3.

6 손글씨 숫자 인식
MNIST dataset
• 0~9까지의 손글씨 숫자 이미지로 구성됨
• 60000장 중 50000장은 training(학습), 10000장은 testing(테스
트, accuracy(정확도) 분석)에 이용
• 이미지 크기는 28*28 (=784)
• 출력 데이터는 0~9 숫자 각각에 대한 확률(확률이 가장 높은 것
이 해당 사진에 대한 predict 값으로 출력됨)
• 784개의 입력층 뉴런 & 10개의 출력층 뉴런의 신경망 구성
• 출력값은 10개의 숫자에 대한 각각의 확률로 나타남
• Flatten: 1*28*28로 되어있는 3차원 데이터를 784개의 1차원 데
이터로 재구성
신경망의 추론 처리(요약)
• 50000개의 학습 데이터를 목적함수 결과값(0~9)로 보내는 784
개의 입력층 뉴런에 적용할 가장 합리적인 편향 및 가중치
(parameter)를 구한다
• Epoch: 위 과정을 독립적으로 몇 번 반복 시행할지(여러 번 반
복할수록 더욱 목적함수 결과값으로 보내는 정확한 parameter
값을 구할 수 있으므로 정확도가 향상됨)
• 학습 데이터를 통해 구한 parameter를 10000개의 테스트 데이
터에 적용하여 정확도(accuracy)를 구한다.
배치 처리
• 여러 장의 이미지 데이터를 한번에 처리
• 784개의 1차원 데이터 -> 10개의 1차원 결과데이터 대신
• 784*100(100장의 사진)을 2차원 입력 데이터로 사용
• 그러면 10*100의 2차원 결과데이터가 나타남
• 이처럼 하나로 묶은 입력 데이터를 배치(batch)라고 함
• 배치 처리를 함으로써 데이터를 빠르게 처리할 수 있음