[Android] Keras MNIST Android에 적용 - 1

📌 Mac M2 pro 사용

오늘은 오랜만에 안드로이드에 대한 포스팅을 하려한다.
요즘 회사에서 딥러닝 학습을 진행중인데, 학습할때 사용한 손글씨 숫자를 어떤 숫자인지 인식하는 모델을 텐서플로 라이트를 사용해서 안드로이드에 적용하는 방법을 알아보자!

먼저 텐서플로우와 관련 파이썬 라이브러리는 설치가 되어있다는 가정하에 진행하니 라이브러리 설치는 다른 블로그의 포스팅을 참고부탁드립니다!

Keras 손글씨 모델 학습하기

이미 많은 학습된 모델이 많지만, 이번 포스팅의 목표는 내가 학습 시킨 모델을 안드로이드에 적용시키는 방법을 알아보는 것이기때문에 먼저 직접 모델을 학습시켜볼 것이다. 데이터 셋의 경우는 MNIST 데이터셋을 사용할 것이다.

MNIST 데이터셋

from tensorflow.keras.datasets import mnist
import numpy as np

(x_train,y_train),(x_test,y_test) = mnist.load_data()

위 코드를 사용해서 데이터를 불러올 수 있다.
위를 통해 불러온 데이터가 어떤 데이터인지 간단하게 시각화해보면 아래와 같다.

import matplotlib.pyplot as plt
import random
for i in range(1,4,1):
    for j in range(1,4,1):
        plt.subplot(i,4,j)
        plt.imshow(x_train[random.randint(0,60000)],cmap="gray")
    plt.show()

입력 데이터 정규화

현재 만들려고하는 모델의 입력 데이터는 28, 28 size의 이미지이고, 각 픽셀의 값은 0~255이다. 이 데이터를 0, 1의 범위로 정규화할 것이다. 코드는 아래와 같다.

from tensorflow.keras.utils import to_categorical

x_train = x_train.reshape(-1,28,28,1)/255.
x_test = x_test.reshape(-1,28,28,1)/255.
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

x_train과 x_test는 Conv2D레이어에 넣기 위해서 (28, 28)에서 (28, 28, 1)로 모양을 변졍을해주었다.

model 구성

레이어들을 순차석으로 쌓을 수 있게 해주는 keras의 Sequential모델을 사용한다.
Dense,Flatten,BatchNormalization,Conv2D 레이어를 사용한다.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Flatten,BatchNormalization,Conv2D

model = Sequential()
model.add(Conv2D(32,(2,2),activation="relu",input_shape=(28,28,1)))
model.add(BatchNormalization())
model.add(Conv2D(64,(2,2),activation="relu"))
model.add(BatchNormalization())
model.add(Conv2D(128,(2,2),2,activation="relu"))
model.add(BatchNormalization())
model.add(Conv2D(32,(2,2),activation="relu"))
model.add(BatchNormalization())
model.add(Conv2D(64,(2,2),activation="relu"))
model.add(BatchNormalization())
model.add(Conv2D(128,(2,2),2,activation="relu"))
model.add(BatchNormalization())
model.add(Flatten())
model.add(Dense(128,activation="relu"))
model.add(Dense(10,activation="softmax"))

model 학습

model.compile(loss = "categorical_crossentropy",optimizer = "adam",metrics=["acc"])
history = model.fit(x_train,y_train,validation_data=(x_test,y_test),epochs=30,batch_size=256)

분류작업을 진행하는 모델이기때문에 categorical_crossentropy로 지정해주고 옵티마이저의 경우는 많이 사용하는 adam을 사용해주었다. 아래를 통해 결과를 확인하자.

loss = history.history["loss"]
acc = history.history["acc"]
val_loss = history.history["val_loss"]
val_acc = history.history["val_acc"]
plt.subplot(1,2,1)
plt.plot(range(len(loss)),loss,label = "Train Loss")
plt.plot(range(len(val_loss)),val_loss,label = "Validation Loss")
plt.grid()
plt.legend()
plt.subplot(1,2,2)
plt.plot(range(len(acc)),acc,label = "Train Accuracy")
plt.plot(range(len(val_acc)),val_acc,label = "Validation Accuracy")
plt.grid()
plt.legend()
plt.show()

결과 확인

index =random.randint(0,9999)
plt.imshow(x_test[index],cmap="gray")
predict = model.predict(x_test[index].reshape(1,28,28,1))
print("Actual : {}\tPredict : {}".format(np.argmax(y_test[index]),np.argmax(predict)),)

결과를 확인하니 잘 예측하는걸 볼 수 있다. 이제 모델을 저장해보자.

model 저장

model.save("tensor_model.h5")
new_model = tf.keras.models.load_model("tensor_model.h5")
convert = tf.lite.TFLiteConverter.from_keras_model(new_model)
tflite_model = convert.convert()
with open('tensor_model.tflite', 'wb') as f:
    f.write(tflite_model)

위 코드로 학습 시킨 모델을 tensor_model.tflite로 저장하였다.
지금까지 안드로이드에 적용할 모델의 생성하는 부분에대해 알아보았다. 다음 포스팅은 생성한 모델을 텐서플로 라이트를 사용해서 안드로이드에 적용하는 방법에 대해 알아볼 것이다.
끄읕..!