[Add] 5주차 주말 추론파일 업로드

주말수업/5주차/1_inference_follow.py

@@ -45,10 +45,10 @@ def forward(self, x): # 순전파: 데이터가 레이어 통과하는 방식 
         # 최종 출력 반환
         return x
 
-# 모델 선언
+# 모델 객체 만들기
 myMLP = MLP(image_size, hidden_size, num_classes).to(device)
 
-# 저장된 모델 가중치 불러오기
+# 모델 가중치 업데이트
 ckpt = torch.load(                          # 저장된 모델 가중치 불러오기
     os.path.join(                           # 경로 설정
         target_folder, 'myMLP_best.ckpt'    # 타겟 폴더 내의 myMLP_best.ckpt 파일 경로

주말수업/5주차/2_inference_comment.py

@@ -44,9 +44,9 @@
             # [batch_size, 10]
             # 최종 출력 반환
 
-# 모델 선언
+# 모델 객체 만들기
 
-# 저장된 모델 가중치 불러오기
+# 모델 가중치 업데이트
     # 저장된 모델 가중치 불러오기
     # 경로 설정
     # 타겟 폴더 내의 myMLP_best.ckpt 파일 경로

주말수업/5주차/3_inference_build.py

@@ -0,0 +1,74 @@
+# 패키지 임포트
+import os    # 경로 설정을 위한 os 패키지 임포트
+import torch    # 파이토치 패키지 임포트
+import torch.nn as nn    # 파이토치의 nn 패키지 임포트
+from PIL import Image    # 이미지를 다루기 위한 PIL 패키지 임포트
+from torchvision.transforms import Resize    # 이미지 크기를 조절하는 함수 임포트
+from torchvision.transforms import ToTensor    # 이미지를 텐서로 변환하는 함수 임포트
+
+# 타겟하는 학습 세팅을 설정
+target_folder = '../../주중수업/5주차/results/1'    # 타겟 폴더 설정
+assert os.path.exists(target_folder), 'target folder does not exists'        # 타겟 폴더가 존재하는지 확인
+
+# 하이퍼파라미터 로드
+with open(os.path.join(target_folder, 'hparam.txt'), 'r') as f:    # hparam.txt 파일을 읽기 모드로 열기
+    data = f.readlines()    # 파일의 모든 줄을 읽어서 리스트로 저장
+print(data)    # 읽어온 데이터 출력
+
+lr = float(data[0].strip())    # 학습률 저장
+image_size = int(data[1].strip())    # 이미지 사이즈 저장
+num_classes = int(data[2].strip())    # 클래스 개수 저장
+batch_size = int(data[3].strip())    # 배치 크기 저장
+hidden_size = int(data[4].strip())   # 은닉층 크기 저장
+epochs = int(data[5].strip())    # 에포크 수 저장
+results_folder = data[6].strip()    # 결과 폴더 저장
+
+device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')    # GPU 사용 여부에 따라 device 설정
+
+# 모델 class 만들기
+class MLP(nn.Module): # nn.Module을 상속받는 MLP 클래스 선언
+    def __init__(self, image_size, hidden_size, num_classes): # 클래스 초기화: MLP 레이어 정의
+        super().__init__() # 상속받은 상위 클래스의 초기화 메서드 호출
+        self.image_size = image_size # 이미지 사이즈 저장
+        self.mlp1 = nn.Linear(image_size * image_size, hidden_size) # 첫 번째 MLP 레이어 선언(입력층 -> 은닉층1)
+        self.mlp2 = nn.Linear(hidden_size, hidden_size) # 두 번째 MLP 레이어 선언(은닉층1 -> 은닉층2)
+        self.mlp3 = nn.Linear(hidden_size, hidden_size) # 세 번째 MLP 레이어 선언(은닉층2 -> 은닉층3)
+        self.mlp4 = nn.Linear(hidden_size, num_classes) # 네 번째 MLP 레이어 선언(은닉층3 -> 출력층)
+    def forward(self, x): # 순전파: 데이터가 레이어 통과하는 방식 지정
+        batch_size = x.shape[0] # 입력 텐서의 배치 크기 저장(x: [batch_size, 28, 28, 1])
+        x = torch.reshape(x, (-1, self.image_size * self.image_size)) # 28*28 픽셀 이미지를 1차원 벡터로 변환(펼치기)
+        # 순전파 수행: 입력 이미지를 순차적으로 MLP 레이어에 통과시킴
+        x = self.mlp1(x) # [batch_size, 500]
+        x = self.mlp2(x) # [batch_size, 500]
+        x = self.mlp3(x) # [batch_size, 500]
+        x = self.mlp4(x) # [batch_size, 10]
+        # 최종 출력 반환
+        return x
+
+# 모델 객체 만들기
+myMLP = MLP(image_size, hidden_size, num_classes).to(device)
+
+# 모델 가중치 업데이트
+ckpt = torch.load(
+    os.path.join(
+        target_folder, 'myMLP_best.ckpt'
+    )
+)
+myMLP.load_state_dict(ckpt)
+
+# 추론 데이터를 가지고 오기
+image_path = './test_image.jpg'    # 추론할 이미지 경로
+assert os.path.exists(image_path), 'target image doesnt exists'    # 이미지가 존재하는지 확인
+input_image = Image.open(image_path).convert('L')    # 이미지를 흑백으로 변환
+
+# 학습 과정에서 사용했던 전처리 과정을 그대로 실행 
+resizer = Resize(image_size)    # 크기 맞추기: 이미지 크기를 조절하는 함수 선언
+totensor = ToTensor()    # 크기 맞추기: 이미지를 텐서로 변환하는 함수 선언
+image = totensor(resizer(input_image)).to(device)    # 이미지를 텐서로 변환 후 device로 이동
+
+# 모델 추론 진행
+output = myMLP(image)    # 모델에 이미지 입력 후 출력값 저장
+# 추론 결과를 우리가 이해할 수 있는 형태로 변환 
+output = torch.argmax(output).item()    # 출력값 중 가장 큰 값의 인덱스를 추론 결과로 저장
+
+print(f'Model says, the image is {output}')    # 모델이 추론한 결과 출력