Deeplearning W1 Hackathon

import pandas as pd, torch, torch.nn as nn

torch.manual_seed(0)                           # 13강처럼 시드 고정 — 이게 없으면 돌릴 때마다
                                               # 점수가 흔들려 "내 개선이 효과가 있었나"를 못 가린다
tr, te = pd.read_csv("train.csv"), pd.read_csv("test.csv")
classes = sorted(tr["label"].unique())         # 10개 클래스 이름 — 정렬해야 매번 같은 순서

# CSV의 픽셀 1,024개(0~1023 열)를 32×32 격자로 되돌린다. Conv2d는 3강에서 쓴 한 줄짜리
# 목록이 아니라 (장수, 채널, 높이, 너비) 4차원을 받는다. 흑백이라 채널은 1.
# / 255.0은 0~255 정수를 0~1로 — 3강과 같은 이유(입력 스케일을 맞춰야 학습이 안정).
X = torch.tensor(tr.drop(columns=["ID", "label"]).values.reshape(-1, 1, 32, 32) / 255.0, dtype=torch.float32)
y = torch.tensor([classes.index(v) for v in tr["label"]])   # 클래스 이름 → 0~9 정수
Xt = torch.tensor(te.drop(columns=["ID"]).values.reshape(-1, 1, 32, 32) / 255.0, dtype=torch.float32)

# 13강 SmallCNN과 같은 얼개 — conv 32/64 + 은닉 128. 거기는 컬러(채널 3)·이진(출력 1),
# 여기는 흑백(채널 1)·10클래스(출력 10)라는 점만 다르다.
model = nn.Sequential(
    nn.Conv2d(1, 32, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),         # 32×32 → 16×16
    nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),        # 16×16 → 8×8
    nn.Flatten(), nn.Linear(64 * 8 * 8, 128), nn.ReLU(), nn.Linear(128, len(classes)))
opt = torch.optim.Adam(model.parameters(), lr=1e-3)
lossf = nn.CrossEntropyLoss()                  # softmax를 손실 안에서 처리 (3강)

for epoch in range(15):                        # 먼저 돌려보고 조절하세요
    for i in range(0, len(X), 32):
        opt.zero_grad(); loss = lossf(model(X[i:i + 32]), y[i:i + 32]); loss.backward(); opt.step()
    print(epoch, round(loss.item(), 4))

pred = model(Xt).argmax(1)                     # 로짓이 가장 큰 칸 = 예측 클래스
pd.DataFrame({"ID": te["ID"], "label": [classes[i] for i in pred]}).to_csv("submission.csv", index=False)