1. 개요
이 실습에서는 Keras와 TensorFlow 2를 사용하여 처음부터 자신만의 컨볼루셔널 신경망을 빌드, 학습, 조정하는 방법을 알아봅니다. 이제 TPU의 성능을 활용하여 몇 분 만에 이 작업을 실행할 수 있습니다. 또한 매우 간단한 전이 학습부터 Squeezenet과 같은 현대적인 컨볼루셔널 아키텍처에 이르는 다양한 접근 방식도 살펴봅니다. 이 실습에서는 신경망에 관한 이론적 설명을 제공하며 딥 러닝을 학습하는 개발자에게 좋은 출발점이 됩니다.
딥 러닝 자료를 읽는 것은 어렵고 혼란스러울 수 있습니다. 최신 컨볼루셔널 신경망 아키텍처를 직접 살펴보겠습니다.
학습할 내용
- Keras 및 Tensor Processing Unit(TPU)을 사용하여 맞춤 모델을 더 빠르게 빌드합니다.
- tf.data.Dataset API와 TFRecord 형식을 사용하여 학습 데이터를 효율적으로 로드합니다.
- 자체 모델을 빌드하는 대신 이전 학습을 사용하여 속이는 😈 방법입니다.
- Keras 순차 및 함수형 모델 스타일을 사용합니다.
- 소프트맥스 레이어와 교차 엔트로피 손실이 포함된 자체 Keras 분류기 빌드
- 적절한 컨볼루셔널 레이어를 선택하여 모델을 미세 조정하는 것
- 모듈, 전역 평균 풀링과 같은 최신 convnet 아키텍처 아이디어를 살펴봅니다.
- Squeezenet 아키텍처를 사용하여 간단한 최신 convnet을 빌드합니다.
의견
이 Codelab에서 잘못된 부분을 발견하면 알려주세요. GitHub 문제[ 의견 링크]를 통해 의견을 제공할 수 있습니다.
2. Google Colaboratory 빠른 시작
이 실습에서는 Google Colaboratory를 사용하며 별도의 설정이 필요하지 않습니다. Chromebook에서 실행할 수 있습니다. 아래 파일을 열고 셀을 실행하여 Colab 노트북을 숙지하세요.
TPU 백엔드 선택
Colab 메뉴에서 런타임 > 런타임 유형 변경을 선택한 후 TPU를 선택합니다. 이 Codelab에서는 하드웨어 가속 학습을 지원하는 강력한 TPU(Tensor Processing Unit)를 사용합니다. 런타임에 대한 연결은 최초 실행 시 자동으로 이루어집니다. 또는 오른쪽 상단의 '연결' 버튼을 사용할 수도 있습니다.
노트북 실행
셀을 클릭하고 Shift-Enter를 사용하여 셀을 한 번에 하나씩 실행합니다. 런타임 > 모두 실행에서 전체 노트북을 실행할 수도 있습니다.
목차
모든 노트북에는 목차가 있습니다. 왼쪽에 있는 검은색 화살표를 사용해 파일을 열 수 있습니다.
숨겨진 셀
일부 셀에는 제목만 표시됩니다. Colab 전용 노트북 기능입니다. 두 번 클릭하면 안의 코드를 볼 수 있지만 보통은 별로 흥미롭지 않습니다. 일반적으로 지원 또는 시각화 함수 내부 함수가 정의되려면 이러한 셀을 실행해야 합니다.
인증
승인된 계정으로 인증하면 Colab에서 비공개 Google Cloud Storage 버킷에 액세스할 수 있습니다. 위의 코드 스니펫은 인증 프로세스를 트리거합니다.
3. [정보] Tensor Processing Unit (TPU)이란 무엇인가요?
요약
Keras의 TPU에서 모델을 학습시키기 위한 코드 (TPU를 사용할 수 없는 경우 GPU 또는 CPU로 대체)
try: # detect TPUs
tpu = tf.distribute.cluster_resolver.TPUClusterResolver.connect()
strategy = tf.distribute.TPUStrategy(tpu)
except ValueError: # detect GPUs
strategy = tf.distribute.MirroredStrategy() # for CPU/GPU or multi-GPU machines
# use TPUStrategy scope to define model
with strategy.scope():
model = tf.keras.Sequential( ... )
model.compile( ... )
# train model normally on a tf.data.Dataset
model.fit(training_dataset, epochs=EPOCHS, steps_per_epoch=...)
오늘은 TPU를 사용하여 꽃 분류기를 빌드하고 양방향 속도(학습 실행당 분)로 최적화합니다.
TPU를 사용해야 하는 이유
최신 GPU는 프로그래매틱 '코어'를 중심으로 구성됩니다. 프로그래매틱 코어는 3D 렌더링, 딥 러닝, 물리적 시뮬레이션과 같은 다양한 작업을 처리할 수 있는 매우 유연한 아키텍처입니다. 반면 TPU는 기존 벡터 프로세서와 전용 행렬 곱셈 단위를 결합하며, 신경망과 같이 대규모 행렬 곱셈이 중요한 모든 작업에 탁월합니다.
그림: 행렬 곱셈으로서의 촘촘한 신경망 레이어로, 신경망을 통해 한 번에 8개의 이미지 배치가 처리됩니다. 행 x 열 곱셈을 실행하여 이미지의 모든 픽셀 값의 가중치 합계를 실제로 계산하는지 확인합니다. 컨볼루셔널 레이어는 조금 더 복잡하지만 ( 이 섹션 1의 설명)도 행렬 곱셈으로 표현할 수 있습니다.
하드웨어
MXU 및 VPU
TPU v2 코어는 행렬 곱셈을 실행하는 행렬 곱셈 단위(MXU)와 활성화, 소프트맥스 등 기타 모든 작업을 위한 벡터 처리 단위(VPU)로 구성됩니다. VPU는 float32 및 int32 계산을 처리합니다. 반면에 MXU는 혼합 정밀도 16~32비트 부동 소수점 형식으로 작동합니다.
혼합 정밀도 부동 소수점 및 bfloat16
MXU는 bfloat16 입력과 float32 출력을 사용하여 행렬 곱셈을 계산합니다. 중간 누적은 float32 정밀도로 실행됩니다.
신경망 학습은 일반적으로 감소된 부동 소수점 정밀도로 인해 발생하는 노이즈에 강합니다. 노이즈가 옵티마이저가 수렴하는 데까지 도움이 되는 경우도 있습니다. 전통적으로 16비트 부동 소수점 정밀도는 계산을 가속화하는 데 사용되었지만 float16 및 float32 형식은 범위가 매우 다릅니다. 정밀도를 float32에서 float16으로 줄이면 일반적으로 오버 및 언더플로가 발생합니다. 솔루션이 있지만 float16이 작동하려면 일반적으로 추가 작업이 필요합니다.
이러한 이유로 Google은 TPU에 bfloat16 형식을 도입했습니다. bfloat16은 float32와 정확히 동일한 지수 비트와 범위를 갖는 잘린 float32입니다. 이는 TPU가 bfloat16 입력과 float32 출력의 혼합 정밀도로 행렬 곱셈을 계산한다는 사실에 더해, 일반적으로 낮은 정밀도의 성능 향상 이점을 누리기 위해 코드를 변경할 필요가 없다는 뜻입니다.
심장 수축 배열
MXU는 데이터 요소가 하드웨어 연산 장치의 배열을 통과하는 '시스톨릭 배열'이라는 이른바 '시스톨릭 배열' 아키텍처를 사용하여 하드웨어에서 행렬 곱셈을 구현합니다. (의학에서 '수축기'는 심장 수축과 혈류를 의미하며, 여기서는 데이터 흐름을 의미합니다.)
행렬 곱셈의 기본 요소는 한 행렬의 선과 다른 행렬의 열 사이의 내적입니다 (이 섹션 상단의 그림 참조). 행렬 곱셈 Y=X*W의 경우 결과의 한 요소는 다음과 같습니다.
Y[2,0] = X[2,0]*W[0,0] + X[2,1]*W[1,0] + X[2,2]*W[2,0] + ... + X[2,n]*W[n,0]
GPU에서는 이 내적을 GPU '코어'에 프로그래밍한 다음 동시에 사용할 수 있는 최대한 많은 '코어'에서 실행하여 결과 행렬의 모든 값을 한 번에 계산하려고 시도합니다. 결과 행렬이 128x128인 경우 일반적으로 불가능한 128x128=16K '코어'를 사용할 수 있습니다. 가장 큰 GPU는 코어가 약 4,000개 있습니다. 반면 TPU는 MXU의 컴퓨팅 단위에 최소한의 하드웨어만 사용합니다. bfloat16 x bfloat16 => float32 곱셈 누산기만 사용합니다. TPU는 128x128 MXU에 16,000개를 구현하고 이 행렬 곱셈을 한 번에 처리할 수 있을 만큼 작습니다.
