tensorflow

https://www.linkedin.com/learning/tensorflow-neural-networks-and-working-with-tables/working-with-the-fashion-mnist-dataset?autoSkip=true&autoplay=true&resume=false1.

Working with the Fashion-MNIST dataset - TensorFlow 동영상 튜토리얼 | LinkedIn 온라인클래스(이전 이름: Lynda.co

TensorFlow는 기계 학습에 사용할 수 있는 강력한 라이브러리 입니다.  Google 브레인 팀에서 개발했으며 Google 검색과 같은 많은 Google 서비스를 지원 하며 2015년 11월에 오픈 소스가 되었습니다.
이미지 분류, 모든 자연어 처리로 가는 길. 기본적으로 NumPy와 매우 유사 하지만 GPU를 지원합니다. 따라서 분산 컴퓨팅을 지원합니다. 즉, 여러 장치와 서비스에서 작동하며 계산을 최적화 할 수 있는 JIT(Just-In-Time) 컴파일러도 포함합니다 . 
Python 함수에서 계산 그래프를 추출한 다음 독립적인 작업을 병렬로 실행하여 이를 수행합니다. 이러한 계산 초안은 휴대용 형식으로 내보낼 수 있습니다. Windows 시스템에서 Python을 사용하여 한 환경에서 TensorFlow 모델 을 교육한 다음 Java 를 사용하여 Android 휴대전화에서 실행할 수 있음을 의미합니다. 
대부분의 경우 Keras와 같은 고급 API를 사용 하지만 더 많은 유연성이 필요한 경우 텐서를 직접 처리 하는 더 낮은 수준의 Python API를 사용합니다 . TensorFlow는 Windows, Linux 및 Mac iOS 뿐만 아니라 TensorFlow Lite를 사용하는 모바일 장치에서도 실행되며, iOS와 Android를 모두 포함합니다. 이제 Python API를 사용하지 않으려면 C++, Java go 및 swift API를 사용하세요. 
TensorFlow의 가장 큰 매력 중 하나는 사용 가능한 생태계입니다. Python으로 모델을 빌드 하고 배포 할 수 있다는 것을 이미 보았지만 TensorFlow.JS라는 JavaScript 구현도 있습니다. 즉, 브라우저에서 직접 모델을 실행할 수 있습니다 . 그런 다음 iOS 또는 Android를 사용하기 위한 TensorFlow Lite도 있지만 TensorFlow 프로젝트를 생산하기 위해 Google에서 빌드한 라이브러리 세트인 TensorFlow 확장이 더 있습니다. 따라서 여기에는 데이터 유효성 검사, 사전 처리, 모델 분석 을 위한 도구가 포함 되며 TensorFlow 제공을 사용하여 나머지 API로 이러한 모델을 제공할 수 있습니다. 이제 TensorFlow 서빙은 한 두 명의 사용자가 있는 ML 솔루션을 쉽게 만들 수 있기 때문에 정말 중요 합니다. 그러나 수십만 명의 사용자 로 확장해야 하는 경우에는 어떤 일이 발생합니까? 텐서 보드가 있습니다. 텐서 보드 는 모델을 훈련 할 때 도움이 되기 때문에 시각화에 좋습니다 . 마지막으로 TensorFlow 허브는 사전 훈련된 모델을 쉽게 다운로드하고 재사용할 수 있는 방법을 제공합니다. 따라서 이들은 특정 작업을 잘 수행하는 것으로 알려진 모델입니다 . 이것은 당신이 처음부터 시작하는 것이 아니라 다른 전문가의 작업을 사용한다는 것을 의미합니다.

 

