Deep Learning - Keras를 이용해 CNN 설계 및 학습시키기

 

데이터 출처 : www.kaggle.com/tongpython/cat-and-dog

Cat and Dog

 

github 주소 : github.com/sangHa0411/DataScience/blob/main/CNN_Example.ipynb

sangHa0411/DataScience

 

이번 포스팅에서는 CNN을 설계하는 과정을 정리해보도록 하겠습니다.

 

대표적인 이미지 분류 문제로 여겨지는 Cats and Dogs 문제를 다루어보겠습니다.

먼저 opencv 라이브러리를 이용해서 이미지 파일을 불러옵니다.

training_path = './archive/training_set/training_set/'
test_path = './archive/test_set/test_set/'


paths = [training_path , test_path]
kinds = ['cat' , 'dog']

image_Data = []

for path in paths :

    image_Set = []
    
    for idx in kinds :
    
        sub_Images = []
    
        for i in range(0 , 5001) :
    
            image_path = path + idx + 's/' + idx + '.' + str(i) + '.jpg'
        
            image = cv2.imread(image_path)

            if str(type(image)) == "<class 'numpy.ndarray'>" :
        
                image = cv2.resize(image , (160 , 160) , interpolation=cv2.INTER_LINEAR)
            
                image = cv2.cvtColor(image , cv2.COLOR_BGR2GRAY)
                
                image = image.astype('float')
                image /= 255
        
                sub_Images.append(image)
    
        image_Set.append(sub_Images)
        
    image_Data.append(image_Set)
    

 

그리고 불러온 이미지를 한 장씩 불러와서 고양이 사진과 강아지 사진을 비교해보겠습니다.

image_List = image_Data[0]

example1 = image_List[0][0]
example2 = image_List[1][0]

plt.figure(figsize = (15 , 5))

plt.subplot(1,2,1)
plt.imshow(example1 , cmap = 'gray')

plt.subplot(1,2,2)
plt.imshow(example2 , cmap = 'gray')

plt.show()

 

이제 불러온 이미지 데이터에서 훈련 데이터 그리고 테스트 데이터로 나누도록 하겠습니다.

def getData(image_Data) :
    
    train = image_Data[0]
    
    train_cat = train[0]
    train_dog = train[1]
    
    X_train = []
    Y_train = []
    
    train_Length = len(train_cat)
    
    for i in range(train_Length) :
    
        X_train.append(train_cat[i])
        Y_train.append(0)
    
        X_train.append(train_dog[i])
        Y_train.append(1)
    
    test = image_Data[1]
    
    test_cat = test[0]
    test_dog = test[1]
    
    X_test = []
    Y_test = []
    
    test_Length = len(test_cat)
    
    for i in range(test_Length) :
        
        X_test.append(test_cat[i])
        Y_test.append(0)
        
        X_test.append(test_dog[i])
        Y_test.append(1)
        
    return np.array(X_train) , np.array(Y_train) , np.array(X_test) , np.array(Y_test)
    
    
    
X_train , Y_train , X_test , Y_test = getData(image_Data)

 

이진 분류 문제이므로 고양이는 0 , 강아지는 1로 레이블 값을 설정하였습니다.

다음으로 훈련 데이터와 테스트 데이터의 shape을 확인해보곘습니다.

print('train shape \n')

print(X_train.shape)
print(Y_train.shape)

 

총 8000장의 이미지가 있으며 한 장의 이미지의 높이 및 너비가 모두 160인 것을 확인할 수 있습니다.

여기서 주의할 점은 이 데이터를 CNN의 Convolution Layer로 입력하기 위해서는 지금의 shape으로 입력하면 안됩니다.

1개의 데이터가 지금은 2D tensor인 상황인데 여기서 3D tensor로 변경을 해주어야 합니다.

따라서 아래와 같은 과정이 꼭 필요합니다.

X_train = X_train.reshape(8000 , 160 , 160 , 1)

 

위와 같은 과정을 테스트 데이터에 동일하게 진행합니다.

X_test = X_test.reshape(2000 , 160 , 160 , 1)

 

 

이제 본격적으로 Keras를 이용해서 CNN을 설계해보겠습니다.

