Tensorflow - CNN D1: 모델 만들기

# reference: online.codingapple.com

코딩애플 온라인 강좌 – 개발자도 단기완성!

 

CNN의 활용: 손글씨 인식 / 사물인식 / 자율주행 기초정보 수집 등

 

 

---

 

* 기초 개념 복기

 

모델 > 레이어 > 노드

 

텐서: 데이터, 또는 데이터를 담은 자료형 자체

 

모델: 데이터의 전체적인 흐름을 담은 것(?). 레이어들로 이루어짐

 

레이어: 노드로 이루어진 데이터가 처리되는 하나의 계층.

 

커널: 이미지에서 특징을 감지하는 필터역할. 하나의 커널은 하나의 특징만 감지할 수 있음.

 

---

 

1. 데이터셋 로드

 

CNN은 대부분 이미지 처리이기 때문에 이미지 로드를 의미합니다.

이미지를 로드할 수 있는 대표적인 라이브러리들은 pillow, matplot, opencv 등이 있습니다.

 

1-1) PIL (Pillow)

 

from PIL import Image

image = Image.open("ROUTE")

+) PIL은 이미지 자체를 불러오므로 이미지를 rgb 배열로 변환하는 과정이 필요합니다. 따라서 아래 코드를 통해 배열로 변환합니다.

 

import numpy as np

ar = np.array(image)

 

> Preview

 

image.show()

 

 

 

 

1-2) Matplotlib

 

import matplotlib.pyplot as plt

image = plt.imread("ROUTE")

 

+) Matplotlib는 이미지를 rgb값 배열 형태로 불러오므로 이미지를 rgb 배열로 변환하는 과정이 필요없습니다.

 

 

> Preview

 

plt.imshow(image)
plt.show()

 

 

 

1-3) Opencv

 

import cv2

image = cv2.imread("ROUTE")

 

> Preview

 

cv2.imshow('image', image)
cv2.waitKey()

 

+) cv2의 경우 RGB 순서로 읽는 것이 아닌 BGR 순서로 표시하기 때문에 주의할 필요가 있습니다.

 

 

 

2. 모델 만들기

 

모델은 tf.keras.Sequential 명령어를 통해 만들 수 있습니다.

 

model = tf.keras.Sequential([...])

 

 

모델 안에는 여러 레이어를 선언할 때 넣거나, 빈 모델을 만들고 model.add를 통해 추가할 수 있습니다. 해당 포스트에서는 전자의 방식을 사용하여 포스팅합니다.

 

3. 레이어 만들기

 

레이어의 종류는 다양합니다.

 

 

3-1) 이미지 특징 추출 레이어 (= Convolutional Layer)

 

컴퓨터는 배열형식을 통해 이미지를 읽고 활영할 수 있는데, 우리가 원하는 출력형식으로 설정하게 되면 그에 맞게 욱여넣다보니 이미지의 특징을 살릴 수 없습니다.

따라서 이 특징을 살려 읽어낼 수 있는 레이어가 필요한데, 이 레이어가 Convolutional Layer입니다.

 

Convolutional Layer에서 이미지의 특징을 추출하는 녀석을 Kernel이라 합니다. 기존 이미지에서 어떤 부분이 얼마나 중요한지를 판단하는 기준을 담고 있는데, 기존 이미지의 rgb값에 Kernel이 가지고 있는 중요도에 대한 값을 곱해 모두 더하여 결과값의 한 칸으로 압축합니다. 따라서 Kernel은 한개의 특징만을 감지할 수 있습니다. n개의 특징을 추출하고 싶다면 n개의 kernel을 적용하도록 명령해야겠죠? :)

 

> 정리: Convolutional Layer란 일정 크기의 필터 (=Kernel)를 옆으로 한칸씩 밀면서 (=Striding) 이미지의 특징을 추출해내는 레이어입니다.

 

tf.keras.Layer.Conv2D(n, (x, y), padding="[paddingOption]", activation="[activationFunction]", input_shape=([inpshape]))

 

Tensorflow에서 Convolutional Layer는 이와 같이 만듭니다.

n개의 kernel을 x,y 사이즈로 만듭니다. kernel은 자동으로 생성됩니다.

 

padding의 값은 VALID or SAME으로 설정할 수 있습니다. 각각 테두리을 빈 영역으로 채워 이미지 크기를 기존 크기와 맞출지 말지를 나타냅니다.

 

activation에는 활성함수의 이름이 들어갑니다. 필요에 따라 알맞게 설정하면 됩니다.

input_shape는 이 계층에 입력되는 이미지 형태를 말합니다. 첫번째 레이어에 Convolutional Layer가 올 경우 이 값은 필수입니다. 첫번째 레이어가 아니더라도 이 값은 권장되는데, 이 레이어에는 무조건 4차원 레이어가 들어가야하기 때문입니다. 보통 우리가 가지고있는 데이터는 (이미지 개수, 가로, 세로)로 3차원 데이터이므로, 흑백 처리시에는 마지막에 1, 컬러 처리시에는 마지막에 3을 추가하여 차원수를 하나 늘려줘야 합니다. 아래와 같은 형식으로 정해주시면 됩니다:

 

input_shape = (이미지 가로크기, 이미지 세로 크기, 1)
# or
input_shape = (이미지 가로크기, 이미지 세로 크기, 3)

 

 

3-2) 풀링 레이어 (= Pooling Layer)

Convolutional Layer에서는 앞서 말했듯 특징을 추출하므로 데이터의 양이 확실히 늘어납니다. 따라서 흐름상의 연산량이 늘어나게 되고, 이에 따라 Overfitting(과적합, 학습데이터만 정답률이 높고 실제 적용시에는 정답률이 낮은 현상) 가능성이 늘어납니다.

 

예시를 들자면, 핸드폰 이미지를 Convolutional Layer를 통해 학습시켰다 하더라도, 핸드폰의 위치가 조금이라도 바뀐다면 인식률이 크게 떨어진다는 것입니다.

 

이를 해결하기 위해서 연산량을 줄이고 특징을 정확히 파악하도록 도와주는 레이어가 필요한데, 이런 작업을 수행하는 레이어를 Pooling Layer라고 합니다. 특정 기준에 따라 데이터의 크기를 줄여 가운데로 모아버리는 것이죠(=Down Sampling).

 

가장 많이 사용하는 Max Pooling Layer에서는 가장 강한 특징만 뽑아냅니다.

 

 

 

tf.keras.Layer.MaxPooling2D( (x, y) )

Tensorflow에서 Max Pooling Layer는 이와 같이 만듭니다.

x,y 사이즈로 down sampling 하라는 말입니다.