Section 4_Sprint 3

JIYOUNG KIM·2022년 3월 10일
section4코드스테이츠
0

Codestates AIB

목록 보기
12/15
post-thumbnail
post-custom-banner

Day 1

CNN

CNN 이란?

  • Convolutional Neural Network, 합성곱 신경망
  • 컴퓨터 비전에서 자주 사용
  • 학습과정에서 공간적 특성을 보존하면서 학습이 가능
    • 이미지는 위치에 맞는 공간적인 특성을 가지고 있는데 모든 입력값을 flatten 해주면 공간적 특성을 잘 살리지 못함 → 이러한 문제 해결
    • 이미지의 일부를 훑으면서 연산이 진행되며 특징을 잡아내어 학습하기 때문에 층이 깊어지더라도 공간적 특성을 최대한 보존할 수 있음
  • CNN 구조

합성곱 층(Convolution Layer)

  • 합성곱 필터(Convolution Filter)가 슬라이딩하며 이미지 부분부분을 읽어나감

    • 합성곱 필터를 통해 좌측 상단부터 슬라이딩 시작

      • 결과 값 = Feature map
      • 필터 값은 가중치 초기화를 통해 랜덤 적용

    • 코너 값들이 반영이 덜 되고 feature map이 줄어드는 단점

      ↓ 극복

  • 패딩(Padding)

    • 이미지 외부를 특정 값으로 둘러싸서 처리해주는 방식

    • 주로 제로-패딩(Zero-padding, 0으로 둘러싸주는 방식)이 많이 사용됨

    • 연산되어 나오는 Feature map의 크기(=output)를 조절하고 실제 이미지 값을 충분히 활용하기 위해 사용

      Nlp 에서의 padding 과 구분

  • 스트라이드(Stride)

    • 스트라이드를 조절하면 슬라이딩 시에 몇 칸씩 건너뛸지 정할 수 있음
    • stride = 1
    • stride = 2

필터 크기, 패딩, 스트라이드에 따른 Feature map 크기 변화

Nout=[Nin+2p−ks]+1N_{\text{out}} = \bigg[\frac{N_{\text{in}} + 2p - k}{s}\bigg] + 1

  • NinN_{\text{in}} : 입력되는 이미지의 크기(=피처 수)
  • NoutN_{\text{out}} : 출력되는 이미지의 크기(=피처 수)
  • kk : 합성곱에 사용되는 커널(=필터)의 크기
  • pp : 합성곱에 적용한 패딩 값
  • ss : 합성곱에 적용한 스트라이드 값

소수점으로 나올 땐 버려지는 값이 생길 수도 있음 → 정보 손실 有 → 주의 필요

풀링 층(Pooling)과 완전 연결 신경망(Fully Connected Layer)

  • 풀링(Pooling)

    • 가로, 세로 방향의 공간을 줄이기 위해 수행

    • 풀링 층은 학습해야 할 가중치(=필터)가 없고 채널 수(=필터 개수)가 변하지 않음

    • 과적합 방지

    • 최대 풀링(Max pooling) : 정해진 범위 내에서 가장 큰 값을 꺼내오는 방식

      • 이미지를 처리할 때에는 각 부분의 특징을 최대로 보존하기 위해 최대 풀링 많이 사용

    • 평균 풀링(Average pooling) : 정해진 범위 내에 있는 모든 요소의 평균을 가져오는 방식

  • 완전 연결 신경망(Fully Connected Layer)

    • Dense 층과 같음
    • CNN에서는 Convolution 층에 있는 Filter 가중치를 학습
model.add(Conv2D(32, (3,3), padding = 'same', activation='relu'))
# 32 : 필터 수, (3,3) : 필터 크기
# padding = '' : 'valid'(default) or 'same', padding = 'same' 이고 strides = 1 이면 인풋 크기와 아웃풋 크기가 동일해짐, strides = 2 일때 모서리 부분에서 일부분만 데이터가 있을 경우 valid면 해당 데이터는 버려지고, same의 경우 데이터가 없는 부분에만 zero-padding이 생겨 데이터 손실 방지해줌 
model.add(Flatten())
# 단지 Dense layer에 연결해주기 위한 용도로 대신 GlobalAveragepooling2D() 사용하기도 함

