ASAC 49일차_딥러닝 4일차

 

2024.02.07

 

CNN

convolution Neural Network

• Image 연산, CNN의 역할
  • 특징 추출: 가로 특성, 세로 특성, edge추출 등
  • 이미지 변환 : 뿌옇게 하는 현상,

⇒ 전통적인 이미지에 filter를 적용하는 방식이다.

 

• 이미지 데이터의 입력 데이터 shape
  • 이미지 데이터는 2D가 아니라 3D다.

---

CNN 실습

* 구글 코랩에서 진행할 때는 GPU를 적용해서 해야한다.

import tensorflow as tf

# Fashion-MNIST 데이터 적용
# CNN

fashion_mnist = tf.keras.datasets.fashion_mnist
(train_X, train_y), (test_X, test_y) = fashion_mnist.load_data()
# train_X.shape : 60000, 28, 28
# train_y.shape : 60000, 
# test_X.shape : 10000, 28, 28
# test_y.shape : 10000,

# 전처리: 이미지 데이터, 1개 픽셀이 8비트 -> 정규화 255
train_X = train_X / 255.0
test_X = test_X / 255.0

train_X[0].shape # 2D
=> (28, 28)

train_X = train_X.reshape(-1,28,28,1) # 3d -> 4d
test_X = test_X.reshape(-1,28,28,1)
# 컬러 적용시 : (-1, 28, 28, 3)

# 적용 결과
print(train_X.shape)
print(test_X.shape)
=> 60000, 28, 28, 1
=> 10000, 28, 28, 1

시도 1

# CNN 모델을 작성
model = tf.keras.Sequential([
	# 입력: 1장 데이터를 기준 -> 28 28 1
	# 1번 conv 레이어 + input_shape
	tf.keras.layers.Conv2D(input_shape=(28,28,1), kernel_size=(3,3), filters=16),
	# 2번 conv 레이어
	tf.keras.layers.Conv2D(kernel_size=(3,3), filters = 32),
	# 3번 conv 레이어
	tf.keras.layers.Conv2D(kernel_size=(3,3), filters = 64)	
	
	### step2) 분류를 위한 FNN
	tf.kears.layers.Flatten(),
	tf.keras.layers.Dense(units= 128, activation="relu"),

	### step3) 출력용
		tf.keras.layers.Dense(units= 10, activation = 'softmax')
])
model.summary()


# 학습 방향 설정
model.compile(
    loss = "sparse_categorical_crossentropy",
    optimizer = tf.keras.optimizers.Adam(),
		metrics = ["accuracy"]
)

history = model.fit(train_X, train_y, epochs=20, 
										validation_split= 0.25, batch_size= 128)

#-------------------------------------------------------------#
# 수행 결과 그래프 확인
import matplotlib.pyplot as plt

plt.subplot(1,2,1) # loss
plt.plot(history.history["loss"], "b-", label="train_loss")
plt.plot(history.history["val_loss"], "r-", label="val_loss")
plt.xlabel("Epoch")
plt.legend()

plt.subplot(1,2,2) # metrics : accuracy
plt.plot(history.history["accuracy"], "b-", label="train_accuracy")
plt.plot(history.history["val_accuracy"], "r-", label="val_accuracy")
plt.xlabel("Epoch")
plt.legend()