모델 선정을 위한 모델 테스트

[xown3197]

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

• ResNet
• Inception V3
• Mobilenet

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

---

DenseNet으로 재선정

pre-traing 모델을 hub를 통해 받아 왔지만, 모델 설계 변경으로 keras를 통해 trained model을 불러옴으로써, DenseNet 사용이 가능해짐