1. 필요한 라이브러리 설치 및 임포트 📚

먼저 필요한 라이브러리를 설치하고 임포트해야 해:

# 필요한 라이브러리 설치
# pip install tensorflow numpy matplotlib

# 라이브러리 임포트
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np
      

2. 데이터셋 준비하기 🗂️

CNN 모델을 학습시키려면 데이터가 필요해. CIFAR-10 같은 유명한 이미지 데이터셋을 사용해보자:

# CIFAR-10 데이터셋 로드
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# 픽셀 값을 0~1 사이로 정규화
train_images = train_images / 255.0
test_images = test_images / 255.0

# 클래스 이름 정의
class_names = ['비행기', '자동차', '새', '고양이', '사슴', '개', '개구리', '말', '배', '트럭']
      

CIFAR-10 데이터셋은 10개 클래스의 32x32 컬러 이미지 60,000장으로 구성되어 있어. 학습 이미지 50,000장과 테스트 이미지 10,000장으로 나뉘어 있지.

3. CNN 모델 구축하기 🏗️

이제 CNN 모델을 구축해보자. 컨볼루션 레이어, 맥스 풀링 레이어, 완전 연결 레이어를 조합해서 모델을 만들 거야:

# CNN 모델 구축
model = models.Sequential()

# 첫 번째 컨볼루션 블록
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))

# 두 번째 컨볼루션 블록
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

# 세 번째 컨볼루션 블록
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 완전 연결 레이어
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))  # 10개 클래스에 대한 출력

# 모델 요약 정보 출력
model.summary()
      

이 모델은 3개의 컨볼루션 레이어와 2개의 맥스 풀링 레이어, 그리고 2개의 완전 연결 레이어로 구성되어 있어. 모델 구조를 시각화하면 각 레이어가 어떻게 연결되어 있는지 더 쉽게 이해할 수 있지!

4. 모델 컴파일 및 학습 🏋️‍♂️

모델을 구축했으니, 이제 컴파일하고 학습시켜보자:

# 모델 컴파일
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 모델 학습
history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))
      

모델 학습 과정에서는 손실(loss)과 정확도(accuracy)가 어떻게 변하는지 확인할 수 있어. 학습이 진행될수록 손실은 감소하고 정확도는 증가하는 것이 이상적이야.

5. 모델 평가 및 예측 📊

학습된 모델의 성능을 평가하고, 새로운 이미지에 대한 예측을 수행해보자:

# 테스트 세트에서 모델 평가
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'테스트 정확도: {test_acc:.2f}')

# 예측 수행
predictions = model.predict(test_images)

# 첫 번째 이미지에 대한 예측 결과 확인
predicted_class = np.argmax(predictions[0])
true_class = test_labels[0][0]
print(f'예측 클래스: {class_names[predicted_class]}, 실제 클래스: {class_names[true_class]}')
      

모델이 얼마나 정확하게 예측하는지 시각화해보면 더 직관적으로 이해할 수 있어:

6. 모델 개선하기 🔧

CNN 모델의 성능을 더 향상시키기 위한 몇 가지 방법을 알아보자:

1. 데이터 증강(Data Augmentation): 이미지를 회전, 뒤집기, 확대/축소 등의 변형을 통해 학습 데이터를 늘려 모델의 일반화 능력을 향상시킬 수 있어.
2. 드롭아웃(Dropout): 과적합을 방지하기 위해 학습 중 일부 뉴런을 임의로 비활성화하는 기법이야.
3. 배치 정규화(Batch Normalization): 각 레이어의 입력을 정규화하여 학습 속도를 높이고 안정성을 개선해.
4. 더 깊은 네트워크: 더 많은 레이어를 추가하여 모델의 표현력을 높일 수 있어.
5. 전이 학습(Transfer Learning): 미리 학습된 모델(예: VGG16, ResNet)을 활용하여 적은 데이터로도 좋은 성능을 낼 수 있어.

데이터 증강과 드롭아웃을 적용한 개선된 모델 예제:

# 데이터 증강 설정
data_augmentation = tf.keras.Sequential([
  layers.experimental.preprocessing.RandomFlip('horizontal'),
  layers.experimental.preprocessing.RandomRotation(0.1),
  layers.experimental.preprocessing.RandomZoom(0.1),
])

# 개선된 모델 구축
improved_model = models.Sequential([
  data_augmentation,
  layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
  layers.MaxPooling2D((2, 2)),
  layers.Conv2D(64, (3, 3), activation='relu'),
  layers.MaxPooling2D((2, 2)),
  layers.Conv2D(128, (3, 3), activation='relu'),
  layers.MaxPooling2D((2, 2)),
  layers.Flatten(),
  layers.Dense(128, activation='relu'),
  layers.Dropout(0.5),  # 드롭아웃 추가
  layers.Dense(10)
])

# 모델 컴파일 및 학습
improved_model.compile(optimizer='adam',
                      loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                      metrics=['accuracy'])

history = improved_model.fit(train_images, train_labels, epochs=15, 
                            validation_data=(test_images, test_labels))
      

이런 개선 기법들을 적용하면 모델의 성능을 크게 향상시킬 수 있어! 재능넷에서도 이런 고급 기법들을 배우고 공유하면서 딥러닝 전문가로 성장할 수 있을 거야.