그림: MXU 수축기 배열 계산 요소는 곱셈 누산기입니다. 한 행렬의 값이 배열 (빨간색 점)에 로드됩니다. 다른 행렬의 값은 배열 (회색 점)을 통과합니다. 수직선은 값을 위로 전파합니다. 가로선은 부분 합계를 전파합니다. 데이터가 배열을 통해 흐르면서 오른쪽에서 나오는 행렬 곱셈의 결과를 얻는지 확인하는 것은 사용자에게 맡겨집니다.
또한 내적은 MXU에서 계산되는 동안 중간 합계는 인접한 컴퓨팅 단위 간에 전송됩니다. 메모리 또는 레지스터 파일로 저장 및 검색할 필요가 없습니다. 결과적으로 TPU 시스톨릭 배열 아키텍처는 밀도와 전력 측면에서 상당한 이점을 얻을 뿐만 아니라 행렬 곱셈을 계산할 때 GPU에 비해 무시할 수 없는 속도상의 이점을 얻게 됩니다.
Cloud TPU
Google Cloud Platform에서 'Cloud TPU v2' 1개를 요청하면 PCI 연결 TPU 보드가 포함된 가상 머신 (VM)이 제공됩니다. TPU 보드에는 4개의 듀얼 코어 TPU 칩이 있습니다. 각 TPU 코어에는 VPU(벡터 처리 단위)와 128x128 MXU(행렬 곱셈 단위)가 있습니다. 그런 다음 일반적으로 이 'Cloud TPU'는 네트워크를 통해 요청한 VM에 연결됩니다. 전체 그림은 다음과 같습니다.
그림: 네트워크에 연결된 'Cloud TPU' 가속기가 있는 VM 'Cloud TPU' 자체는 4개의 듀얼 코어 TPU 칩과 PCI 연결 TPU 보드가 탑재된 VM으로 구성됩니다.
TPU 포드
Google의 데이터 센터에서 TPU는 고성능 컴퓨팅 (HPC) 상호 연결에 연결되어 하나의 거대한 가속기처럼 보일 수 있습니다. Google에서는 이를 '포드'라고 부르며 최대 512개의 TPU v2 코어 또는 2,048개의 TPU v3 코어를 포함할 수 있습니다.
그림: TPU v3 포드 HPC 상호 연결을 통해 연결된 TPU 보드 및 랙
학습 중에 전체 감소 알고리즘을 사용하여 TPU 코어 간에 경사가 교환됩니다(여기에서 전체 감소에 관한 자세한 설명 참고). 학습 중인 모델은 큰 배치 크기로 학습시켜 하드웨어를 활용할 수 있습니다.
그림: Google TPU의 2D 도라곤형 메시 HPC 네트워크에서 all-reduce 알고리즘을 사용하여 학습 중에 기울기를 동기화하는 방법
소프트웨어
대규모 배치 크기 학습
TPU에 적합한 배치 크기는 TPU 코어당 128개 데이터 항목이지만 하드웨어는 이미 TPU 코어당 8개 데이터 항목에서 우수한 사용률을 보일 수 있습니다. Cloud TPU 1개에는 8개의 코어가 있습니다.
이 Codelab에서는 Keras API를 사용합니다. Keras에서 지정하는 배치는 전체 TPU의 전역 배치 크기입니다. 배치가 자동으로 8개로 분할되고 TPU의 8개 코어에서 실행됩니다.
추가 성능 팁은 TPU 성능 가이드를 참조하세요. 매우 큰 배치 크기의 경우 일부 모델에서 특별한 주의가 필요할 수 있습니다. 자세한 내용은 LARSOptimizer를 참고하세요.
비하인드 스토리: XLA
TensorFlow 프로그램은 계산 그래프를 정의합니다. TPU는 Python 코드를 직접 실행하지 않고 Tensorflow 프로그램에서 정의한 연산 그래프를 실행합니다. 내부적으로 XLA(가속 선형 대수 컴파일러)라는 컴파일러가 계산 노드의 TensorFlow 그래프를 TPU 기계어 코드로 변환합니다. 이 컴파일러는 코드와 메모리 레이아웃에 여러 고급 최적화도 실행합니다. 작업이 TPU로 전송될 때 컴파일이 자동으로 실행됩니다. 빌드 체인에 XLA를 명시적으로 포함할 필요는 없습니다.
예시: TPU에서 실행하려면 TensorFlow 프로그램에서 정의한 계산 그래프가 먼저 XLA(가속 선형 대수 컴파일러) 표현식으로 변환된 후 XLA에 의해 TPU 기계어 코드로 컴파일됩니다.
Keras에서 TPU 사용하기
TPU는 Tensorflow 2.1부터 Keras API를 통해 지원됩니다. Keras 지원은 TPU 및 TPU 포드에서 작동합니다. 다음은 TPU, GPU, CPU에서 작동하는 예입니다.
try: # detect TPUs
tpu = tf.distribute.cluster_resolver.TPUClusterResolver.connect()
strategy = tf.distribute.TPUStrategy(tpu)
except ValueError: # detect GPUs
strategy = tf.distribute.MirroredStrategy() # for CPU/GPU or multi-GPU machines
# use TPUStrategy scope to define model
with strategy.scope():
model = tf.keras.Sequential( ... )
model.compile( ... )
# train model normally on a tf.data.Dataset
model.fit(training_dataset, epochs=EPOCHS, steps_per_epoch=...)
이 코드 스니펫에서 각 항목의 의미는 다음과 같습니다.
TPUClusterResolver().connect()는 네트워크에서 TPU를 찾습니다. 대부분의 Google Cloud 시스템 (AI Platform 작업, Colaboratory, Kubeflow, 'ctpu up' 유틸리티를 통해 생성된 딥 러닝 VM)에서 매개변수 없이 작동합니다. 이러한 시스템은 TPU_NAME 환경 변수를 통해 TPU가 있는 위치를 알 수 있습니다. TPU를 수동으로 만드는 경우 사용 중인 VM에서 TPU_NAME 환경 변수를 설정하거나 명시적 매개변수와 함께TPUClusterResolver를 호출합니다.TPUClusterResolver(tp_uname, zone, project)TPUStrategy는 분포와 'all-reduce' 경사 동기화 알고리즘을 구현하는 부분입니다.- 전략은 범위를 통해 적용됩니다. 모델은 strategy scope() 내에 정의되어야 합니다.
tpu_model.fit함수에는 TPU 학습을 위한 입력으로 tf.data.Dataset 객체가 필요합니다.
일반적인 TPU 포팅 작업
- TensorFlow 모델에서 데이터를 로드하는 방법에는 여러 가지가 있지만 TPU의 경우
tf.data.DatasetAPI를 사용해야 합니다. - TPU는 속도가 매우 빠르며 TPU에서 실행할 때는 데이터 처리가 병목 현상을 일으키는 경우가 많습니다. TPU 성능 가이드에는 데이터 병목 현상을 감지하는 데 사용할 수 있는 도구와 기타 성능 팁이 있습니다.
- int8 또는 int16 숫자는 int32로 취급됩니다. TPU에는 32비트 미만에서 작동하는 정수 하드웨어가 없습니다.
- 일부 TensorFlow 작업은 지원되지 않습니다. 목록은 여기에서 확인하세요. 좋은 소식은 이 제한이 모델을 정방향 및 역방향으로 전달하는 학습 코드에만 적용된다는 것입니다. 모든 TensorFlow 작업은 CPU에서 실행되므로 데이터 입력 파이프라인에서 계속 사용할 수 있습니다.
tf.py_func는 TPU에서 지원되지 않습니다.
4. 데이터 로드
꽃 사진 데이터 세트를 사용합니다. 목표는 꽃을 5가지 꽃 유형으로 분류하는 방법을 배우는 것입니다. 데이터 로드는 tf.data.Dataset API를 사용하여 실행됩니다. 먼저 API에 대해 알아보겠습니다.
