Deep-Learning

"딥러닝(deep-learning)"은 사람의 두뇌 구조를 모방한 인공신경망(Artificial Neural Networks)을 사용하여
데이터를 학습하고 복잡한 문제를 해결하는 기술입니다.

스스로 데이터에서 특징을 찾아내 예측, 분류, 생성 등의 작업을 수행할 수 있는 알고리즘이라 할 수 있습니다.

입력층, 은닉층, 출력층으로 구성된 인공신경망을 통해 데이터에서 중요한 특징을 스스로 학습하고,
많은 양의 데이터와 강력한 하드웨어(GPU, TPU)가 필요합니다.

대규모 연산을 통해 더 높은 정확도를 달성할 수 있습니다.

Clothing Type Prediction

1. 프로젝트 소개

'FashionMNIST' 데이터셋을 활용하여 주어진 이미지가 어떤 종류의 옷인지 파악하게 합니다.

개발 기간 및 과정 2025.03 ~ 현재진행형

1. 계획 수립
2. 합성곱 신경망 모델 정의
3. FashionMNIST 모델 정의
4. 모델 및 학습 설정
5. 모델 학습 수행
6. 이미지 예측 함수 정의
7. 포트폴리오 제작
개발 인원 박성수: 전체 프로젝트 기획 및 개발
기술 스택 및 개발 환경 기술 스택: Python, Pytorch, Deep Learning
소프트웨어: Visual Studio Code
깃허브 주소 https://github.com/parkss1324/DL_Python_Project


2. 합성곱 신경망 모델 정의

합성곱(Convoluion)

개발자가 고양이가 어떤 것을 보는지에 따라 뇌 자극 부위가 달라지는 것을 참고하여 개발되었습니다.

이미지 전체가 아닌 '부분(Filter)'을 보는 방법을 고안했고, 필터가 이동할 때마다 가중치(Weight)를 곱하여 새로운 값을 만들어냈습니다.

이를 합성곱이라고 합니다.

합성곱


신경망(Neural Network)

신경망은 여러 개의 뉴런(Neuron, 가중치와 편향으로 구성)이 층을 이루며 서로 연결된 구조를 가집니다.

이 층은 입력층, 은닉층, 출력층으로 구성되어 있습니다.

신경망 구조


합성곱 신경망

합성곱 신경망(CNN, Convolutional Neural Network)은 이미지나 영상을 처리하는 데 특화된 신경망으로,

필터를 사용하여 이미지의 중요한 패턴(모서리, 선, 색상 변화 등)을 감지합니다.

패턴과 특징을 자동으로 학습하여 이미지 분류, 객체 탐지, 스타일 변환 등 다양한 작업에 활용됩니다.

합성곱 신경망 계산 예


3. FashionMNIST 모델 정의

이미지를 예측하기 위해 신경망을 구성하는 단계입니다.

1) Conv2d(in_channels, out_channels, kernel_size, padding): 합성곱 계층을 정의합니다.

2) MaxPool2d(kernel_size, stride): 풀링 계층을 정의합니다.

3) Linear(in_features, out_feature): 뉴련을 변환시켜 완전연결층을 구성합니다.

4) relu(): ReLU 활성화 함수를 사용하여 비선형성을 추가, 학습 성능을 향상시킵니다.

모델 정의


4. 모델 및 학습 설정

모델을 GPU로 이동시키고 추가적인 기능을 설정합니다.

1) CrossEntropyLoss(): 다중 클래스 분류에서 가장 많이 쓰이는 손실 함수입니다. 정답 클래스의 확률을 높이도록 학습합니다.

2) Adam(model.parameters(), lr): 대부분의 딥러닝 모델에서 기본 옵티마이저로 쓰입니다. 학습 속도를 가속하고, 적절한 학습률을 자동으로 조절합니다.

학습 설정


5. 모델 학습 수행

epoch는 데이터셋을 한 번 모두 학습한 것을 의미합니다.

epoch를 5로 설정하여 5번의 학습 과정을 수행합니다.

과정을 거칠수록 손실이 줄어드는 것을 확인할 수 있습니다.

모델 정의


출력 결과


6. 이미지 예측 함수 정의

이미지 예측 함수를 정의하여 주어진 이미지가 어떤 종류의 옷인지 예측하게 합니다.


테스트 이미지


출력 결과


7. 느낀 점(회고)

딥러닝의 적용 오랜 기간 동안 딥러닝에 대한 개인적인 호기심이 있었고 이론 및 개념을 따로 공부하여 자료를 가지고 있던 상황이었습니다.

Python을 공부하며 예전에 공부했던 내용을 코드로 구현을 할 수 있을만큼 역량을 향상시킬 수 있었고,

라이브러리와 프레임워크를 활용한 Python만의 높은 확장성을 알 수 있는 시간이었습니다.
Pytorch 활용 딥러닝을 공부하고 사용할 때 많이 쓰이는 프레임워크인 Pytorch를 다뤄보면서 다양한 기능들을 다뤄보았습니다.

제공되는 API들을 활용하면서 코드 작성의 시간을 줄일 수 있었고 개인적으로 공부한 보람을 느꼈습니다.

다양한 딥러닝 프로젝트를 하며 더 많은 API를 사용할 예정입니다.
프레임워크 확장 첫 딥러닝 개발인만큼 Pytorch만 활용하여 포트폴리오를 만들었지만 TensorFlow, Keras 등 다양한 프레임워크를 활용할 예정입니다.

모든 과정을 혼자 공부하고 적용하며 어려운 순간의 연속이었지만 실제로 구현된 것을 확인하며 자신감을 얻는 원동력이 되었습니다.

다음 포트폴리오를 제작하게 될 때는 여러 프레임워크를 적극적으로 활용할 것입니다.