일단 Chapter03만 연습삼아서

.gitignore

@@ -0,0 +1,10 @@
+Chapter03/cifar10/
+Chapter03/save/
+Chapter03/runs/
+
+Chapter04/__pycache__/
+Chapter04/dataset/
+Chapter04/final_result/
+Chapter04/runs/
+Chapter04/save/
+*.pyc

Chapter03/config.yaml

@@ -0,0 +1,54 @@
+# config 파일에 대하여
+#   config 파일에는
+#     딥러닝 모델
+#     손실 함수
+#     옵티마이저
+#     하이퍼파라미터
+#     에폭
+#   등 모든 것들이 담겨져 있다.
+#   뭔가 모델을 바꾸거나 에폭을 바꾸고 싶을 때는 여기서 해당 이름에 대응하는
+#   값만 조정하면 된다.
+
+#   단, 모델, 손실 함수, 옵티마이저의 경우
+#   내가 원하는 것의 이름으로 변경 해당 모델, 손실함수, 옵티마이저 파일에
+#   정의되어 있어야 한다.
+
+---
+  file_name: "scheduler"
+
+  use_cuda: true
+  epoch: 100
+  train_batch_size: 64
+  test_batch_size: 64
+  learning_rate: 0.001
+  dataset_name: "CIFAR10"
+
+  # train_dataset
+  # test_dataset
+  # 은 CIFAR10 Dataloader에서만 작업할 것이므로 pass
+
+  num_workers: 2
+  train_dataset_shuffle: True
+  test_dataset_shuffle: False
+  data_loader_name: 'data_load_normalizing_and_agumentation'
+
+  model: "VGG11"
+  model_layer: 3 # [3, 5, 9, 12]
+  loss_function: "CrossEntropyLoss"
+  optimizer: "Adam"
+  scheduler_name: 'ExponentialLR'
+  momentum: 0.9
+  weight_decay : 0.01
+  metrics: "accuracy_score"
+
+  VGG_types: {
+    'VGG11' : [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
+    'VGG13' : [64,64, 'M', 128, 128, 'M', 256, 256, 'M', 512,512, 'M', 512,512,'M'],
+    'VGG16' : [64,64, 'M', 128, 128, 'M', 256, 256,256, 'M', 512,512,512, 'M',512,512,512,'M'],
+    'VGG19' : [64,64, 'M', 128, 128, 'M', 256, 256,256,256, 'M', 512,512,512,512, 'M',512,512,512,512,'M']
+  }
+
+
+
+  # momentum이랑 weight_decay 정의하기
+