실습
다음 노트북을 열고 셀을 실행(Shift-Enter)한 후 '작업 필요' 라벨이 표시되는 곳에서 안내를 따르세요.
Fun with tf.data.Dataset (playground).ipynb
추가 정보
'flowers' 데이터 세트 정보
데이터 세트는 5개의 폴더로 구성되어 있습니다. 각 폴더에는 한 종류의 꽃이 있습니다. 폴더의 이름은 해바라기, 데이지, 민들레, 튤립, 장미로 지정됩니다. 데이터는 Google Cloud Storage의 공개 버킷에서 호스팅됩니다. 발췌:
gs://flowers-public/sunflowers/5139971615_434ff8ed8b_n.jpg
gs://flowers-public/daisy/8094774544_35465c1c64.jpg
gs://flowers-public/sunflowers/9309473873_9d62b9082e.jpg
gs://flowers-public/dandelion/19551343954_83bb52f310_m.jpg
gs://flowers-public/dandelion/14199664556_188b37e51e.jpg
gs://flowers-public/tulips/4290566894_c7f061583d_m.jpg
gs://flowers-public/roses/3065719996_c16ecd5551.jpg
gs://flowers-public/dandelion/8168031302_6e36f39d87.jpg
gs://flowers-public/sunflowers/9564240106_0577e919da_n.jpg
gs://flowers-public/daisy/14167543177_cd36b54ac6_n.jpg
tf.data.Dataset을 사용하는 이유는 무엇인가요?
Keras와 Tensorflow는 모든 학습 및 평가 함수에서 데이터 세트를 허용합니다. Dataset에 데이터를 로드하면 API는 신경망 학습 데이터에 유용한 모든 공통 기능을 제공합니다.
dataset = ... # load something (see below)
dataset = dataset.shuffle(1000) # shuffle the dataset with a buffer of 1000
dataset = dataset.cache() # cache the dataset in RAM or on disk
dataset = dataset.repeat() # repeat the dataset indefinitely
dataset = dataset.batch(128) # batch data elements together in batches of 128
AUTOTUNE = tf.data.AUTOTUNE
dataset = dataset.prefetch(AUTOTUNE) # prefetch next batch(es) while training
성능 팁과 데이터 세트 권장사항은 이 도움말에서 확인할 수 있습니다. 참조 문서는 여기에서 확인할 수 있습니다.
tf.data.Dataset 기본사항
데이터는 일반적으로 여러 파일(여기서는 이미지)로 제공됩니다. 다음을 호출하여 파일 이름으로 구성된 데이터 세트를 만들 수 있습니다.
filenames_dataset = tf.data.Dataset.list_files('gs://flowers-public/*/*.jpg')
# The parameter is a "glob" pattern that supports the * and ? wildcards.
그런 다음 각 파일 이름에 함수를 '매핑'합니다. 이 함수는 일반적으로 파일을 메모리의 실제 데이터로 로드하고 디코딩합니다.
def decode_jpeg(filename):
bits = tf.io.read_file(filename)
image = tf.io.decode_jpeg(bits)
return image
image_dataset = filenames_dataset.map(decode_jpeg)
# this is now a dataset of decoded images (uint8 RGB format)
데이터 세트를 반복하려면 다음 단계를 따르세요.
for data in my_dataset:
print(data)
튜플의 데이터 세트
지도 학습에서 학습 데이터 세트는 일반적으로 학습 데이터와 정답 쌍으로 구성됩니다. 이를 허용하기 위해 디코딩 함수는 튜플을 반환할 수 있습니다. 그러면 튜플의 데이터 세트가 생성되며 이 데이터 세트를 반복하면 튜플이 반환됩니다. 반환되는 값은 모델에서 사용할 수 있는 TensorFlow 텐서입니다. .numpy()를 호출하여 원시 값을 볼 수 있습니다.
def decode_jpeg_and_label(filename):
bits = tf.read_file(filename)
image = tf.io.decode_jpeg(bits)
label = ... # extract flower name from folder name
return image, label
image_dataset = filenames_dataset.map(decode_jpeg_and_label)
# this is now a dataset of (image, label) pairs
for image, label in dataset:
print(image.numpy().shape, label.numpy())
결론:이미지를 하나씩 로드하는 것이 느립니다.
이 데이터 세트를 반복하면 초당 1~2개 정도의 이미지를 로드할 수 있습니다. 너무 느립니다. 학습에 사용할 하드웨어 가속기는 이 속도를 여러 배로 유지할 수 있습니다. 다음 섹션에서 이를 실행하는 방법을 알아보세요.
해결 방법
다음은 솔루션 노트북입니다. 문제가 있을 때 사용할 수 있습니다.
Fun with tf.data.Dataset (solution).ipynb
학습한 내용
- 🤔 tf.data.Dataset.list_files
- 🤔 tf.data.Dataset.map
- 🤔 튜플의 데이터 세트
- 버튼 데이터 세트 반복
잠시 시간을 내어 이 체크리스트를 머릿속에 살펴보세요.
5. 데이터를 빠르게 로드합니다.
이 실습에서 사용할 Tensor Processing Unit(TPU) 하드웨어 가속기는 매우 빠릅니다. 이때 어려운 점은 데이터를 빨리 제공하여 이들이 바쁘게 지내도록 하는 것입니다. Google Cloud Storage(GCS)는 매우 높은 처리량을 유지할 수 있지만 모든 클라우드 스토리지 시스템과 마찬가지로 연결을 시작하면 네트워크 왕복 비용이 발생합니다. 따라서 데이터를 수천 개의 개별 파일로 저장하는 것은 바람직하지 않습니다. 더 적은 수의 파일로 일괄 처리하고 tf.data.Dataset의 기능을 활용하여 여러 파일에서 병렬로 읽어 보겠습니다.
읽기
이미지 파일을 로드하고 크기를 공통 크기로 조정한 다음 16개의 TFRecord 파일에 저장하는 코드는 다음 노트북에 있습니다. 빠르게 읽어 주세요. 나머지 Codelab에서는 올바른 TFRecord 형식의 데이터가 제공되므로 실행할 필요는 없습니다.
Flower pictures to TFRecords.ipynb
최적의 GCS 처리량을 위한 이상적인 데이터 레이아웃
TFRecord 파일 형식
TensorFlow에서 데이터를 저장하는 데 사용하는 기본 파일 형식은 protobuf 기반 TFRecord 형식입니다. 다른 직렬화 형식도 사용할 수 있지만 다음을 작성하여 TFRecord 파일에서 직접 데이터 세트를 로드할 수 있습니다.
filenames = tf.io.gfile.glob(FILENAME_PATTERN)
dataset = tf.data.TFRecordDataset(filenames)
dataset = dataset.map(...) # do the TFRecord decoding here - see below
최적의 성능을 위해 다음과 같이 더 복잡한 코드를 사용하여 여러 TFRecord 파일에서 한 번에 읽는 것이 좋습니다. 이 코드는 N개의 파일에서 동시에 읽고 데이터 순서를 무시하여 읽기 속도를 높입니다.
AUTOTUNE = tf.data.AUTOTUNE
ignore_order = tf.data.Options()
ignore_order.experimental_deterministic = False
filenames = tf.io.gfile.glob(FILENAME_PATTERN)
dataset = tf.data.TFRecordDataset(filenames, num_parallel_reads=AUTOTUNE)
dataset = dataset.with_options(ignore_order)
dataset = dataset.map(...) # do the TFRecord decoding here - see below
TFRecord 요약본
TFRecord에는 바이트 문자열 (바이트 목록), 64비트 정수, 32비트 부동 소수점 수, 세 가지 유형의 데이터를 저장할 수 있습니다. 항상 목록으로 저장되며 크기 1의 목록이 단일 데이터 요소가 됩니다. 다음 도우미 함수를 사용하여 데이터를 TFRecord에 저장할 수 있습니다.
