BIG
Study. 다양한 이미지 데이터 분석
[코드 분석과 흐름]
1. 사전 설정
- tensorflow와 numpy, matplotlib 라이브러리를 import 한다.
2. 데이터 탐색
- 이미지 분류에 사용될 리소스를 불러온다. (cifar10 - cifar_mnist)
- 불러온 데이터들의 형태를 확인한다.
- 클래스 이름을 나눈다.
- 이미지 사이즈를 맞춰준다.
- subplot을 이용해서 타일 형식으로 이미지를 나열한다.
- xticks(), yticks를 이용하여 이미지 사이에 간격을 구분해준다.
- grid 형식으로 나열한다.
- imshow() : 원하는 사이즈의 픽셀을 원하는 색으로 채운다.
- 훈련용 데이터와 테스트용 데이터를 전처리한다.
3. 모델 구성
- CNN 모델을 구성한다.
- 파라미터와 층이 많기 때문에 학습 시간이 많이 필요하다.
- 생성된 모델을 컴파일해준다.
4. 모델 훈련
- 생성한 모델을 훈련시킨다.
- early_stopping = EarlyStopping(monitor='val_loss', patience=10) : 과대 적합을 막기 위한 설정
- 정확도가 훈련하면 할수록 점점 더 오르는 것을 알 수 있다.
5. 평가
- 훈련이 다 끝나면 제대로 되었는지 테스트를 진행한다.
- 학습을 충분히 시키지 못해서 Loss(손실)는 높은 편이고 Acc(정확도)는 낮은 편이다.
- 모델이 어떤 과정으로 학습하였는지 확인해보았다.
- 위 그래프를 보면 학습량이 부족해서 손실률은 다소 높고 정확도가 떨어지는 것을 볼 수 있다.
- 정확도는 73% 정도로 나왔다.
댓글