Chapter03/data_loaders/data_loaders.py

@@ -0,0 +1,100 @@
+'''
+ 이미지 데이터는 촬영된 환경에 따라 명도나 채도 등이 서로 모두 다르기 때문에
+ 영상 기반 딥러닝 모델을 학습시키기 전에 모든 이미지들을 동일한 환경으로 맞춰주는 게 중요!
+ >> 전체 이미지에 대한 화소 값의 mean과 standard deviation을 구하여 일괄 적용해야 함.
+ >> Imagenet 데이터 세트에서 계산된 평균과 표준 편차 사용
+
+
+ torch.Tensor(): T = torch.Tensor() 문장 입력시 T는 tensor자료구조 클래스 생성
+ torch.tensor(): 어떤 data를 tensor로 copy, 괄호 안에 값이 없다면 에러남
+
+ train_set과 test_set모두에 preparation을 진행하는 이유:
+    The training and testing data should undergo the same data preparation steps 
+    or the predictive model will not make sense. 
+    This means that the number of features for both the training and test set 
+    should be the same and represent the same thing.
+'''
+
+from torch.utils.data import DataLoader
+from torchvision import transforms, datasets
+import numpy as np       
+
+
+def data_load(config):
+    name = config['data_loader_name']
+    if name == 'data_load_only_normalizing':
+        data_transform = transforms.Compose([
+            transforms.ToTensor(),
+            transforms.Normalize(mean = [0.4913, 0.4821, 0.4465],
+                                 std = [0.2470, 0.2434, 0.2615])
+        ])
+    elif name == 'data_load_normalizing_and_agumentation':
+
+        data_transform = transforms.Compose([                                                                                    
+            transforms.RandomHorizontalFlip(p=0.5),       # 이미지를 좌우반전
+            # transforms.RandomVerticalFlip(p=0.5),       # 이미지를 상하반전
+            transforms.RandomRotation(10),    # 이미지를 -90 ~ 90에서 랜덤하게 rotate
+            # transforms.RandomResizedCrop(size = (32,32))      # 이미지의 임의의 부분을 확대하여 Resize
+            # transforms.ToPILImage(mode = None):     # PILImage로 변환
+
+            transforms.ToTensor(),               # 이미지를 tensor_type로 변환
+            # transforms.RandomApply(transforms = data_transform, p = 1.0),                 # agumentation을 전체 데이터에서 임의적으로 골라서 취함.                
+            # 왜 0.5, 0.5, 0.5를 넣어야 하는가?
+            # >> 직접 mean과 std를 구하면 mean = [0.49139968 0.48215841 0.44653091], std = [0.24703223 0.24348513 0.26158784]
+            # channel은 3개
+            transforms.Normalize(mean = [0.4913, 0.4821, 0.4465], std = [0.2470, 0.2434, 0.2615]) # tensor의 데이터 수치를 정규화한다.
+                                                                                # transforms.Normalize((0.5), (0.5))) -> -1 ~ 1 사이의 값으로 normalized                                                                  # output[channel] = (input[channel] - mean[channel]) / std[channel]  
+            ])
+    elif name == 'data_load_rainbow':
+            data_transform = transforms.Compose([                                                                                    
+            transforms.RandomHorizontalFlip(p=0.5),       # 이미지를 좌우반전
+            transforms.RandomRotation(10),    # 이미지를 -90 ~ 90에서 랜덤하게 rotate
+
+            transforms.ToTensor(),               # 이미지를 tensor_type로 변환
+            # transforms.RandomApply(transforms = data_transform, p = 1.0),                 # agumentation을 전체 데이터에서 임의적으로 골라서 취함.                
+            # 왜 0.5, 0.5, 0.5를 넣어야 하는가?
+            # >> 직접 mean과 std를 구하면 mean = [0.49139968 0.48215841 0.44653091], std = [0.24703223 0.24348513 0.26158784]
+            # channel은 3개
+            transforms.Normalize(mean = [0.4913, 0.4821, 0.4465], std = [0.2470, 0.2434, 0.2615]) # tensor의 데이터 수치를 정규화한다.
+                                                                                # transforms.Normalize((0.5), (0.5))) -> -1 ~ 1 사이의 값으로 normalized                                                                  # output[channel] = (input[channel] - mean[channel]) / std[channel]  
+            ])
+
+    else:
+        print("There was no name in DataLoader_Name")
+
+
+    train_set = datasets.CIFAR10(root = '/data/Github_Management/StartDeepLearningWithPytorch/Chapter03/cifar10',
+                                 train = True,
+                                 download = True,           # If true, downloads the dataset from the internet and puts it in root directory. If dataset is already downloaded, it is not downloaded again.
+                                 transform = data_transform)
+
+    test_set = datasets.CIFAR10(root = '/data/Github_Management/StartDeepLearningWithPytorch/Chapter03/cifar10',
+                                train = False,
+                                download = True,
+                                transform = data_transform
+                                )
+
+    # print(train_set.data.mean(axis = (0,1,2)) / 255)
+    # print(train_set.data.std(axis = (0,1,2))  / 255)
+
+    # print(test_set.data.mean(axis = (0,1,2)) / 255)
+    # print(test_set.data.std(axis = (0,1,2))  / 255)
+
+    train_loader = DataLoader(train_set,
+                              batch_size= 64, #['train_batch_size'],
+                              num_workers = config['num_workers'],
+                              shuffle = True)#config['train_dataset_shuffle'])
+
+    test_loader = DataLoader(test_set,
+                             batch_size = 64, #config['test_batch_size'],
+                             num_workers = config['num_workers'],
+                             shuffle = False) #config['test_dataset_shuffle']) 
+
+
+    classes = ('plane', 'car', 'bird', 'cat', 'deer',
+               'dog', 'frog', 'horse', 'ship', 'truck')
+
+    return train_loader, test_loader, classes # train
+
+
+

Chapter03/metric.py

@@ -0,0 +1,15 @@
+from sklearn.metrics import accuracy_score, recall_score, precision_score, f1_score
+
+
+def get_metrics(test, predicted, config):
+    name = config['metrics']
+    if name == "accuracy_score":
+        return accuracy_score(test, predicted)
+    elif name  == "recall_score":
+        return recall_score(test, predicted)
+    elif name == "precision_score":
+        return precision_score(test, predicted)
+    elif name == "f1_score":
+        return f1_score(test, predicted)
+    else:
+        print("There is no metrics in metrics_name")