바이트 문자열 쓰기
# warning, the input is a list of byte strings, which are themselves lists of bytes
def _bytestring_feature(list_of_bytestrings):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=list_of_bytestrings))
정수 쓰기
def _int_feature(list_of_ints): # int64
return tf.train.Feature(int64_list=tf.train.Int64List(value=list_of_ints))
부동 소수점 수 작성
def _float_feature(list_of_floats): # float32
return tf.train.Feature(float_list=tf.train.FloatList(value=list_of_floats))
위의 도우미를 사용하여 TFRecord 작성
# input data in my_img_bytes, my_class, my_height, my_width, my_floats
with tf.python_io.TFRecordWriter(filename) as out_file:
feature = {
"image": _bytestring_feature([my_img_bytes]), # one image in the list
"class": _int_feature([my_class]), # one class in the list
"size": _int_feature([my_height, my_width]), # fixed length (2) list of ints
"float_data": _float_feature(my_floats) # variable length list of floats
}
tf_record = tf.train.Example(features=tf.train.Features(feature=feature))
out_file.write(tf_record.SerializeToString())
TFRecord에서 데이터를 읽으려면 먼저 저장한 레코드의 레이아웃을 선언해야 합니다. 선언에서 이름이 지정된 필드에 고정 길이 목록 또는 가변 길이 목록으로 액세스할 수 있습니다.
TFRecord에서 읽기
def read_tfrecord(data):
features = {
# tf.string = byte string (not text string)
"image": tf.io.FixedLenFeature([], tf.string), # shape [] means scalar, here, a single byte string
"class": tf.io.FixedLenFeature([], tf.int64), # shape [] means scalar, i.e. a single item
"size": tf.io.FixedLenFeature([2], tf.int64), # two integers
"float_data": tf.io.VarLenFeature(tf.float32) # a variable number of floats
}
# decode the TFRecord
tf_record = tf.io.parse_single_example(data, features)
# FixedLenFeature fields are now ready to use
sz = tf_record['size']
# Typical code for decoding compressed images
image = tf.io.decode_jpeg(tf_record['image'], channels=3)
# VarLenFeature fields require additional sparse.to_dense decoding
float_data = tf.sparse.to_dense(tf_record['float_data'])
return image, sz, float_data
# decoding a tf.data.TFRecordDataset
dataset = dataset.map(read_tfrecord)
# now a dataset of triplets (image, sz, float_data)
유용한 코드 스니펫:
단일 데이터 요소 읽기
tf.io.FixedLenFeature([], tf.string) # for one byte string
tf.io.FixedLenFeature([], tf.int64) # for one int
tf.io.FixedLenFeature([], tf.float32) # for one float
고정된 크기의 요소 목록 읽기
tf.io.FixedLenFeature([N], tf.string) # list of N byte strings
tf.io.FixedLenFeature([N], tf.int64) # list of N ints
tf.io.FixedLenFeature([N], tf.float32) # list of N floats
가변적인 수의 데이터 항목 읽기
tf.io.VarLenFeature(tf.string) # list of byte strings
tf.io.VarLenFeature(tf.int64) # list of ints
tf.io.VarLenFeature(tf.float32) # list of floats
VarLenFeature는 희소 벡터를 반환하며, TFRecord를 디코딩한 후 추가 단계가 필요합니다.
dense_data = tf.sparse.to_dense(tf_record['my_var_len_feature'])
TFRecord에 선택사항 필드가 있을 수도 있습니다. 필드를 읽을 때 기본값을 지정하면 필드가 누락되었을 때 오류 대신 기본값이 반환됩니다.
tf.io.FixedLenFeature([], tf.int64, default_value=0) # this field is optional
학습한 내용
- 🤔 GCS에서 빠르게 액세스할 수 있도록 데이터 파일 샤딩
- ParDo TFRecord를 작성하는 방법 (구문을 잊어버리셨나요? 괜찮습니다. 이 페이지를 요약본으로 북마크에 추가하세요.
- 🤔 TFRecordDataset을 사용하여 TFRecords에서 데이터 세트 로드
잠시 시간을 내어 이 체크리스트를 머릿속에 살펴보세요.
6. [INFO] 신경망 분류 101
요약
다음 단락에서 굵게 표시된 모든 용어를 이미 알고 있는 경우 다음 실습으로 이동할 수 있습니다. 딥 러닝을 이제 막 시작했다면 환영하며, 계속 읽어 보시기 바랍니다.
레이어의 시퀀스로 빌드된 모델의 경우 Keras는 Sequential API를 제공합니다. 예를 들어 밀집 레이어 3개를 사용하는 이미지 분류기는 Keras로 다음과 같이 작성할 수 있습니다.
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=[192, 192, 3]),
tf.keras.layers.Dense(500, activation="relu"),
tf.keras.layers.Dense(50, activation="relu"),
tf.keras.layers.Dense(5, activation='softmax') # classifying into 5 classes
])
# this configures the training of the model. Keras calls it "compiling" the model.
model.compile(
optimizer='adam',
loss= 'categorical_crossentropy',
metrics=['accuracy']) # % of correct answers
# train the model
model.fit(dataset, ... )
고밀도 신경망
이는 이미지를 분류하는 가장 간단한 신경망입니다. 레이어로 배열된 '뉴런'으로 구성됩니다. 첫 번째 레이어는 입력 데이터를 처리하고 그 출력을 다른 레이어에 제공합니다. 각 뉴런이 이전 레이어의 모든 뉴런에 연결되어 있으므로 '조밀한' 계층이라고 합니다.
모든 픽셀의 RGB 값을 긴 벡터로 평면화하고 이를 입력으로 사용하여 이러한 네트워크에 이미지를 제공할 수 있습니다. 이미지 인식에 가장 적합한 기법은 아니지만 나중에 개선할 예정입니다.
뉴런, 활성화, RELU
'뉴런'은 모든 입력의 가중치가 적용된 합계를 계산하고, '편향'이라는 값을 추가하고, 이른바 '활성화 함수'를 통해 결과를 제공합니다. 가중치와 편향은 처음에는 알 수 없습니다. 신경망은 다수의 알려진 데이터로 신경망을 학습시켜 무작위로 초기화되고 '학습'됩니다.
가장 많이 사용되는 활성화 함수는 정류 선형 유닛의 RELU입니다. 위 그래프에서 볼 수 있듯이 매우 간단한 함수입니다.
소프트맥스 활성화
위의 네트워크는 꽃을 5가지 카테고리(장미, 튤립, 민들레, 데이지, 해바라기)로 분류하므로 5개 뉴런 레이어로 끝납니다. 중간 레이어의 뉴런은 클래식 RELU 활성화 함수를 사용하여 활성화됩니다. 하지만 마지막 레이어에서는 이 꽃이 장미나 튤립일 확률을 나타내는 0과 1 사이의 숫자를 계산하려고 합니다. 이를 위해 '소프트맥스'라는 활성화 함수를 사용하겠습니다.
벡터에 소프트맥스를 적용하는 방법은 각 요소의 지수를 취한 다음 벡터를 정규화하는 것입니다. 일반적으로 L1 norm(절대값의 합)을 사용하여 값이 합계 1이 되고 확률로 해석될 수 있도록 합니다.
교차 엔트로피 손실
이제 신경망이 입력 이미지에서 예측을 생성하므로 해당 이미지가 얼마나 좋은지 측정해야 합니다. 즉, 네트워크가 알려준 내용과 종종 '라벨'이라고 하는 정답 사이의 거리를 측정해야 합니다. 데이터 세트의 모든 이미지에 올바른 라벨이 지정되어 있습니다.
모든 거리가 작동하지만 분류 문제의 경우 '교차 엔트로피 거리'가 가장 효과적입니다. 이를 오류 또는 '손실' 함수라고 합니다.
경사하강법
신경망을 '학습'한다는 것은 실제로 학습 이미지와 라벨을 사용하여 가중치와 편향을 조정하여 교차 엔트로피 손실 함수를 최소화하는 것을 의미합니다. 작동 원리는 다음과 같습니다.
교차 엔트로피는 가중치, 편향, 학습 이미지의 픽셀 및 알려진 클래스의 함수입니다.
모든 가중치와 모든 편향에 대해 상대적인 교차 엔트로피의 편미분을 계산하면 주어진 이미지, 라벨, 가중치와 편향의 현재 값에 대해 계산된 '경사'를 얻게 됩니다. 수백만 개의 가중치와 편향이 있을 수 있으므로 기울기를 계산하려면 엄청난 노력이 필요합니다. 다행히 TensorFlow에서 이 작업을 대신해 줍니다. 그라데이션의 수학적 특성은 '위쪽'을 향한다는 것입니다. 교차 엔트로피가 낮은 곳으로 이동하려고 하므로 반대 방향으로 이동합니다. 가중치와 편향을 경사도의 일부로 업데이트합니다. 그런 다음 학습 루프에서 다음 학습 이미지 및 라벨 배치를 사용하여 동일한 작업을 반복해서 수행합니다. 교차 엔트로피가 최소가 되는 지점으로 수렴하기를 바라지만, 이 최솟값이 고유하다는 보장은 없습니다.
