7-12 붓꽃 데이타 TensorFlow Deep Learning 코드 구글 Colabo GPU 처리

Scikit-learn 라이브러리를 사용하여 붓꽃 데이터를 Classification하는 다양한 방법들을 이미 소개했지만 그 외에도 TensorFlow에 의한 Deep Learning 방식에 의한 코딩도 소개하였다.

scikit-learn 라이브러리를 사용할 때에는 필요한 데이터를 웹으로부터 직접 불러와 사용할 수 있도록 되어 있지만 TensorFlow Deep Learning 방식으로 처리할 때에는 사용자가 별도로 학습용과 시험용 데이터 파일을 준비하여 실행 코드와 같은 폴더에 위치시켜 주어야 한다. 아래의 블로구 url 주소에서 실행 코드와 데이터 파일을 다운받을 수 있음에 유의하자.

1-14 Iris flowers data 사용 TensorFlow Deep Learning
https://steemit.com/kr/@codingart/1-14-iris-flowers-data-tensorflow-deep-learning

한편 구글 Colabo에서 위 코드를 GPU 도움을 받아 실행시키기 위해서는 데이터 파일을 읽어 들일 필요가 있다. 처음 Colabo를 사용하는 초보자에겐 이 데이터를 읽어 들이는 작업조차 쉽지 않을 수 있으므로 그 요령을 살펴보기로 한다. 알고 보면 대단히 쉽다. 그 중에 하나의 예로서 PyTorch 문제는 앞 블로그에 이미 소개를 했다. 이번에는 Colabo에서 업로드 기능을 어떻게 사용하는지 알아보자.

2회에 걸쳐 iris.test 데이터와 iris.train 데이터를 읽어 볼 수 있으며 그 위치는 sample_data 밑이 되는데 여기가 바로 실행 코드가 위치하게 되는 폴더 상의 위치이다. GPU 의 효과를 볼 수 있도록 런타임 메뉴에서 런타임 유형변경을 실시한다.

TensorFlow Deep Learning 코드는 아나콘다 스파이더 편집기로 불러낸 다음 복사하여 Colabo 의 셀 한 줄에 모조리 붙여넣기를 하자.

실행 버튼을 눌러 결과를 관찰해 보면 17.8초가 걸렸음을 알 수 있디. 여러 번 해 봐도 15∼18초 정도 컴퓨팅 시간이 소요된다. 반면에 아나콘다 스파이더 편집기에서 실행해 보면 오히려 6.4초면 완료된다. 구글 Colabo 의 GPU 사용 결과를 보면 어딘가 역관광 당한 기분이다. 하지만 분명이 지난번 PyTorch Transfer Learning 예제에서는 폭발적인 GPU 컴퓨팅 효과를 볼 수 있었는데 이번 예제에서는 다소 의문스럽다. 보다 많은 컴퓨팅 경험이 필요할 지도 모르겠다.