[Deep Learning] TensorFlow 기초와 날씨 분류 모델 실습

안녕하세요!

오늘은 구글이 만든 대표적인 머신러닝 프레임워크인 TensorFlow에 대해 알아보고, 이를 활용해 이미지를 분류하는 인공지능 모델을 직접 만들어 보겠습니다.

---

1. TensorFlow 기초와 날씨 분류 모델 실습

1-1. 텐서플로우란?

텐서플로우는 데이터 흐름 그래프(Data Flow Graph)를 사용하여 수치 계산을 하는 라이브러리입니다.

• 노드(Node): 수학적 연산을 수행합니다.
• 엣지(Edge): 다차원 데이터 배열인 '텐서'를 전달합니다.

1-2. 텐서(Tensor)의 핵심 속성

텐서는 넘파이(NumPy) 배열과 비슷하지만, GPU 가속과 자동 미분이라는 강력한 차별점이 있습니다.

• Shape (모양): 데이터의 차원 (예: (Batch, Height, Width, Channel))
• Dtype (자료형): float32, int32 등 데이터의 타입
• Device: CPU에 있는지 GPU에 있는지 나타냄

---

1-3. 텐서 조작하기 (코드 핵심 요약)

① 즉시 실행 (Eager Execution)

TF 2.x에서는 파이썬처럼 코드를 실행하자마자 결과를 확인할 수 있습니다.

x = tf.constant([[1, 2], [3, 4]])
# 연산 결과가 바로 출력됨

② 형변환 및 차원 조작

딥러닝에서는 데이터의 형태를 바꾸는 일이 매우 잦습니다.

• tf.cast: 자료형 변경 (예: int -> float)
• tf.reshape: 모양 변경 (예: 1열로 나열된 데이터를 행렬로)
• tf.transpose: 축 교환 (예: 가로세로 뒤집기)
• tf.expand_dims / tf.squeeze: 차원 늘리기와 줄이기

---

1-4. 자동 미분 (GradientTape)

딥러닝의 학습 원리인 '역전파'를 가능하게 하는 기술입니다. tf.GradientTape() 블록 안의 연산을 기록하여 기울기를 계산합니다.

with tf.GradientTape() as tape:
    # 연산 기록
    y = tf.nn.sigmoid(x)
# 미분값 계산
dx = tape.gradient(y, x)

 

---

2. Tensor 실전 프로젝트: 날씨 이미지 분류

4가지 카테고리(Cloudy, Rain, Shine, Sunrise) 이미지를 분류하는 모델을 만들어 봅니다.

2-1. 데이터 전처리

이미지 데이터를 8:2 비율로 나누고, ImageDataGenerator를 사용하여 정규화(1/255) 및 수평 뒤집기 증강을 적용합니다.

Found 900 images belonging to 4 classes. (Training)
Found 225 images belonging to 4 classes. (Validation)

2-2. 모델 설계 비교

성능을 높이기 위해 세 가지 다른 구조의 모델을 실험해 봅니다.

모델	구조 특징	특징
Model 1	Input -> Flatten -> Dense(4)	가장 단순한 선형 모델
Model 2	Dense(64, ReLU) 추가	은닉층을 통한 비선형성 추가
Model 3	다층 은닉층 + Dropout	과적합 방지를 위한 깊은 구조

2-3. 학습 결과 분석

각 모델별로 Epoch가 진행됨에 따라 정확도(Accuracy)가 어떻게 변하는지 확인합니다.

Model 1 Test accuracy: 45.20%
Model 2 Test accuracy: 58.75%
Model 3 Test accuracy: 62.10%

학습 포인트: 단순히 층을 깊게 쌓는 것(MLP)만으로는 이미지 분류 성능에 한계가 있습니다. 다음 시간에는 이미지의 공간 특징을 잡아내는 CNN(합성곱 신경망)을 배워보겠습니다!

---

마무리

오늘은 TensorFlow의 텐서 연산 기초부터 간단한 이미지 분류기 제작까지 완료했습니다. 딥러닝 학습 시 자료형 불일치(dtype error)나 차원 불일치(shape error)가 자주 발생하므로, tf.cast와 tf.reshape를 능숙하게 다루는 연습이 꼭 필요합니다.