미니 배치 및 모멘텀
예시 이미지 한 개에 대해서만 경사를 계산하고 가중치와 편향을 즉시 업데이트할 수 있지만, 예를 들어 128개 이미지 배치에서는 그라데이션이 적용되어 서로 다른 예시 이미지가 주는 제약 조건을 더 잘 표현하는 그라데이션이 제공되므로 솔루션을 향해 더 빠르게 수렴할 수 있습니다. 미니 배치의 크기는 조정 가능한 매개변수입니다.
'확률적 경사하강법'이라고도 하는 이 기법에는 또 다른 실용적인 이점이 있습니다. 배치를 사용하면 더 큰 행렬로 작업하게 되며 일반적으로 GPU 및 TPU에서 더 쉽게 최적화할 수 있습니다.
하지만 수렴은 여전히 약간 혼란스러울 수 있으며 경사 벡터가 모두 0이면 멈출 수도 있습니다. 최솟값을 찾은 것인가요? 항상 그렇지는 않습니다. 그라데이션 구성요소는 최솟값이나 최댓값이 0일 수 있습니다. 수백만 개의 요소가 있는 기울기 벡터에서 모든 요소가 0인 경우 모든 0이 최솟값에 해당하고 최대 점에 해당하는 0이 없는 경우의 확률은 매우 작습니다. 여러 차원의 공간에서 안장점은 매우 일반적이며 여기서 멈추고 싶지 않습니다.
삽화: 안장점 경사는 0이지만 모든 방향에서 최솟값은 아닙니다. (이미지 저작자 표시 위키미디어: Nicoguaro님 작성 - 자체 제작, CC BY 3.0)
해결 방법은 최적화 알고리즘에 약간의 모멘텀을 추가하여 중단 없이 안장 지점을 지나갈 수 있도록 하는 것입니다.
용어집
배치 또는 미니 배치: 학습은 항상 학습 데이터 및 라벨의 배치에서 실행됩니다. 이렇게 하면 알고리즘이 수렴되는 데 도움이 됩니다. '배치' 측정기준은 일반적으로 데이터 텐서의 첫 번째 측정기준입니다. 예를 들어, 형태가 [100, 192, 192, 3] 인 텐서에는 픽셀당 3개의 값 (RGB)이 있는 192x192픽셀 이미지 100개가 포함됩니다.
교차 엔트로피 손실: 분류기에 자주 사용되는 특수한 손실 함수입니다.
밀집 레이어: 각 뉴런이 이전 레이어의 모든 뉴런과 연결되는 뉴런 레이어입니다.
특성: 신경망의 입력을 '특성'이라고도 합니다. 신경망에 입력하여 정확한 예측을 얻기 위해 데이터 세트의 어떤 부분(또는 부분 조합)을 사용할지 파악하는 기술을 '기능 엔지니어링'이라고 합니다.
라벨: 감독 분류 문제에서 '클래스' 또는 정답의 다른 이름
학습률: 학습 루프의 각 반복에서 가중치와 편향이 업데이트되는 경사의 비율입니다.
로지트: 활성화 함수가 적용되기 전의 뉴런 레이어의 출력을 '로지트'라고 합니다. 이 용어는 '로지스틱 함수'(일명 '시그모이드 함수')에서 유래한 것으로 가장 널리 사용되었던 활성화 함수였습니다. '로지스틱 함수 이전의 뉴런 출력'이 '로지트'로 축약되었습니다.
loss: 신경망 출력을 정답과 비교하는 오류 함수
뉴런: 입력의 가중 합계를 계산하고 편향을 더한 후 활성화 함수를 통해 결과를 제공합니다.
원-핫 인코딩: 클래스 5개 중 3개가 5개 요소로 구성된 벡터로 인코딩됩니다. 이때 세 번째 원-핫 인코딩은 1인 클래스만 제외하고 모두 0입니다.
relu: 정류 선형 유닛입니다. 뉴런에 많이 사용되는 활성화 함수입니다.
sigmoid: 예전에 인기가 있었고 특수한 경우에 여전히 유용한 다른 활성화 함수입니다.
softmax: 벡터에 작용하고, 가장 큰 구성요소와 다른 모든 구성요소 간의 차이를 늘리며, 벡터의 합계가 1이 되도록 정규화하여 확률 벡터로 해석할 수 있도록 하는 특수 활성화 함수입니다. 분류기의 마지막 단계로 사용됩니다.
Tensor: '텐서'는 행렬과 비슷하지만 임의의 차원을 사용합니다. 1차원 텐서는 벡터입니다. 2차원 텐서는 행렬입니다. 그러면 3, 4, 5개 이상의 차원이 있는 텐서를 가질 수 있습니다.
7. 전이 학습
이미지 분류 문제의 경우 밀집 레이어로는 충분하지 않을 수 있습니다. 컨볼루션 레이어와 이를 배열하는 다양한 방법에 대해 알아야 합니다.
하지만 바로가기를 사용할 수도 있습니다. 완전히 학습된 컨볼루셔널 신경망을 다운로드할 수 있습니다. 마지막 레이어인 소프트맥스 분류 헤드를 잘라 자체 레이어로 대체할 수 있습니다. 학습된 모든 가중치와 편향은 그대로 유지되며 추가하는 소프트맥스 레이어만 재학습합니다. 이 기법을 전이 학습이라고 하며, 신경망이 사전 학습된 데이터 세트가 내 데이터 세트에 '충분히 근접'하면 작동한다는 놀라운 사실이 있습니다.
실습
다음 노트북을 열고 셀을 실행(Shift-Enter)한 후 '작업 필요' 라벨이 표시되는 곳에서 안내를 따르세요.
Keras Flowers transfer learning (playground).ipynb
추가 정보
전이 학습을 사용하면 최고의 연구원들이 개발한 고급 컨볼루셔널 신경망 아키텍처와 방대한 이미지 데이터 세트에 대한 사전 학습을 모두 활용할 수 있습니다. 이 사례에서는 꽃에 가까울 정도로 많은 식물과 야외 장면을 포함하는 이미지 데이터베이스인 ImageNet에서 학습된 네트워크에서 전이 학습을 수행합니다.
예시: 이미 학습된 복잡한 컨볼루션 신경망을 블랙박스로 사용하여 분류 헤드만 다시 학습합니다. 이것이 전이 학습입니다. 이러한 복잡한 컨볼루션 레이어 배열이 작동하는 방식은 나중에 살펴봅니다. 현재 다른 사람의 문제가 있습니다.
Keras의 전이 학습
Keras에서는 tf.keras.applications.* 컬렉션에서 선행 학습된 모델을 인스턴스화할 수 있습니다. 예를 들어 MobileNet V2는 크기가 합리적으로 유지되는 매우 훌륭한 컨볼루셔널 아키텍처입니다. include_top=False를 선택하면 최종 softmax 레이어 없이 사전 학습된 모델을 가져와서 직접 추가할 수 있습니다.
pretrained_model = tf.keras.applications.MobileNetV2(input_shape=[*IMAGE_SIZE, 3], include_top=False)
pretrained_model.trainable = False
model = tf.keras.Sequential([
pretrained_model,
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(5, activation='softmax')
])
pretrained_model.trainable = False 설정도 확인합니다. 이렇게 하면 소프트맥스 레이어만 학습할 수 있도록 사전 학습된 모델의 가중치와 편향을 고정합니다. 이는 일반적으로 상대적으로 적은 가중치를 포함하며 매우 큰 데이터 세트를 필요로 하지 않고 신속하게 수행할 수 있습니다. 하지만 데이터가 많은 경우 pretrained_model.trainable = True를 사용하면 이전 학습이 더 효과적일 수 있습니다. 그러면 사전 학습된 가중치가 우수한 초기 값을 제공하며, 학습을 통해 문제에 더 적합하도록 조정할 수 있습니다.
마지막으로, 촘촘한 softmax 레이어 앞에 삽입된 Flatten() 레이어를 확인합니다. 밀집 레이어는 데이터의 평평한 벡터에서 작동하지만 선행 학습된 모델이 반환하는 것이 맞는지는 알 수 없습니다. 그것이 평탄화해야 하는 이유입니다. 다음 장에서는 컨볼루셔널 아키텍처를 자세히 살펴보면서 컨볼루셔널 레이어에서 반환하는 데이터 형식에 대해 설명하겠습니다.
