--- 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