Python Tensorflow CNN_pooling
Tensorflow/CNNIn [18]:
import numpy as np
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
maxpooling 실습¶
padding X
In [19]:
#2*2테스트 이미지 생성, image의 텐서의 각 값은 아래와 같음
image = tf.constant([[[[1],[2]],
[[6],[4]]]], dtype=np.float32)
#maxpool2D연산을 수행한다
#pool_size2, strides=1, padding X
pool = keras.layers.MaxPool2D(pool_size=(2,2), strides=1, padding='VALID')(image)
print(pool.shape)
print(pool.numpy())
padding O
In [20]:
#2*2테스트 이미지 생성, image의 텐서의 각 값은 아래와 같음
image = tf.constant([[[[1],[2]],
[[6],[4]]]], dtype=np.float32)
#maxpool2D연산을 수행한다
#pool_size2, strides=1, padding O
pool = keras.layers.MaxPool2D(pool_size=(2,2), strides=1, padding='SAME')(image)
print(pool.shape)
print(pool.numpy())
conv -> pooling 실습¶
mnist data활용
In [21]:
#mnist데이타 호출
mnist = keras.datasets.mnist
class_names = ['0','1','2','3','4','5','6','7','8','9']
데이타 세팅¶
In [22]:
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
데이타 확인¶
In [23]:
print(train_images.shape)
print(train_labels.shape)
print(test_images.shape)
print(test_labels.shape)
In [24]:
print(train_images[0].shape)
print(train_images)
In [25]:
img = train_images[0]
plt.imshow(img, cmap='gray')
plt.show()
데이타 정규화¶
텐서의 값을 0~1사이의 값으로 정규화 시킨다
In [53]:
train_images = train_images.astype(np.float32) / 255.
test_images = test_images.astype(np.float32) / 255.
데이터 확인¶
정규화를 해도 데이터이미지는 동일하다 train_images의 이미지 1개만 사용함
In [54]:
img = train_images[0]
plt.imshow(img, cmap='gray')
plt.show()
In [55]:
img.shape
Out[55]:
conv2d레이어 연산¶
이미지를 4차원으로 변환한 후 작업한다
In [56]:
#4차원으로 변환
#배치size, 세로, 가로, 채널로 4차원으로 만들어 줘야함
#배치size를 -1로 하면, 자동으로 입력이 된다.
#이 경우 이미지 1장만 사용하기 때문에 1로 됨
#채널은 색상 (그레이) 한가지만 사용하기 때문에 1임
img = img.reshape(-1,28,28,1)
print("image.shape, 배치size, 세로, 가로, 채널", img.shape)
img = tf.convert_to_tensor(img)
#필터로 사용하기위해 랜덤값으로 init값 설정
weight_init = keras.initializers.RandomNormal(stddev=0.01)
#필터5개, 커널사이즈(필터사이즈)3*3, strides:2*2, 패딩 사용
conv2d = keras.layers.Conv2D(filters=5, kernel_size=3, strides=(2, 2), padding='SAME',
kernel_initializer=weight_init)(img)
print("conv2d.shape , 배치size, 세로, 가로, 채널 ",conv2d.shape)
feature_maps = np.swapaxes(conv2d, 0, 3)
for i, feature_map in enumerate(feature_maps):
plt.subplot(1,5,i+1), plt.imshow(feature_map.reshape(14,14), cmap='gray')
plt.show()
pooling layer 연산¶
In [57]:
#pooling size 2*2
#strides 2
#padding O
#입력값 conv2d
pool = keras.layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2), padding='SAME')(conv2d)
print("pool.shape , 배치size, 세로, 가로, 채널", pool.shape)
feature_maps = np.swapaxes(pool, 0, 3)
for i, feature_map in enumerate(feature_maps):
plt.subplot(1,5,i+1), plt.imshow(feature_map.reshape(7, 7), cmap='gray')
plt.show()
이후 fully Connected layer연산을 진행한다.
pooling가 완료된 레이어를 flat해주고, 출력값을 도출하고 softmax등의 연산을 거치게 된다.
해당 포스팅은 모두를위한 딥러닝과, 부스트코스 강의를 참고하였습니다.
'Tensorflow > CNN' 카테고리의 다른 글
| Python Tensorflow CNN_basic (0) | 2020.08.25 |
|---|