이 접근 방식을 사용하면 75% 에 가까운 정확도를 달성할 수 있습니다.
해결 방법
다음은 솔루션 노트북입니다. 문제가 있을 때 사용할 수 있습니다.
Keras Flowers transfer learning (solution).ipynb
학습한 내용
- 🤔 Keras에서 분류기를 작성하는 방법
- 🤓 소프트맥스 마지막 레이어 및 교차 엔트로피 손실로 구성
- ❌ 전이 학습
- 🤔 첫 번째 모델 학습시키기
- 🧐 학습 중 손실과 정확성을 확인함
잠시 시간을 내어 이 체크리스트를 머리 속에서 한 번 살펴보세요.
8. [정보] 컨볼루셔널 신경망
요약
다음 단락에서 굵게 표시된 모든 용어를 이미 알고 있는 경우 다음 실습으로 이동할 수 있습니다. 컨볼루션 신경망을 처음 접하는 경우 계속 읽어 보세요.
그림: 각각 4x4x3=48의 학습 가능 가중치로 구성된 2개의 연속된 필터로 이미지를 필터링하고 있습니다.
Keras에서 간단한 컨볼루션 신경망은 다음과 같이 표시됩니다.
model = tf.keras.Sequential([
# input: images of size 192x192x3 pixels (the three stands for RGB channels)
tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu', input_shape=[192, 192, 3]),
tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=2),
tf.keras.layers.Conv2D(kernel_size=3, filters=12, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=2),
tf.keras.layers.Conv2D(kernel_size=3, filters=6, padding='same', activation='relu'),
tf.keras.layers.Flatten(),
# classifying into 5 categories
tf.keras.layers.Dense(5, activation='softmax')
])
model.compile(
optimizer='adam',
loss= 'categorical_crossentropy',
metrics=['accuracy'])
컨볼루셔널 신경망 기초
컨볼루션 네트워크의 레이어에서 하나의 '뉴런'은 이미지의 작은 영역에서만 그 바로 위에 있는 픽셀의 가중 합계를 계산합니다. 일반 밀집 레이어의 뉴런처럼 편향을 추가하고 활성화 함수를 통해 합계를 제공합니다. 그런 다음 동일한 가중치를 사용하여 전체 이미지에 걸쳐 이 작업을 반복합니다. 밀집 레이어에서 각 뉴런에는 고유한 가중치가 있다는 점을 기억하세요. 여기서 가중치의 단일 '패치'가 양방향으로 이미지를 가로질러 미끄러집니다('컨볼루션'). 출력에는 이미지의 픽셀 수만큼의 값이 있습니다. 하지만 가장자리에는 일부 패딩이 필요합니다. 4x4x3=48 가중치의 필터를 사용하는 필터링 작업입니다.
하지만 48개로는 충분하지 않습니다. 자유도를 더 추가하려면 새로운 가중치 집합으로 동일한 연산을 반복합니다. 그러면 새로운 필터 출력 세트가 생성됩니다. 입력 이미지의 R, G, B 채널과 유사하게 출력의 '채널'이라고 하겠습니다.
두 개 이상의 가중치 세트를 새 측정기준을 추가하여 하나의 텐서로 합산할 수 있습니다. 이렇게 하면 컨볼루션 레이어의 가중치 텐서의 일반 형식을 얻을 수 있습니다. 입력 및 출력 채널의 수가 매개변수이므로 컨볼루셔널 레이어를 스택하고 체이닝할 수 있습니다.
그림: 컨볼루션 신경망이 데이터 '큐브'를 다른 데이터 '큐브'로 변환합니다.
스트라이드 컨볼루션, 최대 풀링
2 또는 3의 스트라이드로 컨볼루션을 수행함으로써 결과로 생성되는 데이터 큐브를 수평 차원에서 축소할 수도 있습니다. 이를 수행하는 일반적인 방법에는 두 가지가 있습니다.
- 스트라이드 컨볼루션: 위와 같지만 스트라이드가 1보다 큰 슬라이딩 필터
- 최대 풀링: MAX 연산을 적용하는 슬라이딩 윈도우 (일반적으로 2x2 패치에서 2픽셀마다 반복됨)
그림: 컴퓨팅 기간을 3픽셀 슬라이드하면 출력 값이 감소합니다. 스트라이드 컨볼루션 또는 최대 풀링(2x2 창에서 2의 스트라이드로 슬라이딩하는 최대값)은 가로 측정기준에서 데이터 큐브를 축소하는 방법입니다.
온볼루셔널 분류기
마지막으로 마지막 데이터 큐브를 평면화하고 이를 조밀한 소프트맥스 활성화 레이어를 통해 전달하여 분류 헤드를 연결합니다. 일반적인 컨볼루셔널 분류기는 다음과 같습니다.
그림: 컨볼루션 및 소프트맥스 레이어를 사용하는 이미지 분류기 3x3 및 1x1 필터를 사용합니다. maxpool 레이어는 2x2 데이터 포인트 그룹의 최대 개수를 사용합니다. 분류 헤드는 소프트맥스 활성화가 있는 밀집 레이어로 구현됩니다.
Keras에서
위에서 설명한 컨볼루션 스택은 Keras에서 다음과 같이 작성할 수 있습니다.
model = tf.keras.Sequential([
# input: images of size 192x192x3 pixels (the three stands for RGB channels)
tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu', input_shape=[192, 192, 3]),
tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=2),
tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu'),
tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=2),
tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu'),
tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=2),
tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu'),
tf.keras.layers.Conv2D(kernel_size=1, filters=32, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=2),
tf.keras.layers.Conv2D(kernel_size=3, filters=16, padding='same', activation='relu'),
tf.keras.layers.Conv2D(kernel_size=1, filters=8, padding='same', activation='relu'),
tf.keras.layers.Flatten(),
# classifying into 5 categories
tf.keras.layers.Dense(5, activation='softmax')
])
model.compile(
optimizer='adam',
loss= 'categorical_crossentropy',
metrics=['accuracy'])
9. 맞춤 커널 네트워크
실습
컨볼루셔널 신경망을 처음부터 빌드하고 학습해 보겠습니다. TPU를 사용하면 매우 빠르게 반복할 수 있습니다. 다음 노트북을 열고 셀을 실행 (Shift-ENTER)한 다음 '작업 필요' 라벨이 표시될 때마다 안내를 따르세요.
Keras_Flowers_TPU (playground).ipynb
목표는 이전 학습 모델의 75% 정확도를 능가하는 것입니다. 이 모델은 3, 670개의 이미지만 있지만 수백만 개의 이미지 데이터 세트로 사전 학습을 진행했다는 장점이 있습니다. 최소한 일치시킬 수 있나요?
추가 정보
레이어는 몇 개이고 얼마나 큰가요?
레이어 크기 선택은 과학이라기보다는 예술에 가깝습니다. 매개변수 (가중치 및 편향)가 너무 적거나 너무 많을 경우 적절한 균형을 찾아야 합니다. 가중치가 너무 적으면 신경망이 꽃 모양의 복잡성을 표현할 수 없습니다. 이미지가 너무 많으면 학습 이미지를 전문으로 하고 일반화하지 못하는 등 '과적합'되기 쉽습니다. 매개변수가 많으면 모델 학습 속도도 느려집니다. Keras에서 model.summary() 함수는 모델의 구조와 매개변수 수를 표시합니다.
Layer (type) Output Shape Param #
=================================================================
conv2d (Conv2D) (None, 192, 192, 16) 448
_________________________________________________________________
conv2d_1 (Conv2D) (None, 192, 192, 30) 4350
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 96, 96, 30) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 96, 96, 60) 16260
_________________________________________________________________
...
_________________________________________________________________
global_average_pooling2d (Gl (None, 130) 0
_________________________________________________________________
dense (Dense) (None, 90) 11790
_________________________________________________________________
dense_1 (Dense) (None, 5) 455
=================================================================
Total params: 300,033
Trainable params: 300,033
Non-trainable params: 0
_________________________________________________________________
몇 가지 팁:
- '심층신경망'이 효과적인 이유는 여러 레이어가 있습니다. 이 간단한 꽃 인식 문제의 경우 5~10개의 레이어가 적합합니다.
- 작은 필터를 사용합니다. 일반적으로 3x3 필터는 모든 곳에 적합합니다.
