import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from PIL import Image # PIL : 이미지를 불러오게끔 해주는 라이브러리
# convert -> L : 흑백, RGB : 컬러
img = Image.open("/content/drive/MyDrive/Colab Notebooks/빅데이터 13차(딥러닝)/data/Class 1-samples/0.jpg").convert('L')
# numpy 배열로 이미지 데이터를 변환(기계가 인식할 수 있도록 데이터를 수치화 시켜줌)
# 이미지의 크기에 맞게 가로, 세로 픽셀수로 수치화가 됨
img_array = np.array(img)
img_array.shape
(224, 224)
# 반복문 실행시 어느정도 실행되고 있는지 %로 알려주는 라이브러리
from tqdm import tqdm
# 학습 데이터셋 구성하기!
class1_list = [] # 첫번째 데이터가 들어갈 자리
class2_list = [] # 두번째 데이터가 들어갈 자리
for i in tqdm(range(0, 200, 1)):
# 1. 첫번째 데이터 작업
# 경로와 이름에 맞게 이미지를 가져와서 흑백으로 변환한 후 img1 변수에 담아주기
img1 = Image.open("/content/drive/MyDrive/Colab Notebooks/빅데이터 13차(딥러닝)/data/Class 1-samples/"+str(i)+".jpg").convert("L")
# 이미지 데이터가 저장된 img1을 numpy배열로 변환
img_array1 = np.array(img1)
# numpy 배열 데이터를 빈 리스트에 하나씩 추가해주기
class1_list.append(img_array1)
# 1. 두번째 데이터 작업
img2 = Image.open("/content/drive/MyDrive/Colab Notebooks/빅데이터 13차(딥러닝)/data/Class 2-samples/"+str(i)+".jpg").convert("L")
img_array2 = np.array(img2)
class2_list.append(img_array2)
# 리스트 자체도 numpy 배열로 변환
# 사진 하나하나도 numpy배열로, 이를 담은 리스트도 numpy배열로 변환시켜줘야 함(신경망에 들어갈 수 있는 형태로 변경시켜주기 위함!)
class1_numpy = np.array(class1_list)
class2_numpy = np.array(class2_list)
# concatenate : 두 배열을 순서대로 붙여주는 명령
data = np.concatenate((class1_numpy, class2_numpy))
class1_numpy.shape, data.shape # 문제 데이터 생성완료!
((200, 224, 224), (400, 224, 224))
# 정답 데이터 만들기(문제와 정답의 순서를 일정하게 맞춰줄 것!)
# 0 : 첫번째 데이터의 정답, 1: 두번째 데이터의 정답
target = np.array([0]*200 + [1]*200)
target
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Flatten
# 신경망 구조 설계
model = Sequential()
model.add(Flatten(input_shape=(224,224)))
# input_dim : 입력되는 데이터의 특성 개수를 설정
# activation : 활성화 함수를 설정(들어온 자극(데이터)에 대한 응답여부(예측결과)를 결정하는 함수)
# 입력층(input_dim) + 중간 1개층(Dense)
model.add(Dense(500, input_dim=2, activation='relu'))
# 중간층
model.add(Dense(300, activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(50, activation='relu'))
# 출력층
model.add(Dense(1, activation='sigmoid'))
model.summary()
# 학습 및 평가방법 설정
# binary_crossentropy : 2진분류에 사용하는 손실함수
# -> 오차의 평균을 구하는 것은 mse와 같지만 0~1사이의 값으로 반환한 후에 평균오차를 구함(그래야 0또는1로 분류하기 편하니까!)
model.compile(loss='binary_crossentropy',
optimizer='Adam', # 최적화함수 : 확률적 경사하강법
metrics=['acc'] # metrics : 평가방법을 설정(분류문제이기 때문에 정확도를 넣어줌)
)
# 학습
h = model.fit(X_train, y_train,
validation_split = 0.2, # 위에서 random_state 로 순서를 섞어줌
epochs=100,
batch_size=128 # default 값이 32인데 속도를 빠르게 하기위해 128로 설정
)
# validation_split : 자동으로 train 데이터에서 검증 데이터를 분리시켜주는 명령
# 주의점 : 분리시켜줄 때 뒤에서부터 20%를 잘라줌
# 일정한 값으로 정렬돼 있는 데이터에는 사용할 수 없음
plt.figure(figsize=(15,5))
# train 데이터
plt.plot(h.history['acc'],
label='acc',
c = 'blue',
marker='.'
)
# val 데이터
plt.plot(h.history['val_acc'],
label='val_acc',
c = 'red',
marker='.'
)
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.legend()
plt.show()
