딥러닝 Deep learning - Multiclass Classification

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

Multiclass Classification

출력의 shape

X (B ✕ F) → Multiclass Classification Model → Prediction(B ✕ K)

• B=Batch Size
• F=n_features
• K=n_classes

각 샘플(B) 마다 클래스별 확률(K)을 출력함
→ 각 샘플이 확률 벡터를 가짐
→ 각 벡터에서 가장 큰 값을 가지는 index의 항목을 pred로 분류

prediction(예측값)과 y(실제값)값 비교하기

pred_classes = IntTensor([4,0,1,1])
labels = IntTensor([4,0,1,3])
print([pred_classes == labels])
n_corrects = (pred_classes == labels).sum()
print(n_corrects)
#==========
[tensor([ True,  True,  True, False])]
tensor(3)

→ Tensor == Tensor 비교를 통해 동일 요소의 수를 얻을수 있음

Code Test

• 4개의 클래스를 가진 데이터 분류 모델을 만들고 수행해봄
  

• 1차 학습 결과

• 3차 학습 결과
  

• 100+ 차 학습 결과
  

• 1000+ 차 학습 결과
  

→ 중간에 멈춘것 같았는데 계속 진행하니까 다시 Accuracy가 좋아지기 시작하더니 Acc가 1로 유지되어도 Loss가 계속 줄어듦. 1000회 이상 진행하자 데이터의 모양과 육안으로도 흡사하게 나옴