 

먼저 CNN을 위해 필요한 라이브러리를 가져오겠습니다.

from keras.models import Sequential , load_model

from keras.layers import Conv2D, MaxPooling2D , BatchNormalization, Dropout , Activation , Flatten, Dense

from keras.callbacks import EarlyStopping, ModelCheckpoint

 

그리고 이를 이용해서 CNN을 설계하겠습니다.

Sequential() 함수를 이용해서 model을 만든다음에 먼저 Convolution Layer와 Pooling Layer를 추가해줍니다.

model = Sequential()

# first Convolution Layer
model.add(Conv2D(input_shape = (160, 160, 1), 
                 filters = 32, 
                 kernel_size = (3,3), 
                 strides = (1,1), 
                 padding = 'same',
                 kernel_initializer='he_normal'))
model.add(BatchNormalization())
model.add(Activation('relu'))

# first Pooling Layer
model.add(MaxPooling2D(pool_size = (2,2)))

# second Convolution Layer
model.add(Conv2D(filters = 32, 
                 kernel_size = (3,3), 
                 strides = (1,1), 
                 padding = 'same',
                 kernel_initializer='he_normal'))
model.add(BatchNormalization())
model.add(Activation('relu'))

# second Pooling Layer
model.add(MaxPooling2D(pool_size = (2,2)))

# third Convolution Layer
model.add(Conv2D(filters = 16, 
                 kernel_size = (3,3), 
                 strides = (1,1), 
                 padding = 'same',
                 kernel_initializer='he_normal'))
model.add(BatchNormalization())
model.add(Activation('relu'))

# third Pooling Layer
model.add(MaxPooling2D(pool_size = (2,2)))

 

그리고 나서 이를 평탄화해주어서 3D tensor를 1D tensor로 변경해줍니다.

model.add(Flatten())

 

이제 여기서 Fully Connected Layer를 추가해주는데 이진 분류이므로 마지막의 활성화 함수는 Sigmoid 함수로 설정합니다.

model.add(Dense(512 , activation='relu' , kernel_initializer = 'he_normal'))

model.add(Dropout(0.5))

model.add(Dense(1 , activation='sigmoid'))

model.compile(loss='binary_crossentropy' , optimizer='adam' , metrics=['acc'])

 

이제 훈련할 때 설정할 옵션을 정해줍니다.

es = EarlyStopping(monitor='val_loss', mode='min', verbose=1, patience=5)

mc = ModelCheckpoint('best_model.h5', monitor='val_loss', mode='min', verbose=1, save_best_only=True)

EarlyStopping 으로 Validation loss 가 5회 이상 개선되지(감소되지) 않으면 훈련을 중지합니다.

그리고 ModelCheckpoint 함수를 이용해서 가장 작은 Validation loss 를 가질 때의 모델을 best_model.h5 로 저장합니다.

 

이제 최종적으로 모델을 훈련합니다.

history = model.fit(X_train, Y_train, \
                    epochs = 30, \
                    callbacks = [es, mc], \
                    batch_size = 128, \
                    validation_split = 0.2 )

 

아래는 전체적인 모델의 내용입니다.

model.summary()

 

이제 학습 과정을 그래프로 그려보겠습니다.

fig , axes = plt.subplots(1 , 2 , figsize=(15,5))

axes[0].set_title('model accuracy')

axes[0].plot(history.history['acc'] )
axes[0].plot(history.history['val_acc'])

axes[0].set_ylabel('accuracy')
axes[0].set_xlabel('epoch')
axes[0].legend(['train', 'val'], loc='upper left' , fontsize=15)

axes[1].set_title('model loss')

axes[1].plot(history.history['loss'])
axes[1].plot(history.history['val_loss'])

axes[1].set_ylabel('loss')
axes[1].set_xlabel('epoch')
axes[1].legend(['train', 'val'], loc='upper right' , fontsize=15)

plt.show()

 

최종적으로 테스트 데이터를 이용해서 모델을 평가해보겠습니다.

loaded_model = load_model('best_model.h5')

result = loaded_model.evaluate(X_test, Y_test)

print('')

print("Test Loss : %.4f" % result[0])
print("Test Accuracy : %.4f" % result[1])

 

참고자료 : www.yes24.com/Product/Goods/65050162

케라스 창시자에게 배우는 딥러닝