[Tensorflow] 26. CNN 이미지 분류하기 (mnist)

 
 
이번 포스팅에서는
 
keras 에서 제공하는  mnist 데이터를 이용해
앞전 포스팅에서 학습한
CNN 모델을 생성해서 이미지 분류를 해보겠습니다.
 

---

 

1. mnist 데이터

 
mnist 는 손으로 쓴 글자를 모아둔 
이미지 분류 datasets입니다.
 
mnist 데이터셋 분류는
CNN의 입문용, 모두가 거치는
"Hello world"
같은 단계라고하네요.
https://keras.io/api/datasets/mnist/#loaddata-function

Keras documentation: MNIST digits classification dataset

 
저는 keras의 dataset의 
mnist digits classifiaction dataset를 이용해서 데이터를 
받아오겠습니다.
 
이미지를 확인하고 싶은데
이미지의 정보는 나와있질 않습니다.

이미지출처 : https://en.wikipedia.org/wiki/MNIST_database
 
이런 형태의 이미지들입니다.
load_data() 함수를 사용하면 이미지 데이터를 받을 수 있습니다.

 
데이터 형태를 확인하고 가겠습니다.
x_train : (60000, 28, 28)
y_train : (60000,)
x_test : (10000, 28, 28)
y_test: (10000,)
튜블 형태의 train, test 묶음을 전달해주네요.

 

---

 

2. 데이터 가져오기

 
 
keras의 datasets 모듈의 mnist 를 import 해줍니다.
(numpy, pandas import 는국룰입니다.)
위의 문서에 나와있듯 load_data()를 통해
train, test의 두 튜플을 받아옵니다.

import numpy as np
import pandas as pd
from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

 
 
받아온 데이터 형태가 위에서 확인했던 형태랑 같네요.

 
(이미지개수, 이미지폭, 이미지높, channel(RGB)) 
channel 1은 생략되었으니
훈련데이터만 보면 
28x 28 의 흑백이미지 60000장이 입력값이네요.
출력값은 0~9까지의 10개의 클래스를 가진 데이터 60000개입니다.

print(x_train.shape , y_train.shape) #(60000, 28, 28) (60000,)
print(x_test.shape, y_test.shape) #(10000, 28, 28) (10000,)
unique, count =  np.unique(y_train, return_counts=True)
print(unique, count) #[0 1 2 3 4 5 6 7 8 9] [5923 6742 5958 6131 5842 5421 5918 6265 5851 5949]

 
 
이미지 데이터는 
matplotlib pyplot의 imShow()로 시각화해서
확인할 수 있습니다.

import matplotlib.pyplot as plt
plt.imshow(x_train[0])
plt.show()

 

 

---

 

3. 데이터 전처리

 

다중분류를 해주기 위해 출력값들을 
Scikit learn OneHotEncoder()를 이용해
원핫인코딩을 해주겠습니다.
다중분류시 원핫을 하는 이유는 아래 포스팅을 참고해주세요.
https://aigaeddo.tistory.com/24

20. 분류2) 다중 분류 파헤치기(Multiclass Classification)

 
저는 원핫 처리시 Scikit learn의 OneHotEncoder()를 
자주 사용해주는데 디코딩이 간편하기 때문입니다. 
reshape를 해준 이유는 fit_trainform에는 행렬 형태만 들어가기 때문에
벡터를 행렬형태로 바꿔주었습니다.
 
x데이터는 conv2D 에 넣어주기 위해 reshape를 통해 행렬로 만들어주었습니다.

from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder(sparse=False)
y_train = ohe.fit_transform(y_train.reshape(-1,1))
y_test = ohe.transform(y_test.reshape(-1,1))

#conv2D는 4차원 행렬을 받음
x_train = x_train.reshape(x_train.shape[0], x_train.shape[1], x_train.shape[2], 1)
x_test = x_test.reshape(x_test.shape[0], x_test.shape[1], x_test.shape[2], 1)

unique, count =  np.unique(y_train, return_counts=True) #[0. 1.] [540000  60000]
print(unique, count)

 

이미지 데이터에 대한
스케일링 방식을 참고해서
255로 나눠 0~1사이의 값으로
만들어줬습니다.

