[ML]Image Classification과 Pytorch 실습

 

Image Classification

정의

이미지를 입력 받았을 때

이미지의 클래스를 예측하는 모델

Cat(0.95), Dog(0.05) 와 같이 확률로 나타나며

그 중 확률이 가장 높은 클래스가 해당한다

 

 

CNN(Convolutional Neural Network)

Image classification 중 가장 많이 쓰이는 딥러닝 모델 중 하나

이미지 처리에 특화되어 있다

 

Convolution이라는 패치를 통해

weight를 갱신하고 연산하며, pooling, fully connected layer 등의 연산 방법을 사용할 수 있다

 

 

 

History of Image Classification

대표적인 CNN의 역사

 

다양한 Image classification을 위한 Datasets

ImageNet, CIFAR-10, CIFAR-100, MNIST 등 다양한 데이터셋이 존재하며,

Paperwithcodes 사이트와 같은 곳에서 모델과 함께 확인할 수 있다

 

 

 

예제

가상환경 설정

Ubuntu의 경우 docker 환경, windows 등의 경우 anaconda를 통해 가상환경을 구성한다

가상 환경 설정에 대한 정보는 다른 사이트를 참고한다

 

Mac에서 진행한다

conda를 설치한 후 가상 공간을

아래 명령어와 같이 설정한다

conda create -n pytorch_py38 python=3.8

진행한다

 

activate pytorch_py38

명령어를 통해 가상 환경을 활성화한 후

가상 환경 내에 pytorch를 설치한다

Mac에서 conda를 사용하는 경우 아래 명령어를 입력한다

conda install pytorch::pytorch torchvision torchaudio -c pytorch

Pytorch

why Pytorch?

Define by Run 구조로 모델을 완전히 설계하지 않아도 중간에 결과를 뽑을 수 있기 때문에

코드를 직관적으로 짤 수 있다

Tensor

1D~ND 차원까지 다양한 차원으로 정의되는 데이터 타입이다

CNN에서 연산하기 적합한 데이터 타입이다

 

입력 데이터가 들어오면

tensor로 변환한 후

weight 과 곱해졌을 때 나타나는 결과도 tensor와 같이 나타난다

 

 

또한 numpy로 데이터 변환이 가능하고

이를 통해 다양한 라이브러리를 사용하여

시각화, 분석 등 다양한 방법으로 접근할 수 있다

 

 

Code

import torch
import numpy as np

# test torch
"""
x = torch.rand(5,3)
print(x)"""

def make_tensor():
    # int16
    a = torch.tensor([[1,2],[3,4]], dtype = torch.int16)
    # float
    b = torch.tensor([2], dtype = torch.float32)
    # double
    c = torch.tensor([3], dtype=torch.float64)

    print(a,b,c)

    tensor_list = [a,b,c]

    for t in tensor_list:
        print("shape of tensor {}".format(t.shape))
        print("datatpye of tensor {}".format(t.dtype))
        # data가 저장된 장치 확인
        print("device tensor is sorted on {}".format(t.device))

def sumsub_tensor():
    a = torch.tensor([3,2])
    b = torch.tensor([5,3])

    print("input: {}. {}".format(a, b))

    # sum
    sum = a + b
    print("sum: {}".format(sum))

    # sub
    sub = a - b
    print("sub: {}".format(sub))

    # sum each element
    sum_element_a = a.sum()
    print(sum_element_a)

def muldiv_tensor():
    # initialize 0 to 8 and change size to 3 by 3
    a = torch.arange(0,9).view(3,3)
    b = torch.arange(0,9).view(3,3)
    print("two input tensors are \n{}, \n and {}".format(a,b))

    # mat mul
    c = torch.matmul(a,b)
    print(c)

    # elementalwise mul
    d = torch.mul(a,b)
    print(d)

def reshape_tensor():
    a = torch.tensor([2,4,5,6,7,8])
    print("input tensor: \n{}".format(a))

    # view
    b = a.view(2,3)
    print("view \n{}".format(b))

    # transpose
    bt = b.t()
    print("transpose \n {}".format(bt))


def access_tensor():
    a = torch.arange(1,13).view(4,3)
    print("input: \n{}".format(a))

    # first row(slicing)
    print(a[:,0])
    # first col
    print(a[0,:])
    # [1,1]
    print(a[1,1])

def transform_numpy():
    a = torch.arange(1,13).view(4,3)
    print("input: \n{}".format(a))

    a_np = a.numpy()
    print("numpy: {}".format(a_np))

    b = np.array([1,2,3])
    b_t = torch.from_numpy(b)
    print(b)

# assemble in parallel and keep the shape
def concat_tensor():
    a = torch.arange(1,10).view(3,3)
    b = torch.arange(10, 19).view(3,3)
    c = torch.arange(20,29).view(3,3)

    # set the dim to concat
    abc = torch.cat([a,b,c],dim=0)

    print("input tensor: \n{} \n{} \n{}".format(a,b,c))
    print("concat: \n{}".format(abc))

# add the dimension
def stack_tensor():
    a = torch.arange(1,10).view(3,3)
    b = torch.arange(10, 19).view(3,3)
    c = torch.arange(20,29).view(3,3)

    # set the dim to stack
    abc = torch.stack([a,b,c],dim=1)

    print("input tensor: \n{} \n{} \n{}".format(a,b,c))
    print("stack: \n{}".format(abc))

def transpose_tensor():
    a = torch.arange(1,10).view(3,3)

    # transpose selected dimension
    at = torch.transpose(a,0,1)
    print("input: \n{}".format(a))
    print("transpose: \n{}".format(at))

    b = torch.arange(1,25).view(4,3,2)
    print("input b tensor: \n{}".format(b))

    bt = torch.transpose(b,0,2)
    print("transpose: \n{}".format(bt))
    print(bt.shape)

    bp = b.permute(2,0,1) # 0,1,2
    print("permute: \n{}".format(bp))
    print(bp.shape)

if __name__ == "__main__":
    #make_tensor()
    #sumsub_tensor()
    #muldiv_tensor()
    #reshape_tensor()
    #access_tensor()
    #transform_numpy()
    #concat_tensor()
    #stack_tensor()
    transpose_tensor()

Assignment