From 5113281381f5d8783577e011a42a78c88d6271cf Mon Sep 17 00:00:00 2001 From: pinb Date: Tue, 21 Nov 2023 21:06:52 +0900 Subject: [PATCH] update --- README.md | 266 ++++++++++++++++++++++++++++++++++++++++++++++++++++++ 1 file changed, 266 insertions(+) diff --git a/README.md b/README.md index e69de29..8f49ee4 100644 --- a/README.md +++ b/README.md @@ -0,0 +1,266 @@ +--- +layout: default +title: 12. VGGNet +subtitle: Deep Learning +--- +----- + +[PINBlog Gitea Repository](https://gitea.pinblog.codes/CBNU/12_VGGNet) + +----- + +# VGG Net +- 산업인공지능학과 대학원 + 2022254026 + 김홍열 + + +--- + + +# **VGG net 이란** + +VGGNet은 컴퓨터 비전 분야에서 널리 사용되는 심층 합성곱 신경망(Convolutional Neural Network, CNN)이다. + +VGGNet은 K. Simonyan과 A. Zisserman이 "Very Deep Convolutional Networks for Large-Scale Image Recognition"이라는 논문에서 제안한 합성곱 신경망 모델이다. + +이 아키텍처는 ImageNet에서 92.7%의 상위 5개 테스트 정확도를 달성했으며, 이는 1000개의 클래스에 속하는 1400만 개 이상의 이미지를 포함하고 있습다. + +![imagenet](./images/imagenet.jpg) + +VGGNet은 여러 개의 작은 (3x3) 커널을 가진 합성곱 계층과 2x2 풀링 계층으로 구성되어 있으며, + +이를 여러 번 반복하여 깊은 네트워크를 구성된다. + +가장 유명한 버전은 VGG16과 VGG19이다. + + +# **VGG16** 아키텍처의 주요 특징 + +![vggnet](./images/vggnet.png) + +모델에 대한 입력은 고정 크기인 224×224x3 RGB 이미지이다. + +전처리는 각 픽셀에서 훈련 데이터 세트에서 계산된 평균 RGB 값을 빼는 것이다. + +이미지는 매우 작은 수용 필드인 3 × 3의 필터가 있는 여러 개의 합성곱(Conv.) 계층을 통해 실행된다. + +일부 구성에서는 1 × 1 합성곱 필터도 사용한다. + +합성곱의 보폭은 1 픽셀로 고정되어 있다. + +공간 풀링은 일부 Conv. 계층 뒤에 있는 5개의 최대 풀링 계층에 의해 수행된다. + +아키텍처에는 세 개의 완전 연결(FC) 계층이 포함되어 있으며, 처음 두 FC는 각각 4096개의 채널을 가지고 있고, 세 번째 FC는 1000개의 채널을 가지고 있다. + +마지막 계층은 소프트맥스 계층이다. + + +# 데이터셋 **(Cifar10)** + +![cfar10](./images/cfar10.png) + +* 이미지 수와 카테고리: 데이터셋은 총 60,000개의 이미지로 구성되어 있으며, 이 중 50,000개는 학습용, 10,000개는 테스트용으로 분리되어 있다. + +* 10가지 카테고리는 각각 공통된 대상을 나타낸다. + +* 이 카테고리들은 '비행기', '자동차', '새', '고양이', '사슴', '개', '개구리', '말', '배', '트럭' 등이다. + +* 모든 이미지는 32x32 픽셀 크기의 3채널 컬러(RGB) 이미지 + + +--- + +### 예제 코드[¶]() + +
+Cifar10 Dataset +
+ +```python + +from tensorflow.keras.datasets import cifar10 +from tensorflow.keras.utils import to_categorical +from tensorflow.keras.models import Sequential +from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense + +# CIFAR-10 데이터셋 로드 +(X_train, y_train), (X_test, y_test) = cifar10.load_data() + +# 데이터 정규화 +X_train = X_train.astype('float32') +X_test = X_test.astype('float32') +X_train /= 255 +X_test /= 255 + +# 원-핫 인코딩 +Y_train = to_categorical(y_train, 10) +Y_test = to_categorical(y_test, 10) + + +``` + +
+
+ +
+VGGNet Structure +
+ +```python + +from keras.models import Sequential +from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense + +model = Sequential() + +# 첫 번째 블록 +model.add(Conv2D(64, (3, 3), padding='same', activation='relu', input_shape=(32, 32, 3))) +model.add(Conv2D(64, (3, 3), padding='same', activation='relu')) +model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2))) + +# 두 번째 블록 +model.add(Conv2D(128, (3, 3), padding='same', activation='relu')) +model.add(Conv2D(128, (3, 3), padding='same', activation='relu')) +model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2))) + +# 세 번째 블록 +model.add(Conv2D(256, (3, 3), padding='same', activation='relu')) +model.add(Conv2D(256, (3, 3), padding='same', activation='relu')) +model.add(Conv2D(256, (3, 