1. Simple RNN (MNIST)

RNN으로 손글씨 이미지 분류

데이터 소개

위의 이미지는 다음과 같은 것을 보여줍니다. (a) 28x28의 배열에서 3이 어떻게 모사되는지 (b) 각 0-9까지의 다양한 그림의 모습들

최종 목표

• 이전에 배웠던 MNIST fully-conntect network과 CNN classificaion외 RNN식 접근을 배워본다.

• 또한, data augmentation 기법의 기초가 될 수 있는 이미지에 noisy와 같은 변형을 줄 수 있는 방법을 알아본다.

• 이미지에 대한 RNN 접근 방법을 배울 수 있습니다.

전처리

mnist = keras.datasets.mnist
(trian_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_noisy_images = train_images + 
				np.random.normal(0.5, 0.1, train_images.shape)
train_noisy_images[train_noisy_images > 1.0] = 1.0

test_noisy_images = test_images + 
				np.random.normal(0.5, 0.1, test_images.shape)
test_noisy_images[test_noisy_images > 1.0] = 1.0

from keras.utils import to_categorical

train_labels = to_categorical(train_labels, 10)
test_labels = to_categorical(test_labels, 10)

---

Simple RNN Model

from keras.layers import SimpleRNN
from keras.layers import Dense, Input
from keras.models import Model


inputs = Input(shape = (28, 28))
x1 = SimpleRNN(64, activation = 'tanh')(inputs)
x2 = Dense(10, activation = 'softmax')(x1)
model = Model(inputs, x2)

model.summary()
""""
Model: "model" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) [(None, 28, 28)] 0 simple_rnn (SimpleRNN) (None, 64) 5952 dense (Dense) (None, 10) 650 ================================================================= Total params: 6602 (25.79 KB) Trainable params: 6602 (25.79 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________
""""

model.compile(loss = 'categorical_crossentropy', 
			  optimizer = 'adam',
			  metrics = ['accuracy'])

hist = model.fit(
	train_noisy_images,
	train_labels,
	validation_data = (
		test_noisy_images, 
		test_labels
	),
	epochs = 5,
	verbose = 1
)

res = model.predict(test_noisy_images[:1])

loss, acc = model.evaluate(test_noisy_images, test_labels, verbose = 1)