1. 파이썬 라이브러리 로딩 : 이미지 분류에 사용되는 파이썬 라이브러리 로딩
2. Fashion MNIST 데이터셋 : 이미지 분류의 재료가 되는 Fashion MNIST 데이터셋 ㄱ) 10개 카테고리와 7만개의 흑백 이미지로 구성 ㄴ) 각 이미지는 낮는 해상도로 개별 옷 품목을 나타냄 : 이미지 분류 뉴럴 네트워크 모델링에 6만개의 이미지를 사용 : 만들어진 네트워크의 이미지 분류 정확도를 평가하기 위해, 나머지 1만개 이미지 사용
: 모든 이미지는 28x28 픽셀의 넘파이 배열 (픽셀 값은 0~255) : Label은 0~9의 정수 배열 (옷 이미지의 클래스를 나타냄, 각 이미지는 1개 Label에 매핑됨)
3. 데이터 점검 : 모델 훈련 전, Training/Test 데이터셋 구조 확인하기
4. 데이터 전처리 : 모델 훈련 전, 정확한 모델링을 위한 데이터셋 전처리
5. 모델 층(Layer) 설정 : 신경망 기본 구성 요소인 층(Layer)을 생성하고 연결
6. 모델 컴파일(Compile) ㄱ) Optimizer - 데이터와 손실 함수 기반으로 모델 업데이트 방법을 결정 ㄴ) Loss function - 훈련 동안의 모델 오차를 측정 (모델이 올바른 학습을 하도록 이 함수를 최소화) ㄷ) Metrics - 훈련 단계와 테스트 단계를 모니터링 (아래는 올바르게 분류된 이미지 비율인 정확도를 사용)
7. 모델 훈련 1) Training set을 모델에 주입 (train_images 및 train_labels 배열) 2) 모델이 이미지와 레이블을 매핑하는 방법을 학습 3) Test set에 대한 모델의 예측 생성 (test_images 및 test_labels 배열)
8. 정확도(Accuracy) 평가 : Test set으로 모델의 성능을 비교 : 과적합(Overfitting)으로 인해, Test set이 Training set보다 정확도가 낮음
9. 예측(Prediction) 실행 : 학습된 모델을 사용하여, 이미지에 대한 예측이 가능 : Test set에 있는 각 이미지의 Label 예측
|