[Python] 텐서플로 이미지 데이터의 이해

이미지 데이터의 이해

• 차원의 이해
  • 차원 : 칼럼의 관점에서 각 데이터들은 2차원 평면에서 점으로 표현될 수 있다. 여기서 변수를 하나 더 추가한다면, 3차원 공간이 된다. 즉, 칼럼의 갯수가 n개라면, n차원의 공간의 한 점으로 표현이 가능하다.
• 이미지 데이터
  • 이미지 데이터는 숫자들의 집합이 2차원 형태로 이루어져 있다. 예를 들어 (28,28)가로세로가 이루어져 있다면, 이 안에 숫자는 두개를 곱한 784개의 숫자가 존재한다.
  • 이러한 이미지가 6만장 준비되어 있다면 (60000, 28, 28)의 형태가 되는것이다.
  • 흑백이미지와 다르게, 컬러 이미지는 숫자 집합이 3개 존재한다. 각각 R(red) G(green) B(blue) 3가지로 구성되는 숫자들이다. 컬러는 각 칸에 숫자가 3개씩 들어 있다. 빨강과 녹색과 파랑에 대한 숫자가 컬러 이미지 내에 포함되어 있다.

MNIST 손글씨 실습

• MNIST의 6만장의 손글씨를 가져와 이를 출력해봄, 회색조 이미지

In [1]:

import tensorflow as tf

샘플 이미지셋 불러오기

In [15]:

(mnist_x, mnist_y), _ = tf.keras.datasets.mnist.load_data()
print(mnist_x.shape,mnist_y.shape)

(60000, 28, 28) (60000,)

In [6]:

import matplotlib.pyplot as plt
plt.imshow(mnist_x[0], cmap="gray")

Out[6]:

<matplotlib.image.AxesImage at 0x7f38d283c750>

In [7]:

print(mnist_y[0])

5

In [8]:

print(mnist_y[0:10])

[5 0 4 1 9 2 1 3 1 4]

In [9]:

plt.imshow(mnist_x[1],cmap="gray")

Out[9]:

<matplotlib.image.AxesImage at 0x7f38d227ae50>

In [10]:

plt.imshow(mnist_x[2],cmap="gray")

Out[10]:

<matplotlib.image.AxesImage at 0x7f38d2214a10>

In [11]:

plt.imshow(mnist_x[4],cmap="gray")

Out[11]:

<matplotlib.image.AxesImage at 0x7f38d2181dd0>

CIFAR-10 실습

• CIFAR-10 데이터를 출력해봄

In [19]:

(cifar_x, cifar_y), _ = tf.keras.datasets.cifar10.load_data()
print(cifar_x.shape, cifar_y.shape)

(50000, 32, 32, 3) (50000, 1)

In [21]:

print(cifar_x[0])
plt.imshow(cifar_x[0])

[[[ 59  62  63]
  [ 43  46  45]
  [ 50  48  43]
  ...
  [158 132 108]
  [152 125 102]
  [148 124 103]]

 [[ 16  20  20]
  [  0   0   0]
  [ 18   8   0]
  ...
  [123  88  55]
  [119  83  50]
  [122  87  57]]

 [[ 25  24  21]
  [ 16   7   0]
  [ 49  27   8]
  ...
  [118  84  50]
  [120  84  50]
  [109  73  42]]

 ...

 [[208 170  96]
  [201 153  34]
  [198 161  26]
  ...
  [160 133  70]
  [ 56  31   7]
  [ 53  34  20]]

 [[180 139  96]
  [173 123  42]
  [186 144  30]
  ...
  [184 148  94]
  [ 97  62  34]
  [ 83  53  34]]

 [[177 144 116]
  [168 129  94]
  [179 142  87]
  ...
  [216 184 140]
  [151 118  84]
  [123  92  72]]]

Out[21]:

<matplotlib.image.AxesImage at 0x7f38d216cbd0>

In [25]:

print(cifar_y[1])
plt.imshow(cifar_x[1])

[9]

Out[25]:

<matplotlib.image.AxesImage at 0x7f38d19a4510>

데이터 형태로 차원을 이해하는 방법

• 넘파이를 이용하여 데이터 형태를 나타내봄

In [26]:

import numpy as np

In [31]:

# 1차원
d1 = np.array([1,2,3,4,5])
print(d1.shape)

(5,)

In [32]:

# 2차원
d2 = np.array([d1, d1, d1, d1])
print(d2.shape)

(4, 5)

In [37]:

# 3차원
d3 = np.array([d2, d2, d2])
print(d3.shape)

(3, 4, 5)

In [38]:

# 4차원
d4 = np.array([d3, d3, d3])
print(d4.shape)

(3, 3, 4, 5)

MINST와 CIFAR-10의 종속변수의 형태를 비교하기

In [42]:

# shape가 다름을 알 수 있음
print(mnist_y.shape)
print(cifar_y.shape)

(60000,)
(50000, 1)

In [44]:

# 넘파이 형태로 나타내봄
x1 = np.array([1, 2, 3, 4, 5])
print(x1.shape)

(5,)

In [48]:

# mnist의 형태도 확인해봄
print(mnist_y[0:5])
print(mnist_y[0:5].shape)

[5 0 4 1 9]
(5,)

In [51]:

x2 = np.array([[1,2,3,4,5]])
print(x2.shape)

(1, 5)

In [54]:

x3 = np.array([[1],[2],[3],[4],[5]])
print(x3.shape)
print(cifar_y[0:5])
print(cifar_y[0:5].shape)

(5, 1)
[[6]
 [9]
 [9]
 [4]
 [1]]
(5, 1)