CIFAR-10 이미지 분류를 위한 CNN을 구성해보자! (Keras)

Overview

이 문서에서는 CIFAR-10 dataset에 대한 이미지 분류를 Keras를 사용한 CNN(Convolution Neural Network)로 구현해보도록 하겠습니다.

본문에서 사용한 코드는 이곳

CIFAR-10

발음을 조심해야하는 이름을 가진 CIFAR-10 dataset은 32x32픽셀의 60000개 컬러이미지가 포함되어있으며, 각 이미지는 10개의 클래스로 라벨링이 되어있습니다.
또한, MNIST와 같이 머신러닝 연구에 가장 널리 사용되는 dataset중 하나입니다.

60000개 중, 50000개 이미지는 트레이닝 10000개 이미지는 테스트용도로 사용됩니다.

CNN Archtecture

[참고]
CNN이란?

본문에서 사용한 CNN의 각 레이어 구조는 다음과 같습니다.

[용어 설명]
3channel : color이미지
ReLu : 0이상의 값들은 그대로 출력하게하는 활성화함수
Padding(Same) : 입력크기==출력크기 [INFO]
Dropout : 무작위로 뉴런들을 버림 [INFO]
Pooling : 크기도 줄이고 특정 feature를 강조 [INFO]
Softmax : classification [INFO]

Source Code

지금부터는 소스코드를 보도록 하겠습니다.
본문에서 사용한 full source는 이곳에서 받을 수 있습니다.

구글 colab을 이용해서 테스트하였습니다.

노트 설정에서 GPU를 선택하고 돌리는 것을 추천드립니다.

설정한 다음 Restart Kernel을 해주세요

Load CIFAR-10 Dataset

#cifar10에서 데이터를 로드
#from keras.datasets import cifar10 이 필요
(X_train, y_train), (X_test, y_test) = cifar10.load_data()

print ("Training data:")
print ("Number of examples: ", X_train.shape[0])
print ("Number of channels:",X_train.shape[3]) 
print ("Image size:", X_train.shape[1], X_train.shape[2])
print
print ("Test data:")
print ("Number of examples:", X_test.shape[0])
print ("Number of channels:", X_test.shape[3])
print ("Image size:", X_test.shape[1], X_test.shape[2]) 

트레이닝에 사용할 5만장의 이미지와 테스트에 사용할 1만장의 이미지(32x32, 3channel)가 로드된 것을 확인할 수 있습니다.

일부 이미지를 실제로 출력해보면 제대로 다운로드받았는지 확인할 수 있습니다.

plt.subplot(141)
plt.imshow(X_train[0], interpolation="bicubic")
plt.grid(False)
plt.subplot(142)
plt.imshow(X_train[4], interpolation="bicubic")
plt.grid(False)
plt.subplot(143)
plt.imshow(X_train[8], interpolation="bicubic")
plt.grid(False)
plt.subplot(144)
plt.imshow(X_train[12], interpolation="bicubic")
plt.grid(False)
plt.show()

Data Normalization

코드를 보기 전에 잠시 데이터 정규화에 대해서 설명하고 넘어가도록 하겠습니다.

머신러닝에서의 핵심중 하나는 cost를 구하고 Gradient Descent와 같은 알고리즘을 사용하여 cost를 최소화 시키는 것입니다. 그렇게 하기 위해 적당한 Learning Rate값을 찾는 것이 중요합니다.

근데, Learning Rate와 데이터에 대한 정규화가 어떤 상관이 있을까요?

다음 그림을 보면 좀 더 직관적으로 이해할 수 있습니다.

정규화되지 않은 데이터셋은 타원모양으로 길게 늘어져 Learning Rate를 매우 작게 해야지만 학습이 될 수 있다는 것을 확인할 수 있습니다. 만약 충분히 작지 않다면 수평으로 이동할 때와 수직으로 이동할 때 불균형이 발생하여 Gradient Descent 알고리즘을 적용하기 어려울 수 있습니다.

반면에 정규화된 데이터셋은 구의 모양을 띄고 있습니다. 때문에 Gradient Descent알고리즘을 적용하여 쉽고 빠르게 최적화 지점을 찾을 수 있습니다.

앞선 이유 때문에 최적의 머신러닝을 하기 위해선 데이터에 대한 정규화작업을 거치는 것이 반드시 필요합니다.

Data Normalization에는 크게 두가지 방법이 있습니다. (하나 더있는데 추후 서술)

1. Normalization(Min/Max)

전체 구간을 [0,1]로 맞춰줍니다.

2. Standardization

original data : 정규화 하기 전의 데이터 분포
zero-centered data : 원 데이터에 평균을 뺌. 이로써 데이터의 분포가 가운데에 모이게 됩니다.
normalized data : 표준편차를 나눠줌으로써 데이터의 분포가 일정해지는 효과를 얻게 됩니다. (가로 세로 길이가 같아짐)

+) 반드시 정규화를 하기 위한 평균, 표준편차, min, max등의 값들은 train set에 있는 값만 사용하여 구하고 validation, test set에 적용하여야 합니다.
참고링크 : cs231n

내가 몰라서 적는 표준편차 구하는 법)
표준편차는 자료의 관찰값이 얼마나 흩어져 있는지를 나타내는 값
관측값에서 평균을 뺀 모든 값의 제곱을 구하고 그 값의 평균을 제곱근하면 된다.

