Introduction

CNN을 이해해 보았으니 이제 활용해볼 차례이다.
한번 활용해보자!

CNN - VGG16 모델

이미지넷 경진대회(ILSVRC)의 대표적인 모델이고, 가장 넓게 활용되고 있는 CNN의 대표적인 모델 VGG16을 알아보고 활용해보자.

VGG16이란?

2014년 이미지넷 경진대회(ILSVRC)에서 2등을 차지한 모델이다.
이러한 VGG넷은 CNN 학습의 표준 모델로 자리매김하였는데, 그 이유는 구조가 매우 단순하기 때문이다.

즉, CNN의 기본 아키텍처만을 사용하였다.

CNN의 기본 아키텍처

• Convolution layer (feature를 추출)
• Pooling layer (주요 feature만을 압축하는 형태로 feataure map을 간소화 시켜, overfitting의 문제 및 학습량의 과도함의 문제를 해결)
• Fully connected layer (학습이 일어남)

이들을 잘 조합하여 다음과 같은 구조를 만들어냈다.

source : 모두의 딥러닝, 조태호, 길벗

데이터 증강

• 학습데이터의 양을 늘력 성능 향상을 도모한다(test data에 대해서는 적용할 필요 X)
• 회전이나 자르기 등의 변환을 적용시켜 학습 데이터의 다양성을 증가시킨다.

datagen = ImageDataGenerator(rescale=1./255,
horizontal_flip=True, # 수평 대칭 이미지를 50% 확률로 만들어서 추가 
width_shift_range=0.1, # 전체 크기의 10%범위에서 좌, 우로 이동 
height_shift_range=0.1, # 전체 크기의 10%범위에서 상, 하로 이동 
rotation_range=5,
shear_range=0.7,
zoom_range=[0.9, 2.2],
vertical_flip=True,
fill_mode='nearest')
train_generator = datagen.flow_from_directory(
'train’, # 학습 데이터가 위치한 폴더의 위치
target_size=(150, 150), # 영상의 크기
batch_size=5,
class_mode='binary’) # 이진 분류

전이 학습

대규모 데이터 세트를 사용하여 학습한 기존 모델을 가지고 와서 내 프로젝트에 사용하여 학습하는 것.

• 학습에 필요한 시간 대폭 감소 (학습 이후 모델의 성능 또한 높음)
• 컨볼루션 층은 동일하게 사용
  • 컨볼루션 층은 feature를 추출하는 과정
    feature를 학습하는 FC층만 목적에 맞게 구성

전의학습의 미세조정

• 기존 모델의 컨볼루션 층을 고정시키지 않고(동일하게 사용하지 않음) 일부 내가 만든 합성곱 레이어를 넣어 FC층과 함께 훈련하는 것.