전이 학습(Transfer Learning)

  • 대량의 데이터를 학습한 사전 학습 모델의 가중치를 그대로 가져온 뒤 완전 연결 신경망 부분만 추가로 설계하여 사용
    • 사전학습 모델
      • 사전에 미리 학습된 모델
      • 대량의 데이터로 학습한 모델
  • 사전 학습 가중치는 학습되지 않도록 고정(freeze)한 채로 진행되기 때문에 빠르게 좋은 결과 얻을 수 있음
    • 가중치를 고정함으로써 내 데이터가 적더라도 어느 정도 보완이 가능
  • 이미지 분류를 위한 주요 사전 학습 모델
    • VGG
      • 모든 합성곱 층에서 3 X 3 크기의 필터 사용 → 층을 깊게 쌓아 기존의 더 큰 크기의 필터 이상의 표현력을 가짐
      • 활성화 함수로 ReLU를 사용, 가중치 초깃값으로는 He 초기화 사용 → 기울기 소실 문제가 발생 X
      • 완전 연결 층에 드롭아웃을 사용하여 과적합 방지, 옵티마이저는 Adam사용 → 전이학습시엔 효과가 없음(완전연결신경망에서 사용하는 것이기 때문)
      • CNN과 유사하고 간단해서 많이 사용
    • GoogLeNet(Inception)
      • 세로 방향의 깊이 + 가로 방향의 깊이 모두 넓은 신경망 층을 가지고 있음
      • 신경망 깊이 = 세로 방향 + 가로 방향
      • 가로 방향 → 인셉션 구조
      • 크기가 다른 필터와 풀링을 병렬적으로 적용한 뒤 결과를 조합
        • 병렬적으로 적용하기 때문에 다양한 특징을 추출할 수 있음
    • ResNet
      • 층을 넘어 이어지는 화살표 : Residual Connection(=Skipped Connection)
        • 층을 거친 데이터의 출력에 거치지 않은 출력을 더함
          → 역전파 과정에서 미분을 적용하더라도 1 이상의 값으로 보존되어 기울기 소실 문제를 해결할 수 있음

이미지 데이터 증강(Image Data Augmentation)

  • 회전, 반전, 자르기, 밝기 혹은 채도 변화 등을 통해 데이터를 늘리는 방법
  • 이미지 데이터 증강 : 사람처럼 일반화가 잘 되는 모델을 만들기 위해서 학습 데이터셋에 있는 이미지를 일부러 회전하거나 기울이는 등의 방법
  • 이미지 증강을 통해 더욱 강건(Robust)한 모델을 만들 수 있음
    • 이미지 변화를 통해 데이터 양을 늘려 B컷, C컷 등등도 컴퓨터가 이해할 수 있도록 함

Day 2

Beyond Classification

분할(Segmentation)

  • 하나의 이미지에서 같은 의미를 가지고 있는 부분을 구분해 내는 Task
  • 의료이미지, 자율주행, 위성 및 항공사진등의 분야에서 사용
  • 이미지 분류에서는 이미지를 하나의 단위로 레이블을 예측, segmentation에서는 더 낮은 단위로 분류
  • 동일한 의미마다 해당되는 픽셀이 모두 레이블링 되어 있는 데이터셋을 픽셀 단위에서 레이블을 예측
  • Semantic Segmentation(의미적 분할) vs (Semantic) Instance Segmentation

분할 모델

  • FCN(Fully Convolutional Networks)

    • 이미지 분류를 위한 신경망에 사용되었던 CNN의 분류기 부분(=완전 연결 신경망)을 합성곱 층으로 대체한 모델
    • segmentation은 픽셀 단위로 분류가 이루어지기 때문에 픽셀의 위치 정보를 끝까지 보존
      • 기존 CNN에서 사용하였던 완전 연결 신경망은 위치 정보를 무시한다는 단점
      • FCN에서는 이를 합성곱 층으로 모두 대체함으로써 문제 해결
      • 21 의미 : 분류 클래스 수
      • 갑자기 이미지의 크기가 커지는 부분
        • segmentation은 픽셀별로 분류를 진행하기 때문에 원래 이미지와 비슷하게 크기를 키워주는 Upsampling 해줘야 함
    • Upsampling
      • Downsampling
        • CNN에서 사용되는 것처럼 Convolution과 Pooling을 사용하여 이미지의 특징을 추출하는 과정
      • 원래 이미지의 크기로 키우는 과정
      • Transpose Convolution 적용
        • 각 픽셀에 커널을 곱한 값에 stride를 주어 나타냄으로써 이미지 크기를 키워냄