#scaling 
x_train = x_train/255
x_test = x_test/255

 

 

---

 

4. 모델구성

 

이미지출처: https://rubber-tree.tistory.com/entry/%EB%94%A5%EB%9F%AC%EB%8B%9D-%EB%AA%A8%EB%8D%B8-CNN-Convolutional-Neural-Network-%EC%84%A4%EB%AA%85

 

저는 위 이미지를 참고해서 모델을 구현할 예정입니다.
필요한 레이어들을 먼저 살펴보겠습니다.
 

Feature extraction 단 

Layer는 keras의 layers 모듈에 있습니다.
Convolution Layer :  Conv2D(),
Pooling Layer : MaxPooling2D()
(전 MaxPooling2D()를 사용하겠습니다.)
 

Classification 단 

Flattenine Layer :  Flatten(),
Fully Connected Layer : Dense()
 
 
코드로 구현해보겠습니다.
레이어들에 대한 사용법과 자세한 정보는
아래 keras 도큐먼트 페이지에서 확인하실 수 있습니다.
https://keras.io/api/layers/ 

Keras documentation: Keras layers API

 

Feature extraction 단 구성을 위해
위 그림처럼 Conv2D()레이어와 Padding()레이어를 2세트 
모델에 넣어주겠습니다.
 
activation 함수에 relu를 설정해주었습니다.
(activation에 대해서는 따로 포스팅 하겠습니다!)

from keras.models import Sequential
from keras.layers import Dense, Flatten, Conv2D, MaxPooling2D

#Feature extraction
#Conv Layerset 1
model = Sequential()
model.add(Conv2D(64, (2,2), input_shape = (28,28,1), activation='relu'))
model.add(MaxPooling2D((2,2), strides=(2,2)))

#Conv Layerset 2
model.add(Conv2D(32, (2,2), activation='relu'))
model.add(MaxPooling2D((2,2), strides=(2,2)))

 
 

이후 Classification 단 구성을 위해
Flatten()레이어와 Dense()레이어를 넣어주겠습니다.
Output layer도 구성해줍니다.
Output 의 개수는 아까 데이터에서 확인한 클래스의 개수입니다.
마지막 레이어의 activation 함수는 다중분류이기 때문에 softmax입니다.

#Classification
#Flatten Layer
model.add(Flatten())
#Fully Connected Layer
model.add(Dense(256, activation='relu'))

#output layer
model.add(Dense(10, activation='softmax')) #class count : 10

 

---

3. 모델 컴파일 훈련  

 

컴파일에서 다중 분류이기 때문에 loss 함수는 categorical_crossentropy,
optimizer 는 'adam'
metrics를 설정해서 acc를 체크하겠습니다.
모델 훈련은 일단 에폭5 , 배치 200, 발리데이션 0.2로 설정해주었습니다.
모든게 하이퍼파라미터이기 때문에 자유롭게 구성하시면 됩니다.

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['acc'])
model.fit(x_train, y_train, epochs=5, batch_size=200, validation_split=0.2)

 

 

 

---

 

4. 평가 및 및 예측

 
 
 

모델이 완성되었으면
평가 및 예측값 확인을 해주시면 됩니다!

predict = ohe.inverse_transform(model.predict(x_test))
print(predict)

 
 
이번 포스팅에서는 CNN을 코드로 직접 구현해봤습니다.
이미지 데이터를 다루니까
데이터가 확실히 무겁네요!
이 이미지 데이터를 다루기 위해 앞선 포스팅에서
gpu로 돌리는 세팅을 했습니다.
더 큰 데이터를 다룰 그날이 오기를 바라며
계속 정진하겠습니다.
 
 
틀린점이 있다면 지적해주세요!