[딥러닝] CNN 활용 맛보기 1

 

Conv2D-Conv2D-MaxPooling2D

import tensorflow as tf

mnist=tf.keras.datasets.fashion_mnist

(x_train, y_train),(x_test, y_test)=mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape((60000, 28, 28, 1))
x_test = x_test.reshape((10000, 28, 28, 1))

model = tf.keras.Sequential([
    tf.keras.layers.InputLayer(input_shape=(28,28,1)),
    tf.keras.layers.Conv2D(32,(3,3),activation='relu', padding='same'),
    tf.keras.layers.Conv2D(64,(3,3),activation='relu', padding='same'),
    tf.keras.layers.MaxPool2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128,activation='relu'),
    tf.keras.layers.Dense(10,activation='softmax')
])

model.summary()

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test, y_test)

 

- 1차 합성곱(conv2d)의 가중치는 3*3*1*32=288의 크기이며 편향은 가중치의 갯수만큼 필요하여 32개가 됩니다.

3*3*1*32+32=320

- 2차 합성곱(conv3d)의 가중치는 3*3*32*64=18432의 크기이며 편향의 가중치의 갯수만큼 필요하여 64개가 됩니다.

3*3*1*64+64=18496

- Flatten 층은 완전 연경 층의 입력층으로 14*14*64=12544 노드로 구성됩니다.

- 은닉층의 노트는 128개, Flatten 층과 은닉층 연결에 필요한 가중치는 12544*128=1605632, 편향은 가중치의 갯수만큼 필요하여 128개가 됩니다

12544*128+128=1605760

- 출력층의 노드는 10개로 은닉층과 출력층 연결에 필요한 가중치의 갯수는 128*10, 편향은 가중치의 갯수만큼 필요하여

10개가 됩니다.

128*10+10=1290

 

학습의 대상이 되는 매개변수의 총 갯수는 320+18496+1605760+1290=1625866이 됩니다.

 

 

 

 

 

 

---

Conv2D-MaxPooling2D

import tensorflow as tf

mnist=tf.keras.datasets.fashion_mnist

(x_train, y_train),(x_test, y_test)=mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape((60000, 28, 28, 1))
x_test = x_test.reshape((10000, 28, 28, 1))

model = tf.keras.Sequential([
    tf.keras.layers.InputLayer(input_shape=(28,28,1)),
    tf.keras.layers.Conv2D(32,(3,3),activation='relu', padding='same'),
    tf.keras.layers.MaxPool2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10,activation='softmax')
])

model.summary()

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test, y_test)