모델 선정을 위한 모델 테스트 #16
Description
모델 선정 기준
기준
- 접근성 : 모델의 정보를 많이 얻을 수 있는가?
- 정확도 : 현 데이터와 쌓은 계층으로 어떤 모델이 더 나은 정확도를 보여주는가?
- 선정 기준 추가 : 텀 프로젝트와 같은 한식 데이터 셋으로 더 성능이 나은 모델을 분석한 논문: 한식 이미지 분류에서의 미리 학습 된 컨볼루셔널 뉴럴 네트워크 간 성능 비교 분석을 발견하여 참고하여 선정
1. DenseNet 82.17%
2. ResNet 81.05%
3. GoogLeNet 78.38%
4. VGGNET 33.43%
1차 선정 (접근성)
접근성 선정 방법
1. 딥러닝에 검색했을 때 많이 나오는 모델
2. keras 라이브러리에 삽입되어있는 모델
3. 추가 가산점 : tensorflow hub에 있는 모델
접근성을 기준으로 하여 선정된 모델 후보
- ResNet
- GoogleNet ~ Inception V3
- Xception : 대규모 학습에 어울리는 모델이기에 탈락 + tf hub에 없음
- Mobilenet
- Densnet : tf hub에 없기에 탈락
- VGGNet : 성능이 낮아 탈락
1차 선정된 모델
- ResNet, Inception V3, Mobilenet
2차 선정 (정확도)
정확도 선정 방법
- tensorflow hub에 학습된 모델이 있는 경우(pre training으로 정확도 향상과 학습 속도 향상)
- 모델 테스트를 통한 분석
- 코랩에서 학습으로 통한 정확도 비교
- 텐서보드를 통한 정확도 비교
모델 선정을 위한 정확도 비교
모델 테스트에서 사용된 명세
- 입력 데이터 : food small data (30의 클래스, 클래스 당 300장)
- pre-training (feature extraction) 사용
| Pre_training Model | ResNet | Inception V3 | Mobilenet |
|---|---|---|---|
| 학습 데이터 | ImageNet | = | = |
| FC | Dens(30, softmax) | = | = |
| epoch | 1 | = | = |
| learning_rate | 0.01 | = | = |
| step | 282 | = | = |
| Gradient | Adam | = | = |
| Loss | categorical entropy | = | = |
| Acc | 0.8214 | 0.6962 | 0.7143 |
모델 선정
ResNet으로 선정
- 유명한 모델이기에 접근성이 높고, 사용하는 라이브러리에 내장되어 있는 모델
- 간략한 모델 테스트 결과, 1차 선정된 모델 중 가장 성능이 좋기에 최종 선정