Update train.py

train.py

@@ -1,60 +1,70 @@
-import numpy as np
-import tensorflow as tf
-from tensorflow import keras
-from keras import layers
-
-# Keras 라이브러리를 통해 MNIST 데이터셋을 손쉽게 불러옵니다.
-(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
-
-# 정규화: 픽셀 값의 범위를 0~255에서 0~1 사이로 조정하여 학습 안정성 및 속도를 높입니다.
-x_train = x_train.astype("float32") / 255.0
-x_test = x_test.astype("float32") / 255.0
-
-# 채널 차원 추가: 흑백 이미지(채널 1)의 차원을 명시적으로 추가합니다.
-x_train = np.expand_dims(x_train, -1)
-x_test = np.expand_dims(x_test, -1)
-
-# 레이블 원-핫 인코딩: 숫자 '5'를 [0,0,0,0,0,1,0,0,0,0] 형태의 벡터로 변환합니다.
-num_classes = 10
-y_train = keras.utils.to_categorical(y_train, num_classes)
-y_test = keras.utils.to_categorical(y_test, num_classes)
-
-model = keras.Sequential([
-    keras.Input(shape=(28, 28, 1)),  # 입력 레이어
-    layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
-    layers.MaxPooling2D(pool_size=(2, 2)),
-    layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
-    layers.MaxPooling2D(pool_size=(2, 2)),
-    layers.Flatten(),
-    layers.Dropout(0.5),
-    layers.Dense(num_classes, activation="softmax")
-])
-
-model.compile(
-    # 손실 함수(Loss Function): 모델의 예측이 정답과 얼마나 다른지 측정합니다.
-    loss="categorical_crossentropy",
-    # 옵티마이저(Optimizer): 손실을 최소화하기 위해 모델의 가중치를 업데이트하는 방법입니다.
-    optimizer="adam",
-    # 평가지표(Metrics): 훈련 과정을 모니터링할 지표로, 정확도를 사용합니다.
-    metrics=["accuracy"]
-)
-
-batch_size = 128
-epochs = 15
-
-# 모델 학습 실행
-history = model.fit(
-    x_train, y_train,
-    batch_size=batch_size,
-    epochs=epochs,
-    validation_data=(x_test, y_test)
-)
-
-# 학습 완료 후 최종 성능 평가
-score = model.evaluate(x_test, y_test, verbose=0)
-print(f"\nTest loss: {score[0]:.4f}")
-print(f"Test accuracy: {score[1]:.4f}")
-
-# 모델의 구조, 가중치, 학습 설정을 모두 '.keras' 파일 하나에 저장합니다.
-model.save("my_keras_model.keras")
-print("\nModel saved to my_keras_model.keras")
+import numpy as np
+import tensorflow as tf
+from tensorflow import keras
+from keras import layers
+
+# Keras 라이브러리를 통해 MNIST 데이터셋을 손쉽게 불러옵니다.
+(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
+
+# 정규화: 픽셀 값의 범위를 0~255에서 0~1 사이로 조정하여 학습 안정성 및 속도를 높입니다.
+x_train = x_train.astype("float32") / 255.0
+x_test = x_test.astype("float32") / 255.0
+
+# 채널 차원 추가: 흑백 이미지(채널 1)의 차원을 명시적으로 추가합니다.
+x_train = np.expand_dims(x_train, -1)
+x_test = np.expand_dims(x_test, -1)
+
+# 레이블 원-핫 인코딩: 숫자 '5'를 [0,0,0,0,0,1,0,0,0,0] 형태의 벡터로 변환합니다.
+num_classes = 10
+y_train = keras.utils.to_categorical(y_train, num_classes)
+y_test = keras.utils.to_categorical(y_test, num_classes)
+
+model = keras.Sequential([
+    keras.Input(shape=(28, 28, 1)),  # 입력 레이어
+    layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
+    layers.MaxPooling2D(pool_size=(2, 2)),
+    layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
+    layers.MaxPooling2D(pool_size=(2, 2)),
+    layers.Flatten(),
+    layers.Dropout(0.5),
+    layers.Dense(num_classes, activation="softmax")
+])
+
+model.compile(
+    # 손실 함수(Loss Function): 모델의 예측이 정답과 얼마나 다른지 측정합니다.
+    loss="categorical_crossentropy",
+    # 옵티마이저(Optimizer): 손실을 최소화하기 위해 모델의 가중치를 업데이트하는 방법입니다.
+    optimizer="adam",
+    # 평가지표(Metrics): 훈련 과정을 모니터링할 지표로, 정확도를 사용합니다.
+    metrics=["accuracy"]
+)
+
+batch_size = 128
+epochs = 15
+
+# 모델 학습 실행
+history = model.fit(
+    x_train, y_train,
+    batch_size=batch_size,
+    epochs=epochs,
+    validation_data=(x_test, y_test)
+)
+
+# 학습 완료 후 최종 성능 평가
+score = model.evaluate(x_test, y_test, verbose=0)
+print(f"\nTest loss: {score[0]:.4f}")
+print(f"Test accuracy: {score[1]:.4f}")
+
+# 모델의 구조, 가중치, 학습 설정을 모두 '.keras' 파일 하나에 저장합니다.
+model.save("my_keras_model.keras")
+print("\nModel saved to my_keras_model.keras")
+
+
+
+# 결과 확인
+import matplotlib.pyplot as plt
+data = x_test[2]
+plt.imshow(data)
+logits = model.predict(np.expand_dims(data,0))
+result = np.argmax(logits)
+print(result)