Data Preprocessing -code

다시 본론으로 돌아와서 소스코드를 보겠습니다.
아래 소스코드는 위의 설명 중 Standardization을 사용해서 정규화를 진행하였습니다.

print ("mean before normalization:", np.mean(X_train)) 
print ("std before normalization:", np.std(X_train))

mean=[0,0,0]
std=[0,0,0]
newX_train = np.ones(X_train.shape)
newX_test = np.ones(X_test.shape)
#train set에 있는 데이터로만 평균과 표준편차를 구함
for i in range(3):
    mean[i] = np.mean(X_train[:,:,:,i])
    std[i] = np.std(X_train[:,:,:,i])

#train과 test셋 모두 정규화 작업    
for i in range(3):
    newX_train[:,:,:,i] = X_train[:,:,:,i] - mean[i]
    newX_train[:,:,:,i] = newX_train[:,:,:,i] / std[i]
    newX_test[:,:,:,i] = X_test[:,:,:,i] - mean[i]
    newX_test[:,:,:,i] = newX_test[:,:,:,i] / std[i]
        
X_train = newX_train
X_test = newX_test

print ("mean after normalization:", np.mean(X_train))
print ("std after normalization:", np.std(X_train))
print(X_train.max())

Training

데이터 정규화까지 마쳤으니 이제 본격적으로 트레이닝을 해보도록 하겠습니다.

각 중요 파라미터는 다음과 같습니다.

batchSize = 512            #-- Training Batch Size
num_classes = 10           #-- Number of classes in CIFAR-10 dataset
num_epochs = 50            #-- Number of epochs for training   
learningRate= 0.001        #-- Learning rate for the network
lr_weight_decay = 0.95     #-- Learning weight decay. Reduce the learn rate by 0.95 after epoch


img_rows = 32              #-- input image dimensions
img_cols = 32 

Y_train = np_utils.to_categorical(y_train, num_classes)
Y_test = np_utils.to_categorical(y_test, num_classes)

Keras의 to_categorical

input :  [1,0,4,3]  
output : [0,1,0,0,0]
        [1,0,0,0,0]
        [0,0,0,0,1]
        [0,0,0,1,0]

모델 구현은 다음과 같습니다.

from keras import initializers
import copy
result = {}
y = {}
loss = []
acc = []
dropouts = [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]
for dropout in dropouts:
    print ("Dropout: ", (dropout))
    model = Sequential()

    #-- layer 1
    model.add(Conv2D(64, 3, 3,
                            border_mode='same',
                            activation='relu'
                            input_shape=(img_rows, img_cols,3)))
    model.add(Dropout(dropout))  
    model.add(Conv2D(64, 3, 3, activation='relu',border_mode='same'))
    model.add(Dropout(dropout))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    ##--layer 2
    model.add(Conv2D(128, 3, 3, activation='relu',border_mode='same'))
    model.add(Dropout(dropout))                                        
    model.add(MaxPooling2D(pool_size=(2, 2)))

    ##--layer 3                         
    model.add(Conv2D(256, 3, 3, activation='relu',border_mode='same'))
    model.add(Dropout(dropout)) 
    model.add(MaxPooling2D(pool_size=(2, 2)))

    ##-- layer 4
    model.add(Flatten())
    model.add(Dense(512, activation='relu'))

    #-- layer 5
    model.add(Dense(512, activation='relu'))

    #-- layer 6
    model.add(Dense(num_classes, activation='softmax'))
    
    model.compile(loss='categorical_crossentropy',
                  optimizer='sgd',
                  metrics=['accuracy'])
    
    model_cce = model.fit(X_train, Y_train, batch_size=batchSize, nb_epoch=num_epochs, verbose=1, shuffle=True, validation_data=(X_test, Y_test))
    score = model.evaluate(X_test, Y_test, verbose=0)
    y[dropout] = model.predict(X_test)
    print('Test score:', score[0])
    print('Test accuracy:', score[1])
    result[dropout] = copy.deepcopy(model_cce.history)   
    loss.append(score[0])
    acc.append(score[1])

Dropout을 0.0부터 0.9까지 바꿔가며 테스트를 마친 뒤 Dropout별 Accuracy와 Loss입니다.

Dropout이 0.5일때 Acc가 가장 높고, Loss가 가장 낮습니다.

여담으로 Acc와 Loss를 결정짓는 요소는 굉장히 다양하니 뭘 어떻게 바꿔야 성능이 눈에 띄게 좋아지는지 지금 제 수준으로는 판단하기 굉장히 어려운 것 같습니다. 이래서 데이터사이언티스트가 몸값이 높은가…생각이 듭니다. ( ._.)

번외. Optimizer=Adadelta

완전히 동일한 과정이고 optimizer만 Adadelta로 바꾼 결과 입니다. 그래프만 봐도 Adadelta가 좀 더 성능이 좋은것 같습니다.


여기도 마찬가지로 Dropout 0.5에서 Acc가 제일 높네요!

대부분은 optimizer function을 adam이나 adadelta를 사용한다고 하는데 아직 정확히 뭐가 다른지는 모르겠습니다.
추후에 optimizer에 대한 내용도 공부해서 따로 포스팅을 해야겠습니다.

-끝-

---