딥러닝 Deep learning - Binary Classifier

교육 정보

• 교육 명: 경기미래기술학교 AI 교육
• 교육 기간: 2023.05.08 ~ 2023.10.31
• 강사: 양정은 강사님
• 강의 계획:
  1. 딥러닝 소개 및 프레임워크 설치
  2. Artificial Neurons Multilayer Perceptrons
  3. 미분 기초 Backpropagation
  4. MLP 구현하기
  5. MLP로 MNIST 학습시키기(Mini-project)
  6. Sobel Filtering
  7. Convolutional Layers
  8. 이미지 분류를 위한 CNNs
  9. CNN으로 MNIST 학습시키기
  10. VGGNet, ResNet, GoogLeNet
  11. Image Classification 미니 프로젝트
  12. Object Detection 소개
  13. Region Proposal, Selective Search
  14. RCNN
  15. Single Shot Detection

Binary Classifier

Binary Classifier Model을 구현하고 시각화하기

• 위와 같은 데이터를 만들기 위해 make_blobs를 사용하여 데이터 생성

    n_c_samples = 200
    n_class = 2
    N_SAMPLES = n_class*n_c_samples
    n_features = 2
    X1, y1 = make_blobs(n_samples=n_c_samples, centers=[(-1, -1), (-1, 1)], n_features=n_features, cluster_std=0.2)
    X2, y2 = make_blobs(n_samples=n_c_samples, centers=[(1, 1), (1, -1)], n_features=n_features, cluster_std=0.2)
    X = np.vstack((X1, X2))
    y = np.hstack((y1, y2))
    ```
  ✏️ 동일한 label(실제값)을 주려는 값을 center의 같은 인덱스에 위치시켜야 함 

• 생성된 데이터의 feature수와 최종 out features에 주의하여 Modeling 생성

  class Model(nn.Module):
  def __init__(self):
      super(Model, self).__init__()
      self.fc1 = nn.Linear(in_features=2, out_features=4)
      self.fc1_act = nn.Sigmoid()
      self.fc2 = nn.Linear(in_features=4, out_features=1)
      self.fc2_act = nn.Sigmoid()
  
    def forward(self, x):
      x = self.fc1.forward(x)  
      x = self.fc1_act.forward(x)
      x = self.fc2.forward(x)  
      x = self.fc2_act.forward(x)
      x = x.view(-1)
      return x

• Model을 사용하여 학습 진행

  EPOCH = 10
  loss_list = list()
  acc_list = list()
  for epoch in range(EPOCH):
    epoch_loss = 0
    n_correct = 0
  
    for X, y in dataloader:
      X, y = X.to(DEVICE), y.to(DEVICE)
  
      pred = model(X)
      loss = loss_function(pred, y)
  
      # ===
      optimizer.zero_grad()
      loss.backward()
      optimizer.step()
  
      epoch_loss += loss.item() * len(X)
      pred = (pred > 0.5).type(torch.float)
      n_correct += (pred == y).sum().item()
  
    loss = epoch_loss/N_SAMPLES
    acc = n_correct/N_SAMPLES
  
    if (epoch+1)%10 == 0: print(f"{acc = }, {loss = }")
    loss_list.append(loss)
    acc_list.append(acc)

• 10회 학습 결과
  

• 여러번 학습시킨 모델에서는 아래와 같은 예측값을 얻을수 있었음