Softmax classifier(2)

8.Softmax classifier(1) 에 이어서 포스팅을 하겠습니다.
이번 장에서는 tensorflow로 처음부터 끝까지 간단하게 데이터를 훈련시키고 예측까지 시켜보겠습니다.

어떤 대상의 속성1 속성2 속성3 속성4를 입력하면 A,B,C 중 하나로 분류되게끔 학습을 시켜볼 것입니다~~

먼저, 맨 처음 tensorflow를 import~~!

import tensorflow as tf

그리고 학습 데이터를 선언해줍니다.

# [속성1,속성2,속성3,속성4]
x_data=[[1,2,1,1],[4,1,5,5],[2,1,3,2],[1,7,7,7]]
y_data=[[0,0,1],[0,1,0],[0,0,1],[1,0,0]]  #[A,B,C]

그 다음 학습에 필요한 변수들 선언!

X=tf.placeholder(tf.float32,shape=[None,4]) 
Y=tf.placeholder(tf.float32,shape=[None,3])
#W의 shape는 X의 shape와 행렬곱해서 Y의 shape가 되어야하므로 [4,3]
W=tf.Variable(tf.random_normal([4,3]),name='weight')
b=tf.Variable(tf.random_normal([3]),name='bias')

hypothesis 정의

#softmax로 다시 정의된 hypothesis
logits=tf.matmul(X,W)+b
hypothesis=tf.nn.softmax(logits)

cost 함수 정의

#새로 정의된 cost 함수 (예측 값과 실제 값의 차이)
cost_i=tf.nn.softmax_cross_entropy_with_logits(logits=logits,labels=Y)
cost=tf.reduce_mean(cost_i)

cost 최소화

#실제 값과 예측 값의 차이를 계속 줄여준다.
optimizer=tf.train.GradientDescentOptimizer(learning_rate=0.0001)
train=optimizer.minimize(cost)

노드들을(tensor) 그래프화

sess=tf.Session()
#변수 초기화
sess.run(tf.global_variables_initializer())

학습을 시작합니다~

#반복문을 돌면서 계속 데이터를 넣는다->w,b가 cost가 최소가 되게 계속 이동
for step in range(2001):
	cost_val,_=sess.run([cost,train],feed_dict={X:x_data,Y:y_data})})
	if(step%100==0):
		print(step,cost_val)

학습 끝! 이번에도 step마다 cost가 줄어드는 것을 보실 수 있습니다.

과연 학습이 잘 되었나 확인해볼까요? [속성 1,속성 2,속성 3,속성 4]=[2,4,3,1] 일 때

hypothesis의 예측 값이 모두 0과 1사이의 수로 나타난 것을 볼 수 있습니다!

그리고 argmax 함수를 써서 가장 큰 값을 갖는 인덱스를 구하면~

tf.argmax 함수는 최댓값을 갖는 인덱스를 반환해준다.
예를 들면 위의 result에서 첫번째 원소가 가장 크죠?? 그래서 인덱스 0을 반환한 것입니다. 만약 가운데가 가장 크면 1을 반환하겠죠~

결과가 0이 나왔으므로 위의 데이터는 A에 속한다고 예측할 수 있네요~
처음 y_data를 집어 넣을 때 A에 속한다면 [[1],[0],[0]]을 넣으신 것을 기억하시나요??
따라서 인덱스는 다음과 같습니다.
A:0 B:1 C:2

이제 우리는 충분한 데이터만 있다면 데이터를 예측하는 프로그램을 어느정도 작성할 수 있게 되었습니다~!

지금 한 예제의 틀만 제대로 이해하신다면 해내실 수 있습니다!!! (디테일은 알아서.. 죄송합니다.)

과연 이 정도 배우고 할 수 있을지 의문이 드신다구요??

그럼 다음 장에서 그 대답을 확인해보시죠!!ㅋㅋㅋㅋ

다음 장에서 뵙겠습니다~!

전체 코드