- 1x1 필터도 사용할 수 있으며 가격이 저렴합니다. 실제로는 아무것도 '필터링'하지 않으며 채널의 선형 조합을 계산합니다. 실제 필터로 번갈아 보세요. (다음 섹션에서 '1x1 컨볼루션'에 관해 자세히 알아보세요.)
- 이와 같은 분류 문제의 경우 최대 풀링 레이어(또는 스트라이드가 1보다 큰 컨볼루션)를 사용하여 자주 다운샘플링합니다. 꽃이 어디에 있는지는 중요하지 않고 장미나 민들레일 뿐이므로 x와 y 정보를 잃는 것은 중요하지 않으며 작은 영역을 필터링하는 것이 더 저렴합니다.
- 필터 수는 일반적으로 네트워크 끝의 클래스 수와 비슷해집니다(이유는 아래의 '전체 평균 풀링' 트릭 참고). 수백 개의 클래스로 분류하는 경우 연속 레이어에서 필터 수를 점진적으로 늘립니다. 클래스가 5개인 꽃 데이터 세트의 경우 5개의 필터로만 필터링하는 것은 충분하지 않습니다. 대부분의 레이어에서 동일한 필터 수를 사용할 수 있습니다(예: 32). 끝으로 갈수록 필터 수를 줄입니다.
- 마지막 Dense 레이어는 비용이 많이 듭니다. 모든 컨볼루션 레이어를 합친 것보다 더 많은 가중치를 가질 수 있습니다. 예를 들어 마지막 데이터 큐브(24x24x10 데이터 포인트)의 매우 합리적인 출력값을 사용해도 100개 뉴런의 빽빽한 레이어에는 24x24x10x100=576,000개의 가중치가 필요합니다. 신중하게 생각하거나 전역 평균 풀링을 시도해 보세요(아래 참고).
전체 평균 풀링
컨볼루션 신경망의 끝에 비용이 많이 드는 고밀도 레이어를 사용하는 대신 수신되는 데이터 '큐브'를 클래스 수만큼 분할하고 값의 평균을 내고 이를 소프트맥스 활성화 함수를 통해 제공할 수 있습니다. 이 방식으로 분류 헤드를 빌드하는 방식에는 가중치가 없습니다. Keras의 구문은 tf.keras.layers.GlobalAveragePooling2D().입니다.
해결 방법
다음은 솔루션 노트북입니다. 문제가 있을 때 사용할 수 있습니다.
Keras_Flowers_TPU (solution).ipynb
학습한 내용
- 🤔 컨볼루션 레이어 사용
- 🤓 최대 풀링, 보폭, 전 세계 평균 풀링 등으로 실험했습니다.
- 😀 TPU의 실제 모델에 대해 빠르게 반복했습니다.
잠시 시간을 내어 이 체크리스트를 머리 속에서 한 번 살펴보세요.
10. [INFO] 최신 컨볼루션 아키텍처
요약
삽화: 컨볼루션 '모듈' 지금 가장 좋은 방법은 무엇인가요? max-pool 레이어 다음에 1x1 컨볼루셔널 레이어나 레이어의 다른 조합이 나오나요? 모두 시도한 후 결과를 연결하고 네트워크에서 결정하도록 합니다. 오른쪽: 이러한 모듈을 사용하는 'inception' 컨볼루션 아키텍처
Keras에서 데이터 흐름이 분기할 수 있는 모델을 만들려면 '기능적' 모델 스타일을 사용해야 합니다. 예를 들면 다음과 같습니다.
l = tf.keras.layers # syntax shortcut
y = l.Conv2D(filters=32, kernel_size=3, padding='same',
activation='relu', input_shape=[192, 192, 3])(x) # x=input image
# module start: branch out
y1 = l.Conv2D(filters=32, kernel_size=1, padding='same', activation='relu')(y)
y3 = l.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu')(y)
y = l.concatenate([y1, y3]) # output now has 64 channels
# module end: concatenation
# many more layers ...
# Create the model by specifying the input and output tensors.
# Keras layers track their connections automatically so that's all that's needed.
z = l.Dense(5, activation='softmax')(y)
model = tf.keras.Model(x, z)
기타 유용한 정보
작은 3x3 필터
이 그림에는 2개의 연속된 3x3 필터의 결과가 나와 있습니다. 결과에 기여한 데이터 포인트를 추적해 보세요. 이 두 개의 연속된 3x3 필터는 5x5 영역의 일부 조합을 계산합니다. 5x5 필터로 계산하는 것과 정확히 동일한 조합은 아니지만 연속으로 두 개의 3x3 필터가 단일 5x5 필터보다 저렴하기 때문에 시도해 볼 가치가 있습니다.
1x1 컨볼루션?
수학적으로 '1x1' 컨볼루션은 상수와 곱하는 것이며 그다지 유용한 개념은 아닙니다. 하지만 컨볼루셔널 신경망에서는 필터가 2D 이미지뿐만 아니라 데이터 큐브에도 적용된다는 점을 기억하세요. 따라서 '1x1' 필터는 1x1 데이터 열의 가중치 합계를 계산하며 (그림 참고) 데이터 위로 필터를 밀면 입력 채널의 선형 조합이 얻어집니다. 이는 실제로 유용합니다. 채널을 개별 필터링 작업의 결과로 생각해 보세요. 예를 들어 '뾰족한 귀' 필터, '수염' 필터, '눈꼬리 긴 눈' 필터가 있습니다. 그러면 '1x1' 컨볼루션 레이어는 이러한 기능의 가능한 선형 조합을 여러 개 계산하게 되며, 이는 '고양이'를 찾을 때 유용할 수 있습니다. 게다가 1x1 레이어는 더 적은 가중치를 사용합니다.
11. Squeezenet
아이디어를 합치는 간단한 방법이 'Squeezenet' 논문에 소개되어 있습니다. 저자는 1x1 및 3x3 컨볼루션 레이어만 사용하는 매우 간단한 컨볼루션 모듈 설계를 제안합니다.
그림: 'fire 모듈'을 기반으로 하는 스퀴즈넷 아키텍처 수직 차원에서 들어오는 데이터를 '압착'하는 1x1 레이어를 번갈아 가며 뒤에 2개의 평행한 1x1 및 3x3 컨볼루셔널 레이어가 돌아가며, 이 레이어는 데이터의 깊이를 다시 '확장'합니다.
실습
이전 노트북에서 계속 진행하여 스퀴즈넷에서 영감을 받은 컨볼루셔널 신경망을 빌드합니다. 모델 코드를 Keras '기능 스타일'로 변경해야 합니다.
Keras_Flowers_TPU (playground).ipynb
추가 정보
이 연습에서는 스퀴즈넷 모듈의 도우미 함수를 정의하는 것이 유용합니다.
def fire(x, squeeze, expand):
y = l.Conv2D(filters=squeeze, kernel_size=1, padding='same', activation='relu')(x)
y1 = l.Conv2D(filters=expand//2, kernel_size=1, padding='same', activation='relu')(y)
y3 = l.Conv2D(filters=expand//2, kernel_size=3, padding='same', activation='relu')(y)
return tf.keras.layers.concatenate([y1, y3])
# this is to make it behave similarly to other Keras layers
def fire_module(squeeze, expand):
return lambda x: fire(x, squeeze, expand)
# usage:
x = l.Input(shape=[192, 192, 3])
y = fire_module(squeeze=24, expand=48)(x) # typically, squeeze is less than expand
y = fire_module(squeeze=32, expand=64)(y)
...
model = tf.keras.Model(x, y)
이번에는 80% 의 정확성을 달성하는 것이 목표입니다.
시도해 볼 수 있는 작업
단일 컨볼루션 레이어로 시작한 다음 fire_modules를 사용하여 MaxPooling2D(pool_size=2) 레이어와 교대로 적용합니다. 네트워크에서 2~4개의 최대 풀링 레이어를 실험하고 최대 풀링 레이어 간에 연속으로 1, 2, 3개의 실행 모듈을 실험할 수 있습니다.
화재 모듈에서 'squeeze' 매개변수는 일반적으로 'expand' 매개변수보다 작아야 합니다. 이러한 매개변수는 실제로 필터 수입니다. 일반적으로 8에서 196까지 가능합니다. 네트워크를 통해 필터 수가 점진적으로 증가하는 아키텍처 또는 모든 실행 모듈에 동일한 수의 필터가 있는 간단한 아키텍처를 실험할 수 있습니다.
