ...

결과:

Extracting ./mnist/data/train-images-idx3-ubyte.gz

Extracting ./mnist/data/train-labels-idx1-ubyte.gz

Extracting ./mnist/data/t10k-images-idx3-ubyte.gz

Extracting ./mnist/data/t10k-labels-idx1-ubyte.gz

Epoch: 0001 Avg. cost = 0.177

Epoch: 0002 Avg. cost = 0.051

Epoch: 0003 Avg. cost = 0.033

Epoch: 0004 Avg. cost = 0.023

Epoch: 0005 Avg. cost = 0.017

Epoch: 0006 Avg. cost = 0.013

Epoch: 0007 Avg. cost = 0.012

Epoch: 0008 Avg. cost = 0.009

Epoch: 0009 Avg. cost = 0.010

Epoch: 0010 Avg. cost = 0.008

Epoch: 0011 Avg. cost = 0.006

Epoch: 0012 Avg. cost = 0.007

Epoch: 0013 Avg. cost = 0.006

Epoch: 0014 Avg. cost = 0.004

Epoch: 0015 Avg. cost = 0.006

완료!

정확도: 98.89

23분 걸렸습니다 ㅠㅠ

GPU 쓰고싶어요오오오오오---

tf.layers.*

tf.contrib.layers.*

여기에 있는게 고수준 API 중 하나인것 같습니다.

말그대로 레이어를 제공해주네요.

conv2d : 합성곱 계층. 입력, 필터 개수, 커널 크기 정도만 설정해줬습니다.

max_pooling2d : 풀링 계층. 차례로 입력, 풀 크기, 스트라이드를 설정해줬습니다.

dropout : 드롭아웃 계층. 입력, 뉴런 활성화 확률, 학습중 여부

flatten : 이전 예제에서 이전 레이어의 출력값을 reshape으로 펴줬던 역할을 하는 레이어입니다.

dense : 완전 연결 계층. 입력, 출력 개수, 활성화 함수를 설정해줬습니다.

나머진 이전 예제랑 동일!