Tensorflow 심층신경망(DNN)을 이용하여 꽃 분류하기

tf_iris_classification.py

'''
Tensorflow 심층신경망(DNN)을 이용하여 꽃 분류하기 (Classification)

순서:
1. CSV로 부터 Iris 훈련/시험 데이터를 읽는다.
2. 분류하는 신경망을 만든다.
3. 데이터를 통한 훈련.
4. 새로운 샘플을 통해 판별하기.

	SL		SW		PL		PW		species
1	5.1		3.5		1.4		0.2		0(setosa)
2	4.9		3.0		1.4		0.2		0(setosa)
3	4.7		3.2		1.3		0.2		0(setosa)
4	4.6		3.1		1.5		0.2		0(setosa)
5	5.0		3.6		1.4		0.2		0(setosa)
6	5.4		3.9		1.7		0.4		0(setosa)

col[0]: Sepal Length (꽃받침의 길이)
col[1]: Sepal Width (꽃받침의 너비)
col[2]: Petal Length (꽃잎의 길이)
col[3]: Petal Width (꽃일의 너비)
col[4]: Species
	0. Iris setosa (부채붓꽃)
	1. Iris versicolor (북방푸른꽃창포)
	2. Iris virginica

* Iris data set: 통계학자인 피셔Fisher가 소개한 데이터. 피셔는 통계학자, 유전학자, 진화생물학자로 현대 통계학에서 지대한 공을 세운 학자다.
* Iris: 붓꽃과의 한 속. 200~300 종. 영어로 아이리스라 부르며 무지개를 뜻하는 '이리스'에서 왔다.
'''

import os

import tensorflow as tf
import numpy as np
import pandas as pd
from urllib.request import urlopen

IRIS_TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
IRIS_TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"
IRIS_TRAIN_FILE = 'iris_training.csv'
IRIS_TEST_FILE = 'iris_test.csv'

# 데이터를 다운로드 받는다.
def download(url, filename):
	if not os.path.exists(filename):
		raw = urlopen(url).read()
		with open(filename, 'wb') as f:
			f.write(raw)
			print('다운로드 %s => %s' % (url, filename))

download(IRIS_TRAIN_URL, IRIS_TRAIN_FILE)
download(IRIS_TEST_URL, IRIS_TEST_FILE)

# 다운로드된 CSV를 통해 Dataset 인스턴스를 얻는다.
# Dataset은 네임드 튜플이다. (data, target)
train_set = tf.contrib.learn.datasets.base.load_csv_with_header(
	filename=IRIS_TRAIN_FILE,
	target_dtype=np.int,
	features_dtype=np.float32)
test_set = tf.contrib.learn.datasets.base.load_csv_with_header(
	filename=IRIS_TEST_FILE,
	target_dtype=np.int,
	features_dtype=np.float32)

# 모든 특성(Features, SL SW PL PW)이 실제 값을 가진 데이터라고 지정한다.
feature_columns = [tf.feature_column.numeric_column('x', shape=[4])]

# 10, 20, 10 단위의 3층 DNN을 만든다. (DNNClassifier)
classifier = tf.estimator.DNNClassifier(
	feature_columns=feature_columns,
	hidden_units=[10, 20, 10],
	n_classes=3,
	model_dir='d:/tmp'
)
# * hidden_units: 은닉층
# * n_classes: 타겟 클래스, 여기서는 3개의 품종 중 하나를 나타낸다.
# * model_dir: 텐서플로우가 훈련중에 데이터를 저장하는 사용하는 디렉토리 경로.

# 훈련용 데이터 입력 함수
train_input_fn = tf.estimator.inputs.numpy_input_fn(
	x={'x': np.array(train_set.data)},
	y=np.array(train_set.target),
	num_epochs=None,
	shuffle=True
)

# 훈련용 데이터를 이용해서 DNN신경망을 훈련시킨다. (train)
print('훈련중...')
classifier.train(input_fn=train_input_fn, steps=2000)
print('훈련완료.')

# 시험용 데이터를 이용한 입력 함수를 준비한다.
test_input_fn = tf.estimator.inputs.numpy_input_fn(
	x={'x': np.array(test_set.data)},
	y=np.array(test_set.target),
	num_epochs=1,
	shuffle=False
)

# 훈련된 신경망을 사용하여 테스트 데이터의 정확도를 계산한다. (evaluate)
score = classifier.evaluate(input_fn=test_input_fn)['accuracy']
print('현재 정확도: %f' % score)

## 추론해보기

# 추론용 데이터
# samples = np.array(
# 	[[6.4, 3.2, 4.5, 1.5],
# 	[5.8, 3.1, 5.0, 1.7]],
# 	dtype=np.float32)
samples = np.random.random(size=(100,4)) * 5

# 추론용 데이터 입력함수
predict_input_fn = tf.estimator.inputs.numpy_input_fn(
	x={'x': samples},
	num_epochs=1,
	shuffle=False)

# 추론하기
predictions = list(classifier.predict(input_fn=predict_input_fn))

# 추론결과 표시
predicted_classes = [p['classes'] for p in predictions]
result = np.hstack((samples, predicted_classes))
df = pd.DataFrame(result, columns=['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species'])
mapping = {b'0':'setosa', b'1':'versicolor', b'2':'virginica'}
final = df.replace({'species':mapping})
print(final)