요약

• Convolution Layer, Pooling Layer 코드 구현
• 표준화(standardization)
• Data Augmentation

CNN 실습

Convolution Layer

from tensorflow.keras.layers import Conv2D

Conv2D(filters = ,
	   kernel_size = ,
       padding = ,
       strides = ,
       activation = )

• filters = feature map의 개수
• kernel_size = 필터 사이즈
• padding = 패딩의 종류(valid/same)
• strides = 필터의 보폭

Pooling Layer

from tensorflow.keras.layers import MaxPool2D, AvgPool2D

MaxPool2D(pool_size = ,
          strides = )

• pool_size = pooling 필터의 사이즈
• strides = 필터의 보폭

표준화: Standardization

• 스케일링의 방법 중 하나

• feature 간 영향력을 균등하게 해줌

• $X_{scaled} = \frac{X_{original}-mean(X)}{std(X)}$

Data Augmentation

• 항상 데이터가 많이 있는 것은 아님
• 있는 데이터를 활용하여 데이터 뻥튀기가 필요할 수 있음
• Data Augmentation이 그 역할을 수행

불러오기

from tf.keras.preprocessing.image import ImageDataGenerator

ImageDataGenerator(
    rotation_range=0,
    width_shift_range=0.0,
    height_shift_range=0.0,
    shear_range=0.0,
    zoom_range=0.0,
    fill_mode='nearest',
)

• rotation_range= 회전 범위
• width_shift_range= 가로 확대/축소 범위
• fill_mode= 이미지 변경하면서 생기는 공간 처리 방법
• 그 외 내용은 공식문서 확인

참고 내용

• Deprecated 이슈로 곧 쓰이지 않을 예정

• from tf.keras.utils.image_dataset_from_directory

마무리

• 이미지 다루기
  • load_img('이미지 파일'): 이미지 파일 불러오기
  • img_to_array(image): 이미지를 배열로 변환
• 모델에 적용하기 위해 차원 추가가 필요할 수 있음
  • np.expand_dims(image, axis = 0)