이미지 분류 모델을 생성할 때 Flatten 사용하는 이유, 실습 예제

이미지 분류 모델을 생성할 때 Flatten 라이브러리 사용하는 이유

예를 들어 28 X 28 크기의 GrayScale 인 이미지가 있다고 하자.

이 이미지의 카테고리를 분류하는 모델을 만들려고 하면 인풋레이어에 

28 X 28 개 즉 784개 의 노드가 필요하다. 그러므로 28개의 행, 28개의 열로 되어있는 모양을

Flatten 라이브러리를 통해 784개의 열로 되어있는 형태로 바꿔야 한다.

 

이미지 분류 모델 생성 예제

# 트레이닝 이미지의 shape은  (28,28) 이다.
>>> training_images[0].shape
(28, 28)

import tensorflow as tf

# 빈 틀을 만든다.
model = tf.keras.models.Sequential()
# 인풋으로 들어오는 데이터를 flatten (1차원으로 변경)해준다.
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(128, 'relu'))
# 3개 이상의 분류 문제 Output Layer activation func -> softmax
model.add(tf.keras.layers.Dense(10, 'softmax'))

# 2개 분류의 문제일 때는, 로스 펑션을 binary_crossentropy
# 3개 이상의 분류의 문제일 때는? 2가지 경우가 있다.
# 첫번째 경우, y의 값이 레이블 인코딩으로 되어있는 경우 : sparse_categorical_crossentropy
# 두번째 경우, y의 값이 원 핫 인코딩으로 되어있는 경우 : categorical_crossentropy
model.compile(optimizer = 'adam', loss = 'sparse_categorical_crossentropy', 
				metrics = ['accuracy'])