(Tensorflow 2.x) CNN 1탄 (With CIFAR-10 )

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

import numpy as np import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from tensorflow.keras.datasets import cifar10 from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator import matplotlib.pyplot as plt     (x_train, y_train), (x_test, y_test) = cifar10.load_data()   # x_train = x_train.reshape(-1, 32, 32, 3) # x_test = x_test.reshape(-1, 32, 32, 3)   x_train = x_train.astype(np.float32)/255.0 x_test = x_test.astype(np.float32)/255.0     def make_model():     model = Sequential()     model.add(Conv2D(input_shape=(32, 32, 3), kernel_size=(3, 3), filters=32, activation='relu'))     model.add(Conv2D(kernel_size=(3, 3), filters=64, activation='relu'))     model.add(MaxPooling2D(pool_size=(2, 2)))     model.add(Dropout(0.2))       model.add(Flatten())     model.add(Dense(128, activation='relu'))     model.add(Dropout(0.2))     model.add(Dense(10, activation='softmax'))       return model     model = make_model() model.compile(loss='sparse_categorical_crossentropy', optimizer=tf.keras.optimizers.Adam(), metrics=['accuracy'])   history = model.fit(x_train, y_train, validation_split=0.2, batch_size=64, epochs=30)   model.evaluate(x_test, y_test)     plt.plot(history.history['accuracy']) plt.plot(history.history['val_accuracy']) plt.xlabel('epoch') plt.ylabel('accuracy') plt.legend(['train', 'validation'], loc='best') plt.show() Colored by Color Scripter

cs

 

위 소스코드를 실행시키면 아래와 같은 출력값을 확인할 수 있다. (테스트 데이터셋, accuracy 70% 내외)

 

이미지 제너레이터 사용 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54

import numpy as np import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from tensorflow.keras.datasets import cifar10 from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator import matplotlib.pyplot as plt     # Augmentation을 위해 2가지 함수 사용 가능 -> flow(), flow_from_directory() # load_img() 함수는 리턴 타입이 jpeg 이므로 numpy 타입으로 변환해주기 위해, img_to_array() 사용     ## flow() ##   img_list = [] img_name = ['./chipmonk_1.jpg', './chipmonk_2.jpg', './tiger_1.jpg', './tiger_2.jpg']   imageGenerator = ImageDataGenerator(rotation_range=30, width_shift_range=0.2, shear_range=0.3, horizontal_flip=True) batch_size = 2     for i in range(len(img_name)):     loaded_img = load_img(img_name[i], target_size=(100, 100))     load_img_array = img_to_array(loaded_img)/255.0     img_list.append(load_img_array)     plt.figure(figsize=(6, 6))   for i in range((len(img_list))):     plt.subplot(1, len(img_list), i+1)     plt.xticks([])     plt.yticks([])     plt.title(img_name[i])     plt.imshow(img_list[i])   plt.show()     data_gen = imageGenerator.flow(np.array(img_list), batch_size=batch_size) # np.array(img_list) : (100, 100, 3) -> (-1, 100, 100, 3) 4차원 텐서로 변환해주기 위해서   gen_image = data_gen.next() # batch_size=2 개수만큼 이미지 생성   plt.figure(figsize=(6, 6))   for i in range((len(gen_image))):     plt.subplot(1, len(gen_image), i+1)     plt.xticks([])     plt.yticks([])     plt.imshow(gen_image[i])   plt.show() Colored by Color Scripter

cs

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37

import numpy as np import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from tensorflow.keras.datasets import cifar10 from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator import matplotlib.pyplot as plt     # Augmentation을 위해 2가지 함수 사용 가능 -> flow(), flow_from_directory()     ## flow_from_directory() ##     imageGenerator = ImageDataGenerator(rotation_range=30, width_shift_range=0.2, shear_range=0.3,                                     horizontal_flip=True, rescale=1./255) batch_size = 2 image_path = './dataset/'     # class_mode : binary, categorical, sparse data_gen = imageGenerator.flow_from_directory(directory=image_path, batch_size=batch_size,                                             shuffle=True, target_size=(100, 100), class_mode='categorical')   gen_image, label = data_gen.next()   plt.figure(figsize=(6, 6))   for i in range((len(gen_image))):     plt.subplot(1, len(gen_image), i+1)     plt.xticks([])     plt.yticks([])     plt.title(str(np.argmax(label[i])))     plt.imshow(gen_image[i])   plt.show() Colored by Color Scripter

cs

 

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78

import numpy as np import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from tensorflow.keras.datasets import cifar10 from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator import matplotlib.pyplot as plt     # 데이터셋 생성 (x_train, y_train), (x_test, y_test) = cifar10.load_data()   x_train = x_train.astype(np.float32)/255.0 x_test = x_test.astype(np.float32)/255.0   image_gen = ImageDataGenerator(rotation_range=30, shear_range=0.3, width_shift_range=0.3,                                height_shift_range=0.3, horizontal_flip=True)   augment_size = int(1.2 * x_train.shape[0])  # 50000 * 1.2 = 60000 random_idx = np.random.randint(x_train.shape[0], size=augment_size)   x_gen = x_train[random_idx].copy()  # 원본 데이터 복사 y_gen = y_train[random_idx].copy()   x_gen, y_gen = image_gen.flow(x_gen, y_gen, batch_size=augment_size, shuffle=False).next()   x_train = np.concatenate((x_train, x_gen))  # 원본이미지에 생성된 이미지 합치기 y_train = np.concatenate((y_train, y_gen))   index_list = np.arange(x_train.shape[0])  # 데이터를 랜덤하게 섞음 np.random.shuffle(index_list)   x_train = x_train[index_list] y_train = y_train[index_list]     # 모델 생성 def make_model():     model = Sequential()     model.add(Conv2D(input_shape=(32, 32, 3), kernel_size=(3, 3), padding='same', filters=32, activation='relu'))     model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=32, activation='relu'))     model.add(MaxPooling2D(pool_size=(2, 2)))     model.add(Dropout(0.2))       model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=64, activation='relu'))     model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=64, activation='relu'))     model.add(MaxPooling2D(pool_size=(2, 2)))     model.add(Dropout(0.2))       model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=128, activation='relu'))     model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=128, activation='relu'))     model.add(MaxPooling2D(pool_size=(2, 2)))     model.add(Dropout(0.2))       model.add(Flatten())       model.add(Dense(128, activation='relu'))     model.add(Dropout(0.2))     model.add(Dense(10, activation='softmax'))       return model     model = make_model() model.compile(loss='sparse_categorical_crossentropy', optimizer=tf.keras.optimizers.Adam(), metrics=['accuracy'])   history = model.fit(x_train, y_train, validation_split=0.2, batch_size=128, epochs=200)   model.evaluate(x_test, y_test)     plt.plot(history.history['accuracy']) plt.plot(history.history['val_accuracy']) plt.xlabel('epoch') plt.ylabel('accuracy') plt.legend(['train', 'validation'], loc='best') plt.show()   Colored by Color Scripter

cs

 

이미지 제너레이터 사용 전 : 정확도 70% 내외

이미지 제너레이터 사용 후 : 정확도 80 % 초반