예를 들면 다음과 같습니다.
x = tf.keras.layers.Input(shape=[*IMAGE_SIZE, 3]) # input is 192x192 pixels RGB
y = tf.keras.layers.Conv2D(kernel_size=3, filters=32, padding='same', activation='relu')(x)
y = fire_module(24, 48)(y)
y = tf.keras.layers.MaxPooling2D(pool_size=2)(y)
y = fire_module(24, 48)(y)
y = tf.keras.layers.MaxPooling2D(pool_size=2)(y)
y = fire_module(24, 48)(y)
y = tf.keras.layers.GlobalAveragePooling2D()(y)
y = tf.keras.layers.Dense(5, activation='softmax')(y)
model = tf.keras.Model(x, y)
이 시점에서 실험이 잘 진행되지 않고 있고 80% 정확성 목표는 먼 것으로 보일 수 있습니다. 몇 가지 더 간단한 트릭을 알려드리겠습니다.
배치 정규화
Batch norm은 발생한 수렴 문제를 해결하는 데 도움이 됩니다. 다음 워크숍에서는 이 기법에 관해 자세히 설명합니다. 지금은 Fire_module 함수 내부의 레이어를 포함하여 네트워크의 모든 컨볼루셔널 레이어 뒤에 다음 줄을 추가하여 블랙박스 '매직' 도우미로 사용하세요.
y = tf.keras.layers.BatchNormalization(momentum=0.9)(y)
# please adapt the input and output "y"s to whatever is appropriate in your context
모멘텀 매개변수는 기본값인 0.99에서 0.9로 줄여야 합니다. 데이터 세트가 작기 때문입니다. 지금은 이 세부정보는 중요하지 않습니다.
데이터 증강
채도 변경의 좌우 플립과 같은 간단한 변환으로 데이터를 보강하면 몇 퍼센트 포인트가 더 추가됩니다.
tf.data.Dataset API를 사용하면 Tensorflow에서 아주 쉽게 할 수 있습니다. 데이터에 대한 새 변환 함수를 정의합니다.
def data_augment(image, label):
image = tf.image.random_flip_left_right(image)
image = tf.image.random_saturation(image, lower=0, upper=2)
return image, label
그런 다음 이를 최종 데이터 변환('학습 및 검증 데이터 세트', 함수 'get_batched_dataset' 셀)에서 사용합니다.
dataset = dataset.repeat() # existing line
# insert this
if augment_data:
dataset = dataset.map(data_augment, num_parallel_calls=AUTO)
dataset = dataset.shuffle(2048) # existing line
데이터 증강을 선택사항으로 설정하고 학습 데이터 세트만 증강되도록 필요한 코드를 추가해야 합니다. 검증 데이터 세트를 늘리는 것은 의미가 없습니다.
이제 35 에포크에서 80% 정확성을 달성할 수 있습니다.
해결 방법
다음은 솔루션 노트북입니다. 문제가 있을 때 사용할 수 있습니다.
Keras_Flowers_TPU_squeezenet.ipynb
학습한 내용
- 🤔 Keras '기능 스타일' 모델
- 🤓 Squeezenet 아키텍처
- 🤓 tf.data.datset를 사용한 데이터 증강
잠시 시간을 내어 이 체크리스트를 머릿속에 살펴보세요.
12. Xception 미세 조정
분리 가능한 컨볼루션
최근 컨볼루셔널 레이어를 구현하는 다른 방법이 인기를 얻고 있으며, 바로 깊이 분리 가능한 컨볼루션입니다. 한마디씩 하는 말이지만 개념은 매우 간단합니다. 이는 Tensorflow 및 Keras에서 tf.keras.layers.SeparableConv2D로 구현됩니다.
분리 가능한 컨볼루션은 이미지에 필터를 실행하지만 입력 이미지의 각 채널에 고유한 가중치 세트를 사용합니다. '1x1 컨볼루션'이 뒤따르며, '1x1 컨볼루션'은 필터링된 채널의 가중치 합계를 구하는 일련의 내적입니다. 매번 새로운 가중치를 사용하면 채널의 가중치가 적용된 재조합이 필요한 만큼 계산됩니다.
그림: 분리 가능한 컨볼루션. 1단계: 채널마다 별도의 필터가 있는 컨볼루션 2단계: 채널의 선형 재조합 원하는 출력 채널 수에 도달할 때까지 새로운 가중치 세트로 반복합니다. 1단계도 매번 새로운 가중치로 반복할 수 있지만 실제로는 거의 그렇지 않습니다.
분리 가능한 컨볼루션은 최신 컨볼루션 네트워크 아키텍처인 MobileNetV2, Xception, EfficientNet에서 사용됩니다. 참고로 MobileNetV2는 이전에 전이 학습에 사용한 것입니다.
일반 컨볼루션보다 저렴하며 실제로 동일하게 효과가 있는 것으로 확인되었습니다. 다음은 위 예시의 가중치 수입니다.
컨볼루션 레이어: 4 x 4 x 3 x 5 = 240
분리 가능한 컨볼루셔널 레이어: 4 x 4 x 3 + 3 x 5 = 48 + 15 = 63
각 스타일의 컨볼루셔널 레이어 스케일 스타일을 비슷한 방식으로 적용하는 데 필요한 곱셈의 개수를 계산하는 것은 독자가 연습해야 합니다. 분리 가능한 컨볼루션은 더 작고 계산상 훨씬 더 효율적입니다.
실습
'전이 학습' 플레이그라운드 노트북에서 다시 시작하지만 이번에는 선행 학습된 모델로 Xception을 선택합니다. Xception은 분리 가능한 컨볼루션만 사용합니다. 모든 가중치를 학습 가능하도록 둡니다. 우리는 선행 학습된 레이어를 사용하는 대신 데이터에 대해 선행 학습된 가중치를 미세하게 조정할 것입니다.
Keras Flowers transfer learning (playground).ipynb
목표: 정확성 95% 초과(실제로 가능합니다!)
이 연습은 마지막 연습이므로 코드와 데이터 과학 작업이 조금 더 필요합니다.
미세 조정에 대한 추가 정보
Xception은 tf.keras.application.*의 선행 학습된 표준 모델에서 사용할 수 있습니다. 이번에는 모든 가중치를 학습 가능한 상태로 두는 것을 잊지 마세요.
pretrained_model = tf.keras.applications.Xception(input_shape=[*IMAGE_SIZE, 3],
include_top=False)
pretrained_model.trainable = True
모델을 미세 조정할 때 좋은 결과를 얻으려면 학습률에 주의를 기울이고 적응 기간이 있는 학습률 일정을 사용해야 합니다. 다음 행을 추가하면 됩니다.
표준 학습률부터 시작하면 모델의 사전 학습된 가중치가 중단됩니다. 시작하면 모델이 합리적인 방식으로 데이터를 수정할 수 있을 때까지 점진적으로 보존됩니다. 램프 이후에는 학습률을 일정하게 유지하거나 기하급수적으로 감소하는 학습률을 계속 유지할 수 있습니다.
Keras에서 학습률은 각 에포크에 적절한 학습률을 계산할 수 있는 콜백을 통해 지정됩니다. Keras는 각 에포크의 옵티마이저에 올바른 학습률을 전달합니다.
def lr_fn(epoch):
lr = ...
return lr
lr_callback = tf.keras.callbacks.LearningRateScheduler(lr_fn, verbose=True)
model.fit(..., callbacks=[lr_callback])
해결 방법
다음은 솔루션 노트북입니다. 문제가 있을 때 사용할 수 있습니다.
07_Keras_Flowers_TPU_xception_fine_tuned_best.ipynb
학습한 내용
- 🤔 깊이 분리 가능 합성곱
- 🤓 학습률 일정
- 😈 선행 학습된 모델 미세 조정
잠시 시간을 내어 이 체크리스트를 머리 속에서 한 번 살펴보세요.
13. 축하합니다.
최초의 최신 컨볼루셔널 신경망을 빌드하고 90% 이상의 정확도로 학습시켰습니다. TPU 덕분에 단 몇 분 만에 연속적인 학습 실행을 반복했습니다.
실제 TPU 사용
TPU 및 GPU는 Google Cloud의 Vertex AI에서 사용할 수 있습니다.
마지막으로 YouTube는 여러분의 의견을 환영합니다. 이 실습에서 부족한 부분이 있거나 개선이 필요하다고 생각되는 부분이 있으면 알려 주세요. 의견은 GitHub 문제[의견 링크]를 통해 제공할 수 있습니다.
|
|
