CNN(Convolutional Neural Network)으로 손글씨 숫자 인식하기

🔢 CNN으로 손글씨 숫자 인식하기: 이미지 분류의 시작

• 우리가 흔히 보는 손글씨 숫자(예: 0~9)를 인식하는 모델은 어떻게 작동할까요?

• 이 글에서는 CNN(합성곱 신경망)을 이용해 이미지로부터 숫자를 인식하는 과정을 소개합니다.

• 대표적인 예제로는 MNIST 데이터셋이 사용됩니다.

🧠 CNN이란?

🔍 주요 특징

• 합성곱 계층 (Convolution Layer): 이미지의 특징 추출

• 풀링 계층 (Pooling Layer): 크기 축소 및 중요한 특징 유지

• 완전연결 계층 (Dense Layer): 최종 분류 수행

일반적인 신경망(Dense NN)은 이미지의 구조를 무시하지만, CNN은 공간적 구조(위치, 모양 등)를 고려합니다.

📦 사용하는 데이터: MNIST

🧪 CNN으로 숫자 인식하는 전체 흐름

1. 데이터 불러오기

2. 전처리: 정규화 + 라벨 인코딩

3. 모델 구성 (CNN)

4. 모델 학습

5. 모델 평가 및 예측

💻 코드 예제 (TensorFlow / Keras)

from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
import matplotlib.pyplot as plt

# 1. 데이터 불러오기
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 2. 전처리
X_train = X_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
X_test = X_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0

y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 3. CNN 모델 정의
model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    MaxPooling2D(pool_size=(2,2)), # 각 구역(2x2 크기)에서 최대값 추출
    Conv2D(64, (3,3), activation='relu'),
    MaxPooling2D(pool_size=(2,2)),
    Flatten(), # 2D 정보를 1D로 변경
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')  # 10개의 클래스 분류
])

# 4. 컴파일 & 학습
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
history = model.fit(X_train, y_train, validation_split=0.2, epochs=5, batch_size=128)

# 5. 평가
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"테스트 정확도: {test_acc:.4f}")

📈 결과 확인 (시각화)

plt.plot(history.history['accuracy'], label='Train Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

✅ 마무리