[Deep Learning] ex04_개, 고양이 분류하기

 

데이터 경로 지정

train_dir= '/content/drive/MyDrive/Colab Notebooks/DeepLearning/data/dogAndCat/train'
valid_dir='/content/drive/MyDrive/Colab Notebooks/DeepLearning/data/dogAndCat/validation'

 

하나의 변수에 이미지파일 전부 다 합치기

○  픽셀 값(0~255/정수)  ➜  (0~1 / 실수)

1.  숫자의 크기 줄이기  ➜  연산량 감소

2. 분산( 값이 분포해있는 범위 ) 줄이기 ➜ 연산의 오류 줄어듬.

- 이미지 크기 맞춰주기(150,150)

from tensorflow.keras.preprocessing.image import ImageDataGenerator

 

- 픽셀값 변경하기
- 묵시적 형 변환 하기
- 프로그래밍에서 연산상에서 타입이 변경되도록 하기.

generator = ImageDataGenerator(rescale = 1./255) # 1.= 1.0

# 하나의 변수에 이미지 파일 전부 다 합치기
# 이미지 크기 동일하게 만들어주기
# 라벨링
train_generator = generator.flow_from_directory(
    directory = train_dir, # train의 이미지 경로, 변환할 이미지
    target_size=(150,150), # 변환할 이미지의 크기
    batch_size= 100,  # 한번에 변환할 이미지 개수
    class_mode='binary'  # 라벨링 방법. 다중분류 : categorical,
)

valid_generator = generator.flow_from_directory(
    directory = valid_dir, # train의 이미지 경로, 변환할 이미지
    target_size=(150,150), # 변환할 이미지의 크기
    batch_size= 100,  # 한번에 변환할 이미지 개수
    class_mode='binary'  # 라벨링 방법. 다중분류 : categorical,

)

# CNN 모델 설계
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense,Conv2D, MaxPool2D, Flatten

#  딥러닝 모델 생성 =토대 설계
model1 = Sequential()

# 입력층
model1.add(Conv2D(             #특징찾기
    filters=32,                #찾을 특징의 개수
    kernel_size=(3,3),         #특징의 크기
    input_shape=(150,150,3),    # 입력데이터의 크기 조정, 3 ➜ RGB를 뜻함. # 0 : 검은색, 255:흰색.
    activation= 'relu'          #출력층을 제외하고 activation 잘 모르겠으면 relu적음.  optimizer = adam
))

model1.add(MaxPool2D(   # 특징이 아닌부분 삭제하기
    pool_size=(2,2)   # 기준크기에서 1개의 특징만 가져오기 / 4개 중에서 1개 사용하기.

))


model1.add(Conv2D(             #특징찾기
    filters=32,                #찾을 특징의 개수
    kernel_size=(3,3),         #특징의 크기
    activation= 'relu'         #출력층을 제외하고 activation 잘 모르겠으면 relu적음.  optimizer = adam
))

model1.add(MaxPool2D(   # 특징이 아닌부분 삭제하기
    pool_size=(2,2)   # 기준크기에서 1개의 특징만 가져오기 / 4개 중에서 1개 사용하기.

))

######## 특징 추출부 끝 ###########
model1.add(Flatten()) # 특징추출부와 분류부를 이어주는 역할.
################## 분류분석 시작 #####################
model1.add(Dense(units=32, activation='relu'))

# 출력층
model1.add(Dense(units=1, activation='sigmoid'))

# 학습 방법 설정
model1.compile(
    loss ='binary_crossentropy',
    optimizer ='Adam',
    metrics = ['accuracy']
)

model1.fit(
    train_generator, # 학습 데이터(X_train, y_train이 합쳐져있음)
    epochs =20,
    validation_data=valid_generator
)