2

패션 MNIST 데이터셋 은 패션 체인 Zalando의 이미지로 구성되어 있습니다. 여기에는 60,000개 이미지의 훈련 세트 와 10,000개 이미지의 테스트 세트가 포함됩니다. 이제 각 이미지는 10개 클래스의 레이블과 연결된 28 x 28 그레이 스케일 이미지 입니다. 패션 MNIST 데이터 세트는 0에서 9 사이 의 손으로 쓴 숫자 목록을 포함하는 MNIST 데이터 세트의 드롭인 대체품 입니다. 이제 각 훈련 및 테스트 예제 가 다음 레이블 중 하나에 할당됩니다. 따라서 레이블이 0인 것은 티셔츠를 나타내고 레이블 1은 바지를 의미합니다. 이제 노트북으로 넘어갑시다. 이 데이터 세트로 손을 더럽힐 수 있습니다. 그래서 Google Colab으로 이동합니다. colab.research.google.com 입니다. 로그인하려면 Gmail 주소가 필요합니다. 이제 이 과정을 위해 GitHub 리포지토리에서 노트북을 가져오기만 하면 됩니다. 이제 이 노트북의 목적은 패션 MNIST 데이터 세트에 익숙해지는 것입니다. 아시다시피 아래 코드는 패션 MNIST 데이터 세트를 다운로드하고 신경망 모델을 훈련 시켜 다양한 객체 클래스를 구별할 수 있도록 합니다. 지금은 이 데이터 세트에 익숙해지기를 바랍니다. 결과가 무엇인지 확인하십시오. 데이터 세트의 다른 이미지는 어떻게 생겼습니까? 신경망이 작동 하는 것을 본 후에는 작동하는 이유를 알고 싶어할 것입니다. 그리고 다음 몇 비디오를 통해 코드의 일부를 살펴보겠습니다 . 이제 Jupiter Notebooks와 Colab을 사용해 본 적이 없다면 주석과 코드를 한 곳에서 결합할 수 있는 도구입니다 . 따라서 재생 아이콘을 클릭 하거나 Shift 및 Enter 키 를 눌러 셀에서 코드를 실행할 수 있습니다 . 섹션을 열고 거기에 있는 재생 아이콘을 눌러 셀을 실행할 수 있습니다. 또는 계속해서 Shift와 Enter 키를 누를 수 있습니다. 그러면 셀도 실행됩니다. 이제 셀 왼쪽의 대괄호 안에 숫자가 표시 되면 셀 실행이 완료되었음을 알 수 있습니다. 이제 "이미지 개요" 섹션으로 넘어가 보겠습니다 . 그 부분을 열어 보겠습니다. 그럼 이 이미지들 중 일부를 살펴보겠습니다. 따라서 데이터 세트에서 사용 가능한 16개의 이미지가 표시됩니다 . 그래서 맨 윗줄에는 티셔츠 , 가방, 앵클 부츠, 운동화의 몇 가지 예가 있음을 알 수 있습니다. 그리고 이것은 패션 MNIST 데이터 세트에서 사용할 수 있는 이미지 중 16개에 불과합니다. 그럼 어떤 이미지인지 한번 살펴볼까요? 이미지 ID 15,000을 선택하고 이 셀을 실행하겠습니다. 그리고 이것이 풀오버의 예임을 알 수 있습니다. 이제 이 다음 섹션에서는 신경망 모델 을 빌드, 컴파일 및 훈련할 것입니다. 다시 말하지만, 아직 세부 사항에 대해 걱정하지 마십시오. 우리는 이것이 작동 하는 것을 보고 패션 MNIST 데이터 세트가 무엇인지 이해할 것이며 나중에 세부 사항에 대해 알아볼 수 있습니다. 그래서 이 섹션은 신경망 모델을 훈련하는 것입니다. 그래서 그것은 10번 중 1번이고 , 우리는 데이터를 통해 10번 패스까지 갈 것 입니다. 이것이 우리의 신경망이 훈련된 것입니다. 이제 우리 모델이 괜찮은지 봅시다. 여기에서 이미지 ID를 선택하겠습니다. 숫자 24를 선택 하고 모델이 이미지 ID 번호 24로 예측하는 것을 보겠습니다. 그리고 이것이 바지라고 예측된 것을 볼 수 있습니다. 이것은 확실히 나에게 바지처럼 보입니다. 그래서 우리 모델이 정확한 것 같습니다. 이제 상황이 꽤 좋아 보입니다. 다른 이미지를 선택하겠습니다. 이미지 ID 번호 2를 선택하겠습니다. 그리고 그것은 바지의 또 다른 예인 것 같습니다. 그래서 다른 하나를 선택하겠습니다. 이미지 ID 1은 풀오버 이며 우리 모델도 예측한 것입니다. 그래서 우리 모델은 꽤 잘하고 있는 것 같습니다. 우리는 몇 개의 이미지를 골랐고 몇 초 만에 훈련 시킨 신경망 이 훌륭하게 작동하는 것 같습니다. 이제 훈련 과정 의 결과로 돌아가면 10번째 Epoch가 끝날 때 유효성 검사 정확도가 약 90%임을 알 수 있습니다 . 이제 정확도가 100%가 아니므 로 모델이 잘못된 예가 있다는 것을 의미합니다 . 그럼 이것들을 찾아보도록 하겠습니다. 따라서 이 하단 섹션의 각 이미지 ID 는 테스트 데이터 세트의 이미지에 해당합니다. 따라서 이 ID를 변경하기만 하면 모델이 예측하는 한 가지 방법을 찾을 수 있습니다. 실제 답은 아닙니다. 테스트 세트의 이미지 ID에 해당하는 숫자이기 때문에 0에서 9,999 사이의 숫자를 선택하세요 . 이제 예측이 맞으면 녹색 막대가 표시 되지만 예측이 정확하지 않으면 빨간색 막대가 표시됩니다. 그러니 계속해서 이 비디오를 일시 중지 하고 모델이 올바르게 이해하지 못하는 한 가지 예를 찾으십시오. 그리고 제가 찾은 예를 보여드리겠습니다. 그래서 저는 모델이 옳지 않은 경우의 예를 보여드리겠습니다. 그래서 이미지 ID 107, 모델은 이것이 운동화라고 예측 하지만 사실 이것은 앵클 부츠의 예입니다. 이제 불행하게도 패션 MNIST 데이터 세트 가 100% 정확하지 않다는 것을 알게 될 것입니다 . 따라서 잘못 레이블이 지정된 몇 가지 예를 접할 수 있습니다 . 이제 패션 MNIST 데이터 세트에 대해 약간의 시간을 할애 하고 다양한 유형의 의복이 무엇인지 이해했다고 생각하면 신경망 의 다양한 구성 요소를 이해해 보겠습니다 .