매트랩으로 배우는 인공지능 - 2 | 전이학습, CNN

인공지능을 구현하는 방법인 머신러닝의 기법 중 하나인 "딥러닝"을 배워보도록 하자!!! 와! 신난다!

 

딥러닝 하면 가장 먼저 나오는 용어가 바로 CNN일 것이다.

CNN이 뭔지, 어떻게 사용하는지부터 알아보자.

 

 

# CNN(Convolutional Neural Network) 이란?

CNN의 구성

CNN의 기본 구성은 위 사진과 같다.

세가지 큰 틀로 구성된다. 

 

1. 데이터 input

2. 데이터에서 특징(Feature) 추출

3. 추출된 특징들에 점수를 매겨 하나의 클래스로 분류(Classification)

 

[1. 데이터 input]

m x n 2D 레이어를 input으로 넣어야 한다.

m x n x 3 에서 "x3" 은 3채널(대개 R, G, B)를 가진 데이터라는 의미

 

[2. Feature Extraction]

추후 공부예정.

pre-trained된 모델이 알아서 해준다

 

[3. Classification]

Fully Connected 레이어

- 추출된 Feature와 output 클래스 간 연결을 시켜주는 역할

 

Softmax 레이어

- 점수를 매겨(수치화) 가장 높은 점수를 가진 output클래스를 찾는다. 

- 모든 점수의 총 합은 항상 1이다 (정규화된 점수)

 

 

레이어 별 상세한 동작원리는 추후에 공부 예정.. 일단은 대충 개념만 알고 넘어가자

 

근데 딥러닝으로 CNN을 사용하기 위해서는 저 레이어들을 정말로 처음부터 끝까지 내가 직접 만들어야 하는 걸까?

생각만 해도 머리가 띵 가슴이 답답 딥러닝 때려치기 일보직전이다.

하지만 다행히도 그러지 않아도 된다. CNN을 간편하게 사용하기 위한 아주 좋은 학습 방법이 있따.

이름하야 "전이학습"

 

# Transfer Learning (전이학습)

pre-trained된 모델(다른 누군가가 이미 학습시켜놓은 모델)을 사용하는 방법.

- 특정 환경에서 만들어진 모델을 다른 비슷한 분야에 가져와서 적용하는 방법.

- 사용자는 내가 원하는 부분 일부분만 별도로 수정해서 사용하면 된다.

- 학습 데이터가 부족한 경우 특히 유용하게 사용된다.

 

(아래 참고)

https://blog.lgcns.com/1563

부족한 데이터로 하는 머신러닝! ‘전이 학습’

 

* 학교 수업에서는 Alexnet 모델을 사용함

net = alexnet

 

Alexnet의 구성

Alexnet의 저 레이어들을 보자.. 전이학습이 얼마나 우리에게 축복을 내려주는지 알 수 있다.

전이학습이 없었다면 1부터 25번 레이어까지 손수 짜고 있었을 것. AI 열풍따위는 없었을 것이다

 

* 매트랩 명령어

 

모델의 레이어들 보기

layers = net.layers

특정 레이어 뽑기

layer_input = layers(1)
layer_output = layers(end)

1번 레이어

1번 레이어를 살펴보자. ImageInputLayer.

InputSize가 1 x 3 행렬인 것을 확인할 수 있다. 

아까 위에서 봤던 m x n x 3 (R, G, B) 구성의 이미지를 입력으로 받는다는 의미이다.

 

또한, inputSize가 227 x 227이기 때문에, 이미지 다운사이징으로 이미지의 크기를 맞춰줘야 한다.

 

 

마지막 레이어

마지막 레이어를 살펴보자. ClassificationOutputLayer. 

입력을 넣으면 1000개의 Categorical 데이터들 중 하나로 예측된 출력이 나오게 된다는 의미이다.

- 카테고리 개수, 목록은 직접 수정할 수 있다

- 카테고리 목록 보기

classes = layer_output.Classes

 

 

* 이미지 리사이징 방법

image = imread("image.jpg", "jpg"); % 읽기

image_resized = imresize(image, [227, 227]); % 리사이징
imshow(image_resized) % 출력

 

 

그럼 이제 모든 준비가 끝났고 CNN을 사용해보자!!

천재들이 이미 모델을 잘 만들어뒀기 때문에 가져다 쓰기만 하는건 너무 쉽다

% 예측값만 받기
prediction = classify(net, image_resized)

% 예측값과 점수를 같이 받기
[predictions, score] = classify(net, image_resized)
max(score)

 

단 한줄이면 CNN을 사용할 수 있다

이게 끝이다.

 

사용자는 내부에서 어떤 알고리즘으로 돌아가는지 굳이 알 필요가 없다.

이게 바로 잘 만들어진 캡슐화의 모범이 아닐까 싶다. 이것이 객체지향..?

 

 

하지만 전공자로서 수업은 여기서 끝나지는 않는다..

CNN의 핵심은 상황에 딱 맞는 모델 수정에 있는 것! 

무궁무진한 딥러닝의 활용은 결국 모델 수정에서 나온다고 생각할 수 있다고 볼 수 있을 것 같다.

 

이제야 3주차 수업 정리다.. 정리하는데 시간이 생각보다 너무 오래걸리는데 이거 계속 할 수 있을지 모르겠다.

 

To be continued..