3.4.MNIST_CNN

MNIST image classification : Convolutional Neural Network (CNN)

앞선 MLP로 이미지 분류를 수행했던 예제를 합성곱 신경망 (Convolutional Neural Network)로 바꿔 학습/추론하는 예제입니다.

---

Network & Training

model = CNN().to(DEVICE)

네트워크 구조가 MLP에서 CNN으로 변경된 MNIST_Network.py를 살펴보죠.

핵심적인 부분만 살펴보면,

self.keep_prob = 0.5

학습시 dropout을 적용할 변수를 할당합니다.

self.layer1 = torch.nn.Sequential(
    torch.nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1),
    torch.nn.ReLU(),
    torch.nn.MaxPool2d(kernel_size=2, stride=2))

Convolutional layer를 구현하는 부분입니다. torch.nn.Sequential은 내부의 것들을 순차적으로 적용하라는 의미입니다.

conv -> ReLU -> Max pool을 적용하겠다는 의미네요. layer1, 2, 3은 비슷하므로 설명은 생략하겠습니다.

다만 in-out channel수에 유의해주세요!

self.fc1 = torch.nn.Linear(4 * 4 * 128, 625, bias=True)

self.layer4 = torch.nn.Sequential(
    self.fc1,
    torch.nn.ReLU(),
    torch.nn.Dropout(p=1 - self.keep_prob))

self.fc2 = torch.nn.Linear(625, 10, bias=True)

conv1, conv2, conv3까지 적용하고 나면 feature map의 크기가 4 x 4x 128형태가 됩니다. 이를 일반적인 CNN기반 이미지 분류에 사용하려면 FCL을 이용해 1-D형태의 텐서로 펴 주어야 합니다.

layer4의 순서대로 fc1으로 피쳐맵 펴주기, ReLU, Dropout을 적용하고, 마지막으로 fc2로 총 10개의 클래스로 분류하기 위해 FCL을 한차례 더 적용해줍니다.

orch.nn.init.xavier_uniform_(self.fc1.weight)

중간에 있는 torch.nn.init.xavier_uniform_은 네트워크의 weights를 임의로 초기화 하지 말고, 자비에 초기화 하라는 의미입니다.

def forward(self, x):
    x = self.layer1(x)
    x = self.layer2(x)
    x = self.layer3(x)
    x = x.view(x.size(0), -1)
    x = self.layer4(x)
    out = self.fc2(x)
    return out

forward에서 실질적인 네트워크의 흐름을 살펴보면

input image x에 conv1, conv2, conv3로 피쳐맵을 뽑아내고, 이를 x.view를 이용하여 Flatten해줍니다.

Flatten한 결과를 layer4에 넣어 FCL을 통과하게 하고 마지막으로 fc를 통해 총 10개의 클래스별 예측값을 반환하도록 합니다.

---

Inference

FIRST.pth  : Accuracy 9.92 %
MIDDLE.pth  : Accuracy 98.78 %
LAST.pth  : Accuracy 99.39 %

결과를 확인해 보니 큰 차이는 아니지만, MLP보다는 약간이나마 CNN이 좋은 결과를 주네요!

물론, 서로 충분한 형태로 네트워크를 구성한 것은 아니기에 직접적인 비교는 어렵지만요!