이번 포스트에서는 Keras를 사용하여 딥러닝 모델을 구축하는 방법을 소개해 보도록 할게요. 초보자분들도 쉽게 따라하실 수 있는 단계별 가이드를 통해서 딥러닝의 기초를 학습해 보시길 바래요.

Keras 소개

Keras는 Python에서 사용할 수 있는 고수준 신경망 API로, TensorFlow의 위에서 동작합니다. 사용이 간편하고 직관적이기 떄문에 딥러닝 모델을 신속하게 프로토타이핑하는 데 많이 사용된답니다.

환경 설정

먼저, Keras와 필요한 라이브러리를 설치해야 합니다. 터미널에 아래 명령어를 입력해 주세요.

pip install tensorflow numpy matplotlib

데이터 준비

Keras에서 제공하는 MNIST 데이터셋을 사용하여 숫자 이미지를 분류하는 모델을 만들어 보겠습니다. MNIST 데이터셋은 0부터 9까지의 손글씨 숫자 이미지로 구성되어 있습니다.

import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 데이터 로드
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 데이터 정규화
X_train, X_test = X_train / 255.0, X_test / 255.0

# 데이터 형상 변환
X_train = X_train.reshape(-1, 28, 28, 1)
X_test = X_test.reshape(-1, 28, 28, 1)

모델 생성

이제 CNN(Convolutional Neural Network)을 사용하여 모델을 생성해 보겠습니다.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

# 모델 컴파일
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

모델 학습

이제 모델을 학습시켜 보겠습니다. 학습 데이터로 모델을 훈련시키고, 테스트 데이터로 성능을 평가합니다.

# 모델 학습
history = model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

모델 평가

학습된 모델의 성능을 평가하고 정확도를 확인합니다.

# 모델 평가
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f'테스트 정확도: {test_acc:.2f}')

예측 결과 시각화

학습된 모델을 사용하여 예측 결과를 시각화해 봅니다.

import numpy as np
import matplotlib.pyplot as plt

# 예측 수행
predictions = model.predict(X_test)

# 예측 결과 시각화
def plot_image(i, predictions_array, true_label, img):
    predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])
    plt.imshow(img, cmap=plt.cm.binary)
    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'
    plt.xlabel(f"{predicted_label} ({true_label})", color=color)

# 예제 이미지와 예측 결과 출력
num_rows = 5
num_cols = 3
num_images = num_rows * num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
    plt.subplot(num_rows, num_cols, i+1)
    plot_image(i, predictions, y_test, X_test)
plt.show()

결론

이 튜토리얼에서는 Keras를 사용하여 간단한 딥러닝 모델을 만드는 과정을 다뤘습니다. 데이터 준비, 모델 생성, 학습, 평가, 시각화까지의 전 과정을 통해 딥러닝의 기초를 이해하고 실습할 수 있으셨기를 바라면서 다음 포스트에서는 OpenCV를 사용하여 얼굴을 인식하는 간단한 프로그램을 만들어 보도록 하겠습니다.