MNIST CNN 학습 최적화

소개글

"MNIST CNN 학습 최적화"에 대한 내용입니다.

목차

1. 수업 자료의 경우
2. 필수 조건을 만족한 경우
3. 코드를 확장한 경우
4. 변경 결과
5. 실패한 시도

본문내용

1. 수업 자료의 경우
위의 경우는 수업 자료로 사용된 코드를 그대로 입력한 경우이다. 수업 자료의 경우 i%500==0이라 500번에 한 번씩 테스트하고 그 결과를 출력하지만 출력결과를 한 화면에 보기 쉽도록 i%1000==0 으로만 바꾸어 코드를 실행시켜보았다. 정확도는 99%정도로 매우 높으며 loss는 260~290정도가 나오는 것을 확인할 수 있다.
2. 필수 조건을 만족한 경우
1) 필터의 크기 변경
convolution레이어의 필터의 크기는 수업 자료의 경우 5*5로 설정되어 있다. 이것을 과제 지정 형식인 3*3으로 모두 변경시켰다.

2) 레이어 수 증가
레이어 수를 하나 이상 증가시키는 것이 과제의 필수 조건 중 하나이기 때문에 Fully Connected layer와 convolution and pooling layer사이에 새로운 convolution and pooling layer를 추가했다. 3번째 convolution and pooling layer레이어는 128개의 필터를 사용하고 이 레이어까지 거치면 이미지는 4*4 크기의 128개로 축소된다.

<중 략>

전체코드
%tensorflow_version 1.x
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import _pickle as pickle
import math
from tensorflow.examples.tutorials.mnist import input_data
np.random.seed(2017920031)
tf.set_random_seed(2017920031)

keep_prob = tf.placeholder(tf.float32)
phase_train = tf.placeholder(tf.bool, name='phaase_train')

참고 자료

없음