[keras] CNN 모델 - ImageDataGenerator 사용해보기

시작하며

TF 공부가 생각보다 너무 오래걸려!! 캐글, 깃허브 등 코드를 참고하며 프로젝트를 진행했었던 내가 기본기가 많이 부족했음을 느꼈다... 하나하나 이해하고 직접 구현해보고 넘어가려니까 끝도 없다. 
어쨌든, CNN모델을 만들고, ImageGenerator을 활용한 예제를 까먹지 않기 위해 포스팅 해볼까 한다. 시작!

 

1. import library

내가 작성한 코드에 필요한 library를 import

import tensorflow as tf
import os
from os import path, getcwd, chdir
from tensorflow.keras.optimizers imort RMSprop
from tensorflow.keras.preprocessing.image import ImageDataGenerator

 

2. callbacks 클래스 작성

일정한 accuracy 달성 후 모델 training을 멈춰주는 기능인 callbacks를 사용할 것이기 때문에 callbacks 클래스를 작성해준다.

class MyCallBack(tf.keras.callbacks.Callback):
	def on_epoch_end(self, epoch, logs={}):
    	if(logs.get('accuracy') >= 0.95):
        	print("\n====Reached 95% accuracy, stop training====")
            self.stop_training = True
            
callbacks = MyCallBack()

 

3. 모델 생성

3개의 conv2d, maxpooling layer를 가진 모델을 구성할 것이고, 최종 분류는 0과 1사이의 확률값으로 출력할 것이다. 따라서 마지막 Dense layer의 node수는 1개이고, sigmoid 활성화함수를 이용했다.

model = tf.keras.Sequential([
          tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape = (300, 300, 3)),
          tf.keras.layers.MaxPooling2D(2,2),
          tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
          tf.keras.layers.MaxPooling2D(2,2),
          tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
          tf.keras.layers.MaxPooling2D(2,2),
          tf.kers.Flatten(),
          tf.keras.layers.Dense(512, activation='relu'),
          tf.keras.layers.Dense(64, activation='relu'),
          tf.keras.layers.Dense(1, activation'sigmoid')	
	])

model.summary()

 

3. 모델 컴파일 (최적화, 손실함수 선택)

model.compile(loss='binary_crossentrophy',
		optimizer=RMSprop(lr=0.001),
                metrics=['accuracy'])

• RMSprop 란?
  • Adagrad 알고리즘은 자동으로 학습률(learning rate)를 설정하는데, 여기서 학습률이 급격하게 감소하는 문제를 해결하기 위한 알고리즘이다.
  • 왜 이 옵티마이저를 사용했는지는 차차 알아가도록하고, 일단 공부하고 있는 예제에 있는대로 공부했다. ㅋㅎ

4. ImageDataGenerator을 활용하여 data 형성

train_datagen = ImageDataGenerator(rescale = 1./255)

train_generator = train_datagen.flow_from_directory(
	'/desktop/mycomputer/', #train data가 들어있는 경로
        target_size = (300, 300),
        batch_size = 10,
        class_mode = 'binary'
    )

• flow_from_directory 함수를 활용하면서, 파일명이 라벨이 되도록 설정하는 것을 도와준다.
  • 이렇게 train 폴더 경로 안에 dogs와 cats 가 있다면, 그 안에 있는 사진들의 label은 dogs와 cats가 된다.

 

5. model fitting (fit_generator함수)

model.fit_generator(
	train_generator,
        steps_per_epoch=10, #한 번의 epoch를 돌 때, 데이터를 몇 번 볼 것인가
        epochs=15,
        verbose=1,
        callbacks=[callbacks]
        # validation_data = val_data
        # validation_steps = 2000
        )

• validation data가 있으면 맨 아래 val_data에 채워주면 된다.
• validation_steps : 한 번의 epoch가 돌고 난 후, val_data로 accuracy를 측정할 때, val_data를 몇 번 볼 것이냐
• steps_per_epoch 의 수 결정 : train_data 수 / train_generator에 입력한 batch_size 수 

 

6. test set 예측

predict = model.predict_generator(test_data, steps=5)
print(test_data.class_indices)
print(predict)

• test_data 는 앞서 train_datagen, train_generator 만든 방식과 동일하게 만들면 된다.
• 출력 결과는 아래와 같이 확률값으로 나온다. 

참고문헌 - 3months.tistory.com/199

Keras - CNN ImageDataGenerator 활용하기

 

마치며

ImageDataGenerator을 사용할 줄 알아야 TF 시험응시가가능하다고 핸드북에 나와있다. 정확한 사용 방법을 익히고 시험에 응시해서 꼭 합격하겠다.