본 포스팅은 파이토치(PYTORCH) 한국어 튜토리얼을 참고하여 공부하고 정리한 글임을 밝힙니다.
데이터
- 일반적으로 이미지나 텍스트, 오디오, 비디오 데이터를 다룰 때는 numpy 배열로 불러온 후, 그 배열을
torch.Tensor로 변환해줌- 이미지: Pillow, OpenCV
- 오디오: SciPy, LibROSA
- 텍스트: python, NLTK, SpaCy
- 특별한 영상 분야를 위한
torchvision패키지: ImageNet이나 CIFAR10, MNIST 등과 같이 일반적으로 사용하는 데이터셋을 위한 데이터 로더torchvision.datasets과 데이터 변환기torch.utils.data.DataLoader가 포함되어 있음
[예제] CIFAR10 데이터셋
- class 종류: ‘비행기(airplane)’, ‘자동차(automobile)’, ‘새(bird)’, ‘고양이(cat)’, ‘사슴(deer)’, ‘개(dog)’, ‘개구리(frog)’, ‘말(horse)’, ‘배(ship)’, ‘트럭(truck)’
- 이미지 크기: 3x32x32 (32x32 이미지가 3개 채널의 색상으로 이루어짐)
이미지 분류기 학습하기
-
torchvision을 사용하여 CIFAR10의 학습용/테스트용 데이터셋을 불러온 후 정규화 해줌 -
합성곱 신경망(Convolution Neural Network)을 정의
-
손실 함수를 정의
-
학습용 데이터를 사용하여 신경망을 학습
-
테스트용 데이터를 사용하여 신경망을 검사
1. CIFAR10을 불러오고 정규화하기
import torch
import torchvision
import torchvision.transforms as transforms- torchvision 데이터셋의 output은 [0,1] 범위를 갖는 PILImage 이미지
- 따라서 [-1, 1]의 범위로 정규화된 Tensor로 변환 ➡️
torchvision.transforms필요
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5,))]
)
batch_size = 4
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')import matplotlib.pyplot as plt
import numpy as np
# 이미지 보여주는 함수
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# 학습용 이미지 무작위 가져오기
dataiter = iter(trainloader)
images, labels = dataiter.next()
# 이미지 보여주기
# torchvision.utils.make_grid(): 4차원 (배치, 채널, 높이, 너비)
imshow(torchvision.utils.make_grid(images)) # 그리드 형태로 이미지 보여줌
# 정답(label) 출력
print(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))Out:
cat cat dog bird합성곱 신경망(Convolution Neural Network) 정의하기
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = torch.flatten(x, 1) # 배치를 제외한 모든 차원을 평탄화(flatten)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()3. 손실 함수와 Optimizer 정의하기
- 교차 엔트로피 손실(Cross-Entropy Loss)과 모멘텀(momentum) 값을 갖는 SGD 사용
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)4. 신경망 학습하기
for epoch in range(2):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# [inputs, labels]의 목록인 data로부터 입력 받음
inputs, labels = data
# gradient 매개변수 0으로 초기화
optimizer.zero_grad()
# 순전파 + 역전파 + 최적화
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 통계 출력
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}')
running_loss = 0.0
print('Finished Training') Out:
[1, 2000] loss: 2.204
[1, 4000] loss: 1.832
[1, 6000] loss: 1.670
[1, 8000] loss: 1.587
[1, 10000] loss: 1.529
[1, 12000] loss: 1.453
[2, 2000] loss: 1.396
[2, 4000] loss: 1.348
[2, 6000] loss: 1.343
[2, 8000] loss: 1.312
[2, 10000] loss: 1.289
[2, 12000] loss: 1.257
Finished Training- 학습 모델 저장
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)5. 테스트용 데이터로 신경망 검사하기
- 신경망이 예측한 출력과 진짜 정답(Ground-truth)을 비교하는 방식으로 확인
- epoch이 2회밖에 안되어 신경망이 전혀 배운 게 없을 수도 있음
dataiter = iter(testloader)
images, labels = dataiter.next()
# 이미지를 출력합니다.
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join(f'{classes[labels[j]]:5s}' for j in range(4)))
Out:
GroundTruth: cat ship ship plane- 저장했던 모델을 불러와 예측
net = Net()
net.load_state_dict(torch.load(PATH))
outputs = net(images)- 출력은 배치당 10개 분류 각각에 대한 값으로 나타남
- 10개 분류 중 가장 높은 값(모델이 예측한 1위)을 갖는 인덱스를 뽑아서 확인
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join(f'{classes[predicted[j]]:5s}'
for j in range(4)))Out:
Predicted: cat ship car plane- 전체 데이터셋에 대한 예측 성능을 확인
correct = 0
total = 0
# 학습 중이 아니므로 출력에 대한 gradient 계산할 필요 x
correct = 0
total = 0
# 학습 중이 아니므로, 출력에 대한 변화도를 계산할 필요가 없습니다
with torch.no_grad():
for data in testloader:
images, labels = data
# 신경망에 이미지를 통과시켜 출력을 계산합니다
outputs = net(images)
# 가장 높은 값(energy)를 갖는 분류(class)를 정답으로 선택하겠습니다
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f'Accuracy of the network on the 10000 test images: {100 * correct // total} %')Out:
Accuracy of the network on the 10000 test images: 54 %- 어떤 것을 더 잘 분류하고, 어떤 것을 더 못했는지 알아보자
# 각 분류(class)에 대한 예측값 계산을 위해 준비
correct_pred = {classname: 0 for classname in classes}
total_pred = {classname: 0 for classname in classes}
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predictions = torch.max(outputs, 1)
# 각 분류별로 올바른 예측 수 세기
for label, prediction in zip(labels, predictions):
if label == prediction:
correct_pred[classes[label]] += 1
total_pred[classes[label]] += 1
# 각 분류별 정확도 출력
for classname, correct_count in correct_pred.items():
accuracy = 100 * float(correct_count) / total_pred[classname]
print(f'Accuracy for class: {classname:5s} is {accuracy:.1f} %')Out:
Accuracy for class: plane is 70.6 %
Accuracy for class: car is 87.4 %
Accuracy for class: bird is 41.8 %
Accuracy for class: cat is 24.3 %
Accuracy for class: deer is 44.1 %
Accuracy for class: dog is 48.6 %
Accuracy for class: frog is 66.3 %
Accuracy for class: horse is 50.3 %
Accuracy for class: ship is 53.8 %
Accuracy for class: truck is 53.1 %