Create app.py

app.py

@@ -0,0 +1,106 @@
+import gradio as gr
+import numpy as np
+import tensorflow as tf
+from tensorflow.keras import layers, models
+import os
+
+# 1. 모델 아키텍처 재정의 (저장된 가중치를 불러오기 위함)
+class DynamicConv2D(layers.Layer):
+    def __init__(self, k=3, **kwargs):
+        super().__init__(**kwargs)
+        assert k % 2 == 1
+        self.k = k
+        self.generator = layers.Dense(k * k)
+
+    def call(self, x):
+        B, H, W, C = tf.shape(x)[0], tf.shape(x)[1], tf.shape(x)[2], tf.shape(x)[3]
+        kernels = self.generator(x)
+        kernels = tf.nn.softmax(kernels, axis=-1)
+        pad = (self.k - 1) // 2
+        x_pad = tf.pad(x, [[0, 0], [pad, pad], [pad, pad], [0, 0]])
+        patches = tf.image.extract_patches(
+            images=x_pad,
+            sizes=[1, self.k, self.k, 1],
+            strides=[1, 1, 1, 1],
+            rates=[1, 1, 1, 1],
+            padding='VALID'
+        )
+        patches = tf.reshape(patches, [B, H, W, self.k * self.k, C])
+        kernels_exp = tf.expand_dims(kernels, axis=-1)
+        return tf.reduce_sum(patches * kernels_exp, axis=3)
+
+def build_dynamic_model(input_shape=(28, 28, 1), num_classes=26):
+    inputs = layers.Input(shape=input_shape)
+    
+    # 일반 Conv로 기초 특징 추출
+    x = layers.Conv2D(32, (3, 3), activation='relu', padding='same')(inputs)
+    x = layers.BatchNormalization()(x)
+    
+    # Dynamic Convolution 적용
+    x = DynamicConv2D(k=3)(x)
+    x = layers.Activation('relu')(x)
+    x = layers.MaxPooling2D((2, 2))(x)
+    
+    x = layers.Conv2D(64, (3, 3), activation='relu', padding='same')(x)
+    x = DynamicConv2D(k=3)(x)
+    x = layers.Activation('relu')(x)
+    x = layers.GlobalAveragePooling2D()(x)
+    
+    x = layers.Dense(128, activation='relu')(x)
+    outputs = layers.Dense(num_classes, activation='softmax')(x)
+    
+    return models.Model(inputs, outputs)
+
+# 2. 모델 로드 (파일 경로 확인 필요)
+model = build_dynamic_model()
+# 파일 경로를 절대 경로로 설정
+weights_path = 'dynamic_conv_alphabet.weights.h5'
+
+if os.path.exists(weights_path):
+    model.load_weights(weights_path)
+    print(f"가중치 로드 성공: {weights_path}")
+else:
+    print(f"오류: {weights_path} 파일을 찾을 수 없습니다. 먼저 학습을 수행하세요.")
+# 3. 예측 함수 정의
+def classify_alphabet(sketchpad):
+    if sketchpad is None:
+        return "글씨를 써주세요."
+    
+    # 3-1. 이미지 데이터 추출 (Gradio의 Sketchpad는 dict 형태일 수 있음)
+    # 배경은 검은색(0), 글씨는 흰색(255)인 그레이스케일로 변환
+    img = sketchpad["composite"][:, :, 3] # Alpha 채널 사용
+    
+    # 3-2. 전처리 (EMNIST 특유의 회전/반전 해결)
+    img = tf.convert_to_tensor(img, dtype=tf.float32)
+    img = tf.image.resize(tf.expand_dims(img, axis=-1), (28, 28))
+    
+    # 중요: EMNIST는 이미지가 전치(transpose)되어 있음
+    # 사용자가 똑바로 쓴 글씨를 모델이 학습한 방향으로 돌려줍니다.
+    img = tf.image.transpose(img) 
+    
+    img = img / 255.0  # 정규화
+    img = tf.expand_dims(img, axis=0) # (1, 28, 28, 1)
+
+    # 3-3. 추론
+    preds = model.predict(img, verbose=0)[0]
+    
+    # 결과 생성 (A-Z)
+    results = {}
+    for i in range(26):
+        char = chr(ord('A') + i)
+        results[char] = float(preds[i])
+        
+    return results
+
+# 4. Gradio 인터페이스 구성
+interface = gr.Interface(
+    fn=classify_alphabet,
+    inputs=gr.Sketchpad(label="알파벳을 그려보세요 (A-Z)", type="numpy"),
+    outputs=gr.Label(num_top_classes=3, label="예측 결과"),
+    title="Dynamic Conv Alphabet Recognizer",
+    description="2D Dynamic Convolution 레이어를 사용한 알파벳 인식기입니다.",
+    live=True # 실시간 인식 활성화
+)
+
+if __name__ == "__main__":
+    interface.launch()