Tensorflow Chapter 7. CNN

Chapter 7-8. CNN

이번 강의에서는 cnn을 공부했다. dimension 때문에 한참 다시 봤던 것 같다. 아직도 완벽히 이해하지 못했다. cs231n 강의를 봐야 cnn에 대한 이해도가 좀 높아질것 같다.

텐서에 대한 차원만 이해해도 반은 이해할 것 같다. 왜 None으로 선언을 하는지 reshape에 -1은 무엇인지 이런 것들에 대한 해답을 찾는데 시간을 다 써버렸다. 이 두개를 통해 깨달은 것은 텐서플로우는 똑똑한 라이브러리라는 것이다. reshape에서 -1은 행렬에 맞게 나머지 차원을 알아서 잡아주고 placeholder에서 None도 나머지 행렬만 맞으면 알아서 넣어준다.

import tensorflow as tf
from PIL import Image

IMAGE_PATH = '../data/Face00001.png'
LABEL_PATH = '../data/Label.csv'
IMAGE_LIST = [ IMAGE_PATH ]
LABEL_LIST = [ LABEL_PATH ]
IMAGE_WIDTH = 49
IMAGE_HEIGHT = 61

label_queue = tf.train.string_input_producer(LABEL_LIST)
image_queue = tf.train.string_input_producer(IMAGE_LIST)

reader_csv = tf.TextLineReader()
reader_image = tf.WholeFileReader()

label_key, label_value = reader_csv.read(label_queue)
key, value = reader_image.read(image_queue)

image_decoded = tf.image.decode_png(value)
label_decoded = tf.decode_csv(label_value,record_defaults = [[0]])

x = tf.cast(image_decoded, tf.float32)
y_ = tf.cast(label_decoded, tf.float32)
y_ = tf.reshape(y_, [-1,1])

w1 = tf.Variable(tf.truncated_normal([5,5,1,32]))
b1 = tf.Variable(tf.zeros([32]))
x_image = tf.reshape(x, [-1, IMAGE_WIDTH, IMAGE_HEIGHT,1])
conv1 = tf.nn.conv2d(x_image, w1, strides=[1,1,1,1], padding = 'SAME')
h1 = tf.nn.relu(conv1 + b1)

w2 = tf.Variable(tf.truncated_normal([5,5,32,64]))
b2 = tf.Variable(tf.truncated_normal([64]))
conv2 = tf.nn.conv2d(h1, w2, strides=[1,1,1,1], padding="SAME")
h2 = tf.nn.relu(conv2 + b2)

h_flat = tf.reshape(h2, [-1, 49*61*64])
fc_w = tf.Variable(tf.truncated_normal([49*61*64, 10]))
fc_b = tf.Variable(tf.zeros([1]))
fc1 = tf.nn.relu(tf.matmul(h_flat, fc_w) + fc_b)

W_out = tf.Variable(tf.truncated_normal([10,1]))
b_out = tf.Variable(tf.zeros([1]))

pred = tf.matmul(fc1, W_out) + b_out
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(pred, y_))
train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)
correct_prediction =  tf.equal(tf.argmax(pred,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    init = tf.initialize_all_variables()
    sess.run(init)
    coord = tf.train.Coordinator()
    thread = tf.train.start_queue_runners(sess=sess,coord=coord)

    for i in range(10): 
        _, cost, acc = sess.run([train_step,loss, accuracy])
        print cost
        print acc

    coord.request_stop()
    coord.join(thread)