4주차 과제

[GirinMan]

네 번째 과제: 최신 모델과 Transfer Learning의 효과 분석

회합 자료 링크: https://github.com/HanyangTechAI/2023-Deep-Learning-Study/issues/1#issuecomment-1497256534

• 이번에는 다른 사람들이 먼저 학습시켜놓은 최신 모델 구조를 사용하여 Fashion MNIST 분류를 수행하는 모델을 만들어 봅시다!
• 노트북 실행 방법은 지난 회합 자료 마지막 부분을 참고하세요.

Colab Python 노트북을 사용한 모델 학습 코드 구성하기

fashion_mnist_cnn.ipynb

• Google 계정 로그인 후 colab에 접속해서 현재 레포지토리의 /Week4/fashion_mnist_cnn.ipynb노트북을 실행해보면서 아래와 같은 단계로 과제를 진행해 주세요.
• 기존 모델 학습 코드를 동일하게 활용해도 좋고, 모델을 더 잘 학습시키기 위한 아이디어가 있다면 반영해도 좋아요!

Step 1. 예시 노트북을 실행해보며 CNN 모델로 Fashion MNIST 튜닝하기

• Fashion MNIST 데이터를 분류하기 위한 CNN 모델을 정의하고, 학습 및 평가 과정을 살펴봅시다.

Step 2. MobileNet의 Fashion MNIST 분류 문제 transfer learning 효과 분석

• 다양한 이미지의 특성을 추출하고 카테고리를 분류할 수 있는 MobileNet의 능력을 이용하여, Fashion MNIST를 분류하는 모델을 학습시켜 봅시다.
• MobileNet에 사전 학습된 파라미터를 불러오지 않고, 이전처럼 빈 모델로 같은 task를 튜닝했을 때 어떻게 평가 결과가 달라지는지(test acc, loss 등)를 비교해 주세요.
• 힌트: MobileNet 모델을 torchvision으로 불러올 때, weights에 어떤 값을 지정하느냐에 따라 사전 학습된 파라미터를 불러올지 말지 선택할 수 있어요.

from torchvision.models.mobilenet import mobilenet_v2

# weights 옵션을 통해 빈 모델만 불러오거나
# 사전학습된 파라미터를 불러오는 것 중 선택 가능
model = mobilenet_v2(weights=True) # weights=False일 경우 빈 모델을 불러옴

# Fashion MNIST의 class 개수만큼 출력하도록 output layer 변형
model.classifier[1] = torch.nn.Linear(in_features=model.classifier[1].in_features, out_features=10)
model.to(device)

[GirinMan]

과제 제출 예시 내용은 꼭 아래처럼 할 필요 없이 조별로 자유롭게 쓰시면 됩니다!

0조

Fashion MNIST 학습 결과

1. Feed forward network(3주차 과제 결과)

• Train accuarcy: 00%
• Test accuracy: 00%

2. CNN + MaxPool

• Train accuarcy: 00%
• Test accuracy: 00%

4. MobileNet(with pretrained weights)

• Train accuarcy: 00%
• Test accuracy: 00%

5. MobileNet(without pretrained weights)

• Train accuarcy: 00%
• Test accuracy: 00%

결과 분석

• 학습 결과 분류 성능이 가장 뛰어난 모델 아키텍쳐는 어떤 것이었나요?
• MobileNet 구조에 사전 학습된 파라미터를 불러오는 것은 어떤 결과를 가져왔나요?
• 기타 분류 성능을 높이기 위한 여러 도전들(하이퍼파라미터 튜닝 등)이 있다면 공유해주세요~!!

[YUNHYUNWOO]

3조

1. CNN + MAXPOOL

좋은 결과를 위해 out-chanel과 inchanel의 개수를 조정했습니다.

90%라는 좋은 test accuracy를 얻을 수 있었습니다.

2. MobileNet (with pretrained weights) ng) 미리 학습된 가중치를 사용하니 CNN의 결과보다 더욱 좋은 결과를 얻을 수 있었습니다.

3. MobileNet (without pretrained weights) 가중치를 없이 학습을 한 모델은 과적합되어 낮은 test accuracy를 보였습니다.

[Ahngab]

1조 딥러닝 스터디 과제

2. CNN + Max pooling Train Accuracy: 92.33% Test Accuracy: 85.52%
3. MobileNet Train Accuracy: 92.79% Test Accuracy: 85.56%

[t2easure]

Fashion MNIST 학습 결과

1. Feed forward network (3주차 과제 결과) Train accuracy : 87.58% Test accuracy : 85.84%

2. CNN + MaxPool Train accuracy: 89.45% Test accuracy: 88.11%

   

3. MobileNet(with pretrained weights) Train accuracy: 97.62% Test accuracy: 92.30%

   

4. MobileNet(with pretrained weights) Train accuracy: 94.14% Test accuracy: 85.72%

   

5. 결과 분석

   • MobileNet 구조에 사전 학습된 파라미터를 불러오는 것이 정확도를 더 높이는 결과를 불러일으켰다.

