[Tensorflow] 2. Convolutional Neural Networks in Tensorflow (4 week Multiclass Classifications) - Programming

[Tensorflow] 2. Convolutional Neural Networks in Tensorflow (4 week Multiclass Classifications) - Programming

다중 클래스 분류기 (Multi-class classifier)

• 여기서는 두 개 이상의 클래스를 구별하는 모델을 구축하는 방법을 살펴본다. 코드는 모델과 훈련 매개변수의 몇 가지 주요 변경 사항을 제외하고 이전에 사용했던 코드와 유사하다.

[1] Data download & prepare the dataset

import requests

url_1 = 'https://storage.googleapis.com/tensorflow-1-public/course2/week4/rps.zip'
fileName_1= 'rps.zip'
    
url_2 = 'https://storage.googleapis.com/tensorflow-1-public/course2/week4/rps-test-set.zip'
fileName_2 = 'rps-test-set.zip'


response = requests.get(url_1)
with open(fileName_1, 'wb') as f:
    f.write(response.content)
    
response = requests.get(url_2)
with open(fileName_2, 'wb') as f:
    f.write(response.content)

import zipfile

local_zip = './rps.zip'
zip_ref = zipfile.ZipFile(local_zip, 'r')
zip_ref.extractall('./rps-train')
zip_ref.close()

local_zip = './rps-test-set.zip'
zip_ref = zipfile.ZipFile(local_zip, 'r')
zip_ref.extractall('./rps-test')
zip_ref.close()

import os 

base_dir = './rps-train/rps/'

rock_dir = os.path.join(base_dir, 'rock')
paper_dir = os.path.join(base_dir, 'paper')
scissors_dir = os.path.join(base_dir, 'scissors')

print(rock_dir)
print(paper_dir)
print(scissors_dir)

print('total training rock images:', len(os.listdir(rock_dir)))
print('total training paper images:', len(os.listdir(paper_dir)))
print('total training scissors images:', len(os.listdir(scissors_dir)))

rock_files = os.listdir(rock_dir)
print(rock_files[:10])

paper_files = os.listdir(paper_dir)
print(paper_files[:10])

scissors_files = os.listdir(scissors_dir)
print(scissors_files[:10])

# output

./rps-train/rps/rock
./rps-train/rps/paper
./rps-train/rps/scissors
total training rock images: 840
total training paper images: 840
total training scissors images: 840
['rock04-059.png', 'rock01-108.png', 'rock04-065.png', 'rock05ck01-067.png', 'rock05ck01-073.png', 'rock04-071.png', 'rock05ck01-098.png', 'rock02-008.png', 'rock07-k03-013.png', 'rock02-034.png']
['paper03-088.png', 'paper05-026.png', 'paper05-032.png', 'paper03-077.png', 'paper03-063.png', 'paper02-099.png', 'paper04-037.png', 'paper04-023.png', 'paper02-066.png', 'paper02-072.png']
['testscissors03-040.png', 'testscissors03-054.png', 'testscissors03-068.png', 'testscissors03-083.png', 'testscissors03-097.png', 'scissors03-113.png', 'scissors03-107.png', 'testscissors02-051.png', 'testscissors02-045.png', 'scissors01-002.png']

[2] Model build & compile

• CNN을 모델을 구축하는데, 64-64-128-128 필터가 포함된 4개의 컨볼루션 레이어를 사용한 다음 과적합을 방지하기 위해 Dropout 레이어를 추가하고 분류를 위해 일부 Dense 레이어를 추가한다.
• 출력 레이어는 Softmax에 의해 활성화된 3개의 뉴런으로 구성된 Dense 레이어이다. 출력을 합산하면 1이 되는 확률 집합으로 확장된다.
• 이 3개 뉴런 출력의 순서는 가위바위보가 됩니다(예: [0.8 0.2 0.0] 출력은 모델이 종이에 대한 확률을 80%로 예측하고 바위일 확률은 20% 이다.
  아래의 model.summary()를 사용하여 아키텍처를 검사할 수 있다.

import tensorflow as tf


model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(64, (3,3), input_shape=(150,150,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(3, activation='softmax')
])

model.summary()

모델을 컴파일한다.

model.compile(
    loss = 'categorical_crossentropy',
    optimizer= 'rmsprop',
    metrics=['accuracy']
)

[3] ImageGenerator 인스턴스 생성

from tensorflow.keras.preprocessing.image import ImageDataGenerator


train_datagen = ImageDataGenerator(
    rescale=1./255.,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest',
    zoom_range=0.2
)

test_datagen = ImageDataGenerator(
    rescale=1./255.
)

train_generator = train_datagen.flow_from_directory(
    'rps-train/rps',
    target_size=(150,150),
    batch_size=126,
    class_mode = 'categorical'  
)

validation_generator = test_datagen.flow_from_directory(
    'rps-test/rps-test-set/',
    target_size=(150,150),
    batch_size=126,
    class_mode='categorical',
)

# output
Found 2520 images belonging to 3 classes.
Found 372 images belonging to 3 classes.

[4] model training

history = model.fit(train_generator,
                    steps_per_epoch=20,
                    validation_data=validation_generator,
                    epochs=25,
                    validation_steps=3,
                    verbose=2)
                    

[5] Model Prediction

import numpy as np
from tensorflow.keras.utils import load_img, img_to_array

file1 = 'rps-test/rps-test-set/paper/testpaper01-01.png'
file2 = 'rps-test/rps-test-set/rock/testrock01-07.png'
file3 = 'rps-test/rps-test-set/scissors/testscissors01-17.png'

for file in [file1, file2, file3]:
    img = load_img(file, target_size=(150,150))
    x = img_to_array(img)
    x = np.expand_dims(x, axis=0)
    
    images = np.vstack([x])
    classes = model.predict(images, batch_size=10)
    print(file)
    print(classes)