  • U-net

    • segmentation 을 위한 대표적인 모델
      • out segmentation map 의 2 의미 : 분류 클래스 수
      • 왼쪽과 오른쪽 바의 길이/크기가 다른 이유 : zero-padding을 사용하지 않고 mirroring padding을 사용하는데 mirroring padding은 이미지 크지를 보존해주지 않음
    • Downsampling에서는 이미지의 특징을 추출, Upsampling에서는 원본이미지와 비슷한 크기로 복원
    • 추가적으로 Upsampling에서 Downsampling 출력으로 나왔던 feature map을 적당한 크기로 잘라서 붙여준 뒤 추가 데이터로 사용(→ 회색 화살표)

객체 탐지/인식(Object Detection/Recognition)

  • 전체 이미지에서 레이블에 맞는 객체를 찾아내는 Task

  • 자율주행을 위한 인공지능 기술로 사용

    • 객체 경계에 Bounding Box라고 하는 사각형 박스를 만든 후, 박스 내의 객체가 속하는 클래스가 무엇인지 분류

  • IoU(Intersection over Union)

    • 객체 탐지 평가 지표

  • 객체 탐지 모델

    • Bounding box를 어떻게 쳐주냐에 따라 two stage, one stage로 나뉨

    • Two stage detector

      • 일련의 알고리즘을 통해 객체가 있을 만한 곳을 추천(Region proposal)받은 뒤에 추천 받은 Region, RoI(Region of Interest)에 대해 분류를 수행하는 방식
      • 대표적으로 R-CNN계열 모델

    • One stage detector

      • 특정 지역을 추천받지 않고 입력 이미지를 Grid 등의 같은 작은 공간으로 나눈 뒤 해당 공간을 탐색하며 분류를 수행하는 방식
      • 대표적으로 SSD(Single Shot multibox Detector)계열, YOLO(You Only Look Once)계열
      • Two stage 보다 빠름

Day 3

AutoEncoder

  • AutoEncoder는 잠재 벡터를 잘 얻기 위한 방법

  • 입력 데이터를 저차원의 벡터로 압축한 뒤 원래 크기의 데이터로 복원하는 신경망

    Latent(잠재) 벡터
    - 원본 데이터보다 차원이 작으면서도 원본 데이터의 특징을 잘 보존하고 있는 벡터
    - 잠재 벡터의 크기는 원본 데이터보다 작기만 하면 ok → 사용자 지정

    Encoder

    • 입력데이터를 저차원 벡터로 축소
      • 차원의 저주를 방지하기 위해
      • 마음대로 축소 가능 → why? → Manifold Learning

    Decoder

    • 차원을 원래 크기로 복원

  • 인코더에서 차원을 줄였는 데 다시 디코더로 차원을 늘려주는 이유
    → 특징 보존이 끝이 아니라 특징이 잘 보존 되었는지 확인하기 위함

  • 활용

    • 차원 축소(Dimensionality Reduction)와 데이터 압축
    • 데이터 노이즈 제거(Denoising)
    • 이상치 탐지(Anomaly Detection)

  • 예제 1 → 비지도학습

    Latent_Dim = 64 # 잠재 벡터의 차원 수 정의

class Autoencoder(Model):
   def __init__(self, latent_dim):
      super(Autoencoder, self).__init__()
      self.latent_dim = latent_dim
      self.encoder = tf.keras.Sequential([
         layers.Flatten(), # MNIST 데이터 사용해서 flatten
         layers.Dense(latent_dim, activation='relu'), # 잠재벡터 차원으로 축소
      ])
      self.decoder = tf.keras.Sequential([
         layers.Dense(784, activation='sigmoid'), # 원본 데이터 차원수로 확대
         layers.Reshape((28,28)) # flatten 한거 다시 복구
   def call(self, x):
      encoded = self.encoder(x)
      decoded = self.decoder(encoded)
      return decoded
      
model = Autoencoder(Latent_Dim)

model.compile(optimizer='adam', loss='mse')

model.fit(x_train, x_train, epochs=10, shuffle=True, validation_data=(x_test, x_test))