• MobileNet 구조에 사전 학습된 파라미터를 불러오는 코드에 기존 epoch의 수를 20으로 늘렸다.

Train accuracy: 98.88% Test accuracy: 92.82%

-

[JOHAJUN]

딥러닝스터디 5조

1. Feed forward network(3주차 과제 결과)

2. CNN + MaxPool

3. MobileNet(with pretrained weights)

4. MobileNet(without pretrained weights)

결과 분석

train accuray 하고 test accuracy 둘 다 사전 학습된 파라미터를 가져온 mobile net이 제일 높습니다. train accuray, test accuracy 사이의 차이가 가장 큰 모델은 가중치가 없는 mobilenet입니다.

[ymnseol]

4조

Fashion MNIST 학습 결과

1. Feed forward network(3주차 과제 결과)

   • Train accuarcy: 89.19%
   • Test accuracy: 86.83%

2. CNN + MaxPool

   • 김율희
   • Train accuarcy: 91.34%
   • Test accuracy: 90.02%
   • 설유민
   • Train accuracy: 89.31%
   • Test accuracy: 88.10%

3. MobileNet(with pretrained weights)
   • 김율희
   • Train accuarcy: 97.58%
   • Test accuracy: 92.43%
   • 설유민
   • Train accuarcy: 97.59%
   • Test accuracy: 92.44%

4. MobileNet(without pretrained weights)
   • 김율희
   • Train accuarcy: 94.56%
   • Test accuracy: 88.11%
   • 설유민
   • Train accuarcy: 93.47%
   • Test accuracy: 85.40%

결과 분석

• 학습 결과 분류 성능이 가장 뛰어난 모델 아키텍쳐는 어떤 것이었나요?
  • MobileNet(with pretrained weights)
• MobileNet 구조에 사전 학습된 파라미터를 불러오는 것은 어떤 결과를 가져왔나요?
  • 사전 학습된 파라미터를 불러오는 것이 분류 성능을 더 높여주었다.
• 기타 분류 성능을 높이기 위한 여러 도전들(하이퍼파라미터 튜닝 등)이 있다면 공유해주세요~!!
  • Pre-trained weights를 불러오고 dimension에 변경이 있는 classifier만 제외하고 freeze를 해서 모델 학습을 시도했는데, 학습에 걸리는 시간은 아주 조금 줄어들었지만 accuracy는 너무 많이 깎였습니다 :(

[twkang43]

강태욱

Fashion MNIST 학습결과

1. Feed foward network(3주차 과제 결과)

Train accuracy: 88.35% Test accuracy: 86.41%

2. CNN + MaxPool

3주차 과제에 사용한 neural network(Dropout, PReLU)를 사용하였다. Train accuracy: 92.12% Test accuracy: 89.96%

3. MobileNet(with pretrained weights)

Train accuracy: 97.72% Test accuracy: 91.97%

4. MobileNet(without pretrained weights)

Train accuracy: 93.51% Test accuracy: 85.35%

5. 결과분석

• 학습 결과 분류 성능이 가장 뛰어난 모델 아키텍쳐는 어떤 것이었나요?
  • MobileNet with pretrained weights
• MobileNet 구조에 사전 학습된 파라미터를 불러오는 것은 어떤 결과를 가져왔나요?
  • 사전 학습된 파라미터를 통해 분류의 정확도를 더 향상시킬 수 있었다. 또한, 같은 정확도를 기준으로 사전 데이터가 있는 경우 더 빨리 모델을 학습시킬 수 있었다.
• 기타 분류 성능을 높이기 위한 여러 도전들(하이퍼파라미터 튜닝 등)이 있다면 공유해주세요~!!
  • MobileNet with pretrained weights에서 train의 epoch를 20으로 늘리니 더 높은 정확도를 보였습니다.
  • Train accuracy: 99.08%
  • Test accuracy: 92.43%
  • 

[mnxcv]

임세훈

Fashion MNIST 학습 결과

1. Feed Forward Network

결과

Train accuracy: 90.69%
Test accuracy: 87.87%

2. CNN + MaxPool

코드

model = nn.Sequential(
    nn.Conv2d(in_channels=1, out_channels=64, kernel_size=5, stride=1, padding="valid"),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2),
    nn.Conv2d(in_channels=64, out_channels=256, kernel_size=5, stride=1, padding="valid"),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2),
    nn.Flatten(),
    nn.Linear(in_features=4*4*256, out_features=512),
    nn.ReLU(),
    nn.Linear(in_features=512, out_features=10)
)

변경점

• In/Out Channels 값 변경
• Epoch값 $15$로 변경

  결과

  Train accuracy: 96.06%
  Test accuracy: 91.67%

$\rightarrow$ Feed Forward Network 보다 약 4% 향상

3. MobileNet(with pretrained weights)

코드

from torchvision.models.mobilenet import mobilenet_v2

# weights 옵션을 통해 빈 모델만 불러오거나
# 사전학습된 파라미터를 불러오는 것 중 선택 가능
model = mobilenet_v2(weights=True)

# Fashion MNIST의 class 개수만큼 출력하도록 output layer 변형
model.classifier[1] = torch.nn.Linear(in_features=model.classifier[1].in_features, out_features=10)
_ = model.to(device)

