CNN 직접 구현하기

MNIST 데이터셋
MNIST 데이터셋은 아래와 같이 숫자 0부터 9까지의 수를 손으로 쓴 28 × 28의 이진 이미지 데이터셋입니다.

60,000개의 학습 셋과 10,000개의 테스트셋이 있습니다.

우리는 이 데이터셋으로 우리만의 CNN을 학습 시켜 숫자 이미지를 분리하는 분류기를 만들고자 합니다.

케라스에는 모델을 쉽게 구현할 수 있는 models, layers와 활성화 함수들이 있는 activations 모듈들이 있습니다.

from tensorflow.keras import layers, models, activations
Copy
모델 생성 예시
아래의 코드들을 참고하여 지시상황에 제시된 모델 구조를 갖는 모델을 생성하고 모델의 구조를 출력하세요.

순차적으로 레이어가 쌓이는 모델 만들기

model = models.Sequential()

컨볼루션 레이어 만들기

model.add(layers.Convolution2D(32, (3, 3), activation=activations.relu, input_shape=(28, 28, 1)))

풀링 적용하기

model.add(layers.MaxPooling2D((2, 2)))

1차원 텐서로 변환하기

model.add(layers.Flatten())

FC레이어 만들기

model.add(layers.Dense(64, activation='relu'))

모델 구조 출력하기

model.summary()
Copy

지시사항
다음은 간단한 CNN 구조 입니다.

keras의 models, layers, activations 모듈을 활용하여 위의 구조를 갖는 CNN을 만들고 모델의 구조를 summary()함수를 통해 출력하세요.

모든 Convolution 레이어의 activation함수는 relu를 사용합니다.

마지막에 Dense Layer는 첫 번째 레이어는 relu를 두 번째 레이어는 softmax를 쓰도록 합니다.

Convolution 레이어는 패딩을 주지 않습니다.

Convolution 레이어는 스트라이드를 주지 않습니다.

모든 Convolution 레이어의 커널 사이즈는 (3, 3)으로 합니다.

from tensorflow.keras import datasets, layers, models, activations


# 모델 변수를 선언합니다.
model = models.Sequential()

# 모델에 첫 번째 입력 레이어를 추가합니다.
model.add(layers.Convolution2D(32, (3, 3), activation=activations.relu, input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))

# 아래에 지시상항에 있는 모델 구조가 되도록 나머지 모델 구조를 선언해주세요.
"""
구현부
"""

# 순차적으로 레이어가 쌓이는 모델 만들기


# 컨볼루션 레이어 만들기
model.add(layers.Convolution2D(64, (3, 3), activation=activations.relu))
model.add(layers.MaxPooling2D((2, 2)))
# 풀링 적용하기
model.add(layers.Convolution2D(64, (3, 3), activation=activations.relu))

# 1차원  텐서로 변환하기
model.add(layers.Flatten())

# FC레이어 만들기
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
# 모델 구조 출력하기
model.summary()

# Model 구조를 출력합니다.