[Tensorflow] 텐서플로우를 사용한 CNN 모델 학습&평가하기

모델을 학습시키기 전에 설정할 것

1. Loss Function

- crossentropy 사용

- 그 중 sparse_categorical_crossentropy 사용

 

2. Metrics : 모델 평가 방법

- accuracy 사용

- accuracy가 가장 흔히 사용됨

#accuracy 설정하는 방법 1
metrics = ['accuracy']

#accuracy 설정하는 방법 2
tf.keras.metrics.Accuracy()

 

3. compile : Optimizer 적용

- 여러 optimizer 중 Adam으로 적용해준다.

 

 

모델 학습

1. 학습에 사용할 데이터셋 준비

- 사용한 데이터셋 : MNIST

- 데이터 셋의 차원을 확인하고 gray scale이라면 차원을 하나 늘려주는 과정이 필요하다

- rgb라면 따로 차원 추가 작업이 필요하지 않다

 

import numpy as np
np.expand_dims(train_x,-1).shape  #차원 추가하는 방법

 

2. Rescaling

- 리스케일링 작업을 하면 학습이 너무 튀지 않고 골고루 잘됨

- 데이터의 최소값과 최대값을 확인하면 최소값이 0, 최대값이 255다.

- 값이 0~1사이가 되게하기 위해 test 데이터와 train 데이터 모두 255로 나눠준다. 

 

3. 학습용 하이퍼 파라미터 설정

- num_epochs : 전체 데이터를 한번 쭉 보는 게 epoch. 
- batch_size : 한 에폭을 가기 위해 batch_size만큼 데이터가 들어감

 

4. model.fit으로 학습진행

- shuffle : train할때는 shuffle을 해줘야 한다. shuffle을 하지 않으면 overfitting 발생 확률이 높아진다.

 

model.fit(train_x,train_y,batch_size=batch_size, shuffle=True, epochs=num_epochs)

 

모델을 훈련하는 다른 방법

www.tensorflow.org/tutorials/quickstart/advanced?hl=ko

텐서플로 2.0 시작하기: 전문가용  |  TensorFlow Core

tensorflow 공식문서에 나오는 방식으로 모델을 만들고 훈련하고 테스트해보자.

 

1. 데이터셋 만들기

- tf.data를 활용해서 데이터 셋을 만들고 섞고 배치를 만든다.

train_ds = tf.data.Dataset.from_tensor_slices((x_train, y_train))  #튜플로 담음
train_ds = train_ds.shuffle(1000)  #버퍼 사이즈, 1000정도가 적당한 값
train_ds = train_ds.batch(32) #iteration할때마다 batch size만큼의 데이터가 나옴

test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)) #테스트용 데이터
test_ds = test_ds.batch(32) #test할때는 shuffle 굳이 할 필요 없음

 

2. Training

- 훈련하기 전에 loss function과 optimizer를 설정해준다.

- 훈련을 위와 다르게 compile을 사용하지 않고 직접 loss를 계산해서 구현한다

- tf.GradientTape을 사용해 모델을 훈련한다.

- 훈련하기 전에 설정한 loss function을 사용해 loss를 계산한다.

 

@tf.function
def train_step(images, labels):
  with tf.GradientTape() as tape:
    predictions = model(images) #이미지를 받아서 모델에 넣으면 예측 진행
    loss = loss_object(labels, predictions) #loss 계산
    
    #loss를 통해 기울기를 얻어서 optimizer에 적용 시킬 것임
  gradients = tape.gradient(loss, model.trainable_variables) 
  optimizer.apply_gradients(zip(gradients, model.trainable_variables)) #받은 기울기를 Adam에 적용

  train_loss(loss) #loss의 평균값을 내는 함수
  train_accuracy(labels, predictions) #accuracy 계산하는 함수

 

3. 모델 테스트

 

@tf.function
def test_step(images, labels):
    predictions=model(images)
    t_loss=loss_object(labels, predictions)
    
    test_loss(t_loss)
    test_accuracy(labels,predictions)

 

 

모델 평가하기

1. 학습을 진행한 모델에 evaluate 함수를 사용해서 loss와 accuracy를 확인할 수 있다.

 

model.evaluate(test_x, test_y, batch_size=batch_size)

 

2. 모델에 test 데이터를 넣고 predict 함수를 사용해서 결과를 확인한다.

- 모델이 evaluation 모드로 전환되고 이 문제에 대한 결과만 출력됨

 

pred = model.predict(test_image.reshape(1,28,28,1)) 

 

3. 결과 값 중 pred 값이 가장 높은 것이 정답이다.

- 마지막에 가장 높은 값을 얻은 노드가 정답
- 그래서 pred값 중 가장 높은 값을 찾으면 그게 정답

- 아래 코드를 입력하면 가장 높은 값의 인덱스가 나오고 해당 인덱스의 값이 모델이 정답이라고 생각하는 값이다.

 

np.argmax(pred)