결과

Train accuracy: 98.62%
Test accuracy: 92.27%

$\rightarrow$ CNN + MaxPool 보다 약 0.6% 향상

4. MobileNet(without pretrained weights)

코드

from torchvision.models.mobilenet import mobilenet_v2

# weights 옵션을 통해 빈 모델만 불러오거나
# 사전학습된 파라미터를 불러오는 것 중 선택 가능
model = mobilenet_v2(weights=False)

# Fashion MNIST의 class 개수만큼 출력하도록 output layer 변형
model.classifier[1] = torch.nn.Linear(in_features=model.classifier[1].in_features, out_features=10)
_ = model.to(device)

결과

Train accuracy: 95.53%
Test accuracy: 86.43%

$\rightarrow$ Pretrained Weights를 사용한 경우보다 약 6% 저하

결과 분석

Accuracy : 
MobileNet without pretrained weights < Feed Forward < 
CNN + MaxPool < MobileNet with pretrained weights

• 사전학습 가중치를 불러온 MobileNet의 성능이 가장 좋았다.
• 가중치를 불러오지 않은 경우 정확도가 크게 저하됨을 알 수 있었다.

사용한 Colab Notebook 주소는 여기에서 확인할 수 있습니다.

[KangMeanWoo]

강민우

Fashion MNIST 학습 결과

1. Feed forward network(3주차 과제 결과)

Train accuracy: 94.21% Test accuracy: 89.20%

2. CNN + MaxPool

   
   from torch import nn

model = nn.Sequential( nn.Conv2d(in_channels=1, out_channels=64, kernel_size=5, stride=1, padding="valid"), nn.ReLU(), nn.MaxPool2d(kernel_size=2), nn.Conv2d(in_channels=64, out_channels=64, kernel_size=5, stride=1, padding="valid"), nn.ReLU(), nn.MaxPool2d(kernel_size=2), nn.Flatten(), nn.Linear(in_features=4464, out_features=128), nn.ReLU(), nn.Linear(in_features=128, out_features=10) )

out_channels와 in_channels를 살짝 바꾸었고 epoch도 30으로 늘렸습니다.

Train accuracy: 94.44%
Test accuracy: 91.07%

1번과 비교했을 때 Train accuracy는 비슷하지만 Test accuracy가 더 높아졌으므로 overfitting이 줄었다고 볼 수 있을 것 같습니다.

3. MobileNet(with pretrained weights)

Train accuracy: 99.34%
Test accuracy: 92.31%

4. MobileNet(without pretrained weights)

Train accuracy: 98.12%
Test accuracy: 87.17%

**결과 분석**

학습 결과 분류 성능이 가장 뛰어난 모델은 4번 모델이였습니다. 파라미터를 불러오는 것이 훨씬 더 높은 Test accuracy가 나타났습니다.

[DHki]

김동하

1. CNN + Max Pooling

사용한 모델은 아래와 같은 모델입니다!

model = nn.Sequential(
    nn.Conv2d(in_channels=1, out_channels=64, kernel_size=3, padding='same'),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2, stride=2),

    nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, padding='same'),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2, stride=2),

    nn.Flatten(),

    nn.Linear(7 * 7 * 128, 64),
    nn.ReLU(),
    nn.Linear(64, 10)
)

model = model.to(dev)
loss_function = nn.CrossEntropyLoss().to(dev)
optimizer = optim.Adam(model.parameters(), lr=.01)

optimizer를 Adam으로 설정했고, 필터의 개수를 128개까지 만들어봤습니다.
결과는 아래와 같습니다.

이전 과제의 모델의 정확도는 86%인 걸 감안했을 때, 약 5% 가량 정확도가 상승했습니다.

2. MobileNet(with pretrained parameters)

사용한 모델은 아래와 같습니다.

mobileNet = torchvision.models.mobilenet_v2(pretrained=True)
mobileNet.features[0][0] = nn.Conv2d(1, 32, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
mobileNet.classifier[-1] = nn.Linear(1280, 10)
#mobileNet.classifier.append(nn.Linear(1000,10))

mobileNet = mobileNet.to(dev)

loss_function = nn.CrossEntropyLoss().to(dev)
optimizer = optim.Adam(mobileNet.parameters(), lr=.001)

모델을 15회 학습시킨 뒤의 정확도는 아래와 같습니다.

3. MobileNet(without pretrained parameters)

사용한 모델은 아래와 같습니다.

mobileNet = torchvision.models.mobilenet_v2(pretrained=False)
mobileNet.features[0][0] = nn.Conv2d(1, 32, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
mobileNet.classifier[-1] = nn.Linear(1280, 10)
#mobileNet.classifier.append(nn.Linear(1000,10))

mobileNet = mobileNet.to(dev)

loss_function = nn.CrossEntropyLoss().to(dev)
optimizer = optim.Adam(mobileNet.parameters(), lr=.001)

모델을 10회 학습시킨 뒤의 정확도는 아래와 같습니다.