WEEK4 : Introduction to TensorFlow for Artificial Intelligence (ImageDataGenerator)

ImageDataGenerator

ImageDataGenerator 이용하면 자동으로 label 부여해준다.

 

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255)
trian_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(300, 300),
    batch_size=128,
    class_mode='binary'
)

• train_dir
  • 여기서 train_dir는 이미지가 포함된 하위 디렉토리를 포함한 상위 디렉토리여야 한다.
    (위의 이미지에서 trian에 대응하는 위치)
  • train_dir의 하위 디렉토리 이름은 label의 이름이여야 한다.
    
    
• target_size = (300, 300)
  • 여기서 channel size 지정해줄 필요 X
  • 신경망을 학습하기 위해서는 입력 데이터가 모두 동일한 크기여야 하기 때문에 사이즈 지정해주어야 한다.
  • 이미지가 로드될 때 사이즈를 조절해주기 때문에 전처리 할 필요가 없다.
• batch_size
  • 배치 사이즈를 지정해준다.
• class_mode
  • "binary": 1D numpy array of binary labels,
  • "categorical": 2D numpy array of one-hot encoded labels. Supports multi-label output.
  • "input": images identical to input images (mainly used to work with autoencoders),
  • "multi_output": list with the values of the different columns,
  • "raw": numpy array of values in y_col column(s),
  • "sparse": 1D numpy array of integer labels, - None, no targets are returned (the generator will only yield batches of image data, which is useful to use in model.predict()).
• 여기서 주의할 점은 train_generator와 validation_generator의 target_size가 동일해야 한다는 것이다.

---

ConvNet 정의

model = tf.keras.models.Sequential([
    # 1st CONV+POOL
    tf.keras.layers.Conv2D(16, (3, 3), activation='relu', input_shape=(300, 300, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    # 2nd CONV+POOL
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    # 3rd CONV+POOL
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    # Flatten
    tf.flatten(),
    # 1st DENSE
    tf.keras.layers.Dense(512, activation='relu'),
    # 2nd DENSE
    tf.keras.layers.Dense(1, activation='sigmoid') # binary classification
])

 

• input_shape
  • channel 사이즈도 기재해주어야 한다. 
  • (300, 300, 3) : row, col, channel 순서
• 마지막 layer의 output node
  • binary classification 문제였기 때문에 unit의 수를 1으로 설정하고
  • activation function 역시 sigmoid로 설정해주었다.
  • 만약에 multi-class classification이라면 class의 개수로 units의 수를 설정해주고,
    activation function으로는 'softmax'를 사용한다.

 

from tensorflow.keras.optimizers import RMSProp

model.compile(loss='binary_crossentropy',
              optimizer=RMSProp(lr=0.001),
              metrics=['acc'])

• binary classification이기 때문에 loss는 'binary_crossentropy' 사용하였다.
• multi-class classification 문제라면 'categorical_crossentropy'  혹은 'sparse_categorical_crossentropy' loss를 사용하여야 한다.
  • y가 one-hot encoding이 되어있는 상태라면 categorical_crossentropy를 사용하고,
  • y가 one-hot encoding이 되어있지 않은 상태라면 sparse_categorical_crossentropy를 사용한다.

 

history = model.fit_generator(
    train_generator,
    steps_per_epoch=8,
    epochs=15,
    validation_data=validation_generator,
    validation_steps=8,
    verbose=2
)

 

• model.fit 대신 model.fit_generator 사용하고 있다.
• training directory에 1,024장의 이미지가 존재하고, batch_size는 128로 지정해주었기 때문에
  steps_per_epoch는 1024/128 = 8으로 설정해주었다.
• validation directory에 256장의 이미지가 존재하고, batch_size는 32개로 지정해주었기 때문에
  validation_steps는 256/32=8으로 설정해주었다.
• verbose는 tranining동안 얼마나 자주 출력할 것인지를 설정하는 parameter이다.

 

---

Compressing images

 

• 본 강의의 내용에서는 300*300*3 크기의 horse, human 이미지로 학습을 수행했다.
• 하지만, 150*150*3의 크기로 수정된 이미지로 학습한다면 어떤 일이 일어날까?
• (image generator에서 크기와 모델의 input_size를 수정해주면 된다)
• 크기가 작아지니 학습할 때의 계산 비용이 줄어든다. 하지만 정확도 또한 낮아졌다.
  (작은 사이즈의 이미지를 다루기 위해 layer의 개수를 줄였기 때문에)

 

github.com/lmoroney/dlaicourse

lmoroney/dlaicourse