  • 예제 2 : DAE(Denoising AutoEncoder) → 안개가 있는 환경에서 사람인지 안개인지 확인

    • Conv2D 사용 → Convolutional AutoEncoder

      # Random Noise 추가
noise_factor = 0.2 # 0.2, 0.25 가 성능이 가장 좋음

x_train_noisy = x_train + noise_factor * tf.random.normal(shape=x_train.shape) 
x_test_noisy = x_test + noise_factor * tf.random.normal(shape=x_test.shape) 

x_train_noisy = tf.clip_by_value(x_train_noisy, clip_value_min=0., clip_value_max=1.)
x_test_noisy = tf.clip_by_value(x_test_noisy, clip_value_min=0., clip_value_max=1.)

#DAE 모델 구축
class Denoise(Model):
   def __init__(self):
      super(Denoise, self).__init__()
      self.encoder = tf.keras.Sequential([
          layers.Input(shape=(28, 28, 1)), 
          layers.Conv2D(16, (3,3), activation='relu', padding='same', strides=2),
          layers.Conv2D(8, (3,3), activation='relu', padding='same', strides=2)])
     
      self.decoder = tf.keras.Sequential([
          layers.Conv2DTranspose(8, kernel_size=3, strides=2, activation='relu', padding='same'),
          layers.Conv2DTranspose(16, kernel_size=3, strides=2, activation='relu', padding='same'),
          layers.Conv2D(1, kernel_size=(3,3), activation='sigmoid', padding='same')])
     
   def call(self, x):
      encoded = self.encoder(x)
      decoded = self.decoder(encoded)
      return decoded

model = Denoise()

model.compile(optimizer='adam', loss='mse')

# 입력데이터는 noise 있는 데이터, 타겟데이터는 원본 이미지
model.fit(x_train.noisy, x_train, epochs=10, shuffle=True, validation_data=(x_text_noisy, x_test))

    • Dropout으로 Noise 처럼 사용 가능

  • 예제 3 : 이상치 탐지 → 산불 감지

    • AutoEncoder는 특정 데이터의 중요 특징, 즉 잠재 벡터를 바탕으로 다시 원본 데이터로 복원할 때에 발생하는 오류, 즉 복원 오류(Reconstruction Error) 를 최소화 하도록 훈련

    • 정상 데이터로만 훈련한 뒤에 비정상 데이터셋을 복원한다면 복원 오류가 커짐

    • 복원 오류가 특정한 임계값을 초과하는 경우 해당 데이터를 비정상으로 판단 할 수 있음

    • 임계값 = 정상데이터셋에 대한 복원 오류 평균 + 표준편차

      # 정상 데이터셋과 비정상 데이터셋 분리
# 모델 학습 시에는 데이터셋에서 레이블이 '1' 로 지정된 정상 데이터만 사용
train_label = train_label.astype(bool)
test_label = test_label.astype(bool)

normal_train_data = train_data[train_label]
normal_test_data = test_data[test_label]

anomalous_train_data = train_data[~train_label]
anomalous_test_data = test_data[~test_label]

# AutoEncoder 모델 구축
# 학습 시에는 정상데이터만 사용해야 함
class AnomalyDetector(Model):
   def __init__(self):
      super(AnomalyDetector, self).__init__()
      self.encoder = tf.keras.Sequential([
          layers.Dense(32, activation="relu"),
          layers.Dense(16, activation="relu"),
          layers.Dense(8, activation="relu")])
     
      self.decoder = tf.keras.Sequential([
          layers.Dense(16, activation="relu"),
          layers.Dense(32, activation="relu"),
          layers.Dense(140, activation="sigmoid")])    # 마지막 층은 원본 데이터의 차원 수와 동일하게 맞추어줍니다.
     