3), padding='same', activation='relu')) +model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2))) + +# 네 번째 블록 +model.add(Conv2D(512, (3, 3), padding='same', activation='relu')) +model.add(Conv2D(512, (3, 3), padding='same', activation='relu')) +model.add(Conv2D(512, (3, 3), padding='same', activation='relu')) +model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2))) + +# 다섯 번째 블록 +model.add(Conv2D(512, (3, 3), padding='same', activation='relu')) +model.add(Conv2D(512, (3, 3), padding='same', activation='relu')) +model.add(Conv2D(512, (3, 3), padding='same', activation='relu')) +model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2))) + +# 완전 연결 계층 +model.add(Flatten()) +model.add(Dense(4096, activation='relu')) +model.add(Dense(4096, activation='relu')) +model.add(Dense(10, activation='softmax')) # CIFAR-10 데이터셋을 위한 출력 계층 + +model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) + + +``` + +
+
+ + +--- + +### 예제 코드[¶]() + +
+Train +
+ +```python + +model.fit(X_train, Y_train, batch_size=32, epochs=10, validation_split=0.2) +model.save('vgg16.model') + +``` + +
+
+ +
+Result +
+ +```plaintext + +Epoch 1/10 +1250/1250 [==============================] - 1253s 1s/step - loss: 2.3029 - accuracy: 0.0996 - val_loss: 2.3027 - val_accuracy: 0.0980 +Epoch 2/10 +1250/1250 [==============================] - 1184s 947ms/step - loss: 2.3027 - accuracy: 0.0996 - val_loss: 2.3028 - val_accuracy: 0.0952 +Epoch 3/10 +1250/1250 [==============================] - 1435s 1s/step - loss: 2.3028 - accuracy: 0.0993 - val_loss: 2.3027 - val_accuracy: 0.0952 +Epoch 4/10 +1250/1250 [==============================] - 1336s 1s/step - loss: 2.3028 - accuracy: 0.0992 - val_loss: 2.3027 - val_accuracy: 0.0980 +Epoch 5/10 +1250/1250 [==============================] - 1411s 1s/step - loss: 2.3028 - accuracy: 0.0997 - val_loss: 2.3028 - val_accuracy: 0.0952 +Epoch 6/10 +1250/1250 [==============================] - 1310s 1s/step - loss: 2.3028 - accuracy: 0.0992 - val_loss: 2.3027 - val_accuracy: 0.1014 +Epoch 7/10 +1250/1250 [==============================] - 1282s 1s/step - loss: 2.3027 - accuracy: 0.0986 - val_loss: 2.3027 - val_accuracy: 0.1022 +Epoch 8/10 +1250/1250 [==============================] - 1300s 1s/step - loss: 2.3028 - accuracy: 0.0981 - val_loss: 2.3027 - val_accuracy: 0.1025 +Epoch 9/10 +1250/1250 [==============================] - 1360s 1s/step - loss: 2.3027 - accuracy: 0.1002 - val_loss: 2.3029 - val_accuracy: 0.0952 +Epoch 10/10 +1250/1250 [==============================] - 1400s 1s/step - loss: 2.3027 - accuracy: 0.0996 - val_loss: 2.3026 - val_accuracy: 0.1016 + + +INFO:tensorflow:Assets written to: vgg16.model\assets +INFO:tensorflow:Assets written to: vgg16.model\assets + + +``` + +
+
+ + +--- + +### 예제 코드[¶]() + +
+Evalute +
+ +```python + +score = model.evaluate(X_test, Y_test, verbose=0) +print('Test loss:', score[0]) +print('Test accuracy:', score[1]) + + +``` + +
+
+ +
+Result +
+ +```plaintext + +Test loss: 2.3026254177093506 +Test accuracy: 0.10000000149011612 + + +``` + +
+
+ + +# **결론** + +* VGGNet은 3x3 filter로 모든 Conv Layer에 사용함. + +* 더 많은 ReLU함수를 사용하여 비선형성을 확보할 수 있음. + +* VGGNet은 VGG16, VGG19 등의 모델들이 있음. + + +--- + +### 참고[¶]() + +- VGGNet - Google +- ChatGPT