   def call(self, x):
      encoded = self.encoder(x)
      decoded = self.decoder(encoded)
      return decoded
     
model = AnomalyDetector()

model.compile(optimizer='adam', loss='mae')

model.fit(normal_train_data, normal_train_data, epochs=20, batch_size=512, validation_data(test_data, test_data), shuffle=True)

# 이상치로 분류하는 함수
def predict(model, data, threshold):
  reconstructions = model(data)
  loss = tf.keras.losses.mae(reconstructions, data)
  return tf.math.less(loss, threshold)

MinMaxScaling 방식의 정규화

  • 표준화 방법 중 하나로 각 특성의 단위를 맞춰줌, 데이터를 0-1 사이로 맞춤
  • 이상치에 굉장히 예민하기 때문에 예제에서처럼 이상치 탐지가 목적인 경우에 사용

Standard Scaler

  • x−평균표준편차\frac{x-평균}{표준편차}
  • 이상치가 있어도 괜찮음

이상치 탐지 이유

  • 정상 데이터셋에서도 이상치가 있지만 정상/비정상에서도 특정한 애들을 구별해서 더 집중하기 위함
  • 1종 오류, 2종 오류 분류
  • 평가지표에 Accuracy 뿐만 아니라 Recall과 Precision도 함께 봄

Manifold

  • AutoEncoder는 데이터가 펴져있는 공간상에서 데이터의 매니폴드를 찾아내어 학습하는 과정
  • 매니폴드는 고차원 공간에서 데이터가 이루는 저차원의 공간을 의미, ex. Swiss-roll
  • 매니폴드 학습은 매니폴드 공간을 찾는 것을 의미
    https://deepinsight.tistory.com/124

Day 4

GAN(Generative Adversarial Networks, 생성적 적대 신경망)

  • 딥페이크의 기반
  • 실제와 유사한 데이터를 만들어내는 생성모델
  • 생성자(Gernerator)
    • Random Noise로부터 실제와 동일한 데이터를 만듦
    • 비지도학습
  • 판별자(Discriminator)
    • 생성된 데이터가 진짜인지 가짜인지 판별
    • 지도학습

예시 : DCGAN(Deep Convolution GAN)

  • Convolution Layer로 이루어짐

  • 손실함수

    • 판별자의 손실함수는 real_loss와 fake_loss를 더한 값
      • 판별자는 손실함수 값을 최대로 = 0 이 나오게 하는 게 목적
      • real_loss : 전체가 1인 행렬과 real_output 을 비교
      • fake_loss : 전체가 0인 행렬과 fake_output을 비교
    • 생성자 손실함수는 전체가 1인 행렬과 fake_output을 비교
      • 생성자는 손실함수 값이 최소로, −∞-\infty

Cycle GAN

  • DCGAN의 구조를 변경하여 만든 새로운 구조
  • 특정 이미지 도메인의 특성을 다른 이미지에 적용하는 작업 가능
    • ex. 과일 색 변경, 계절 변경
  • 서로 변환하고 싶은 두 스타일의 이미지를 따로 구하더라도 좋은 성능
    • 비슷한 작업을 수행하는 Pix2Pix 는 train 셋을 구성할 때 레이블에 해당하는 데이터를 무조건 짝지어 주어야 함

  • 2개의 생성자
    • 각각의 생성자는 A → B, B → A로 이미지 변경
  • 2개의 판별자
    • 각각의 판별자는 A, B에 대해 Real/Fake 판단
  • 1:1 매칭을 통한 이미지 학습이 아니기 때문에 이미지를 변화하는 과정에서 Input 정보가 유실되어 원본 이미지의 특성을 잃어버리게 될 수 있음
    • 때문에 원본 데이터로 돌아갈 수 있을 정도로만 변환을 진행하기 위해 Cycle 구조를 가지게 됨
  • 2개의 결과물
profile
JIYOUNG KIM
데이터분석가
이전 포스트

Section 4_Sprint 2

다음 포스트

Section 5_Sprint 1

post-custom-banner

0개의 댓글