코딩으로 돈벌기

import numpy as np import matplotlib.pyplot as plt import pandas as pd from PIL import Image %matplotlib inline import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout, Activation from tensorflow.keras.optimizers import Adam from tensorflow.keras.utils import to_categorical (X_train, y_t..

1) 네트워크만 저장하고 불러오기 model.to_json() 2) 네트워크를 json 파일로 저장하는 코드 fashion_mnist_network = model.to_json() with open('fashion_mnist_network.json' , 'w') as file : file.write(fashion_mnist_network) 메모리에 있는 fashion_mnist_network 변수를 파일 fashion_mnist_network.json으로 저장하라 구글코랩 내부에 저장이 됨 다운로드도 가능 3)저장된 네트워크를 읽어오는 코드 with open('fashion_mnist_network.json' , 'r') as file : fashion_net = file.read() 저 네트워크를 모델..

def build_model() : model = Sequential() model.add( Flatten() ) model.add(Dense(128 ,'relu' ) ) model.add(Dense(64,'relu') ) model.add( Dense(10, 'softmax') ) model.compile('adam','sparse_categorical_crossentropy',['accuracy']) return model 기존 flatten을 활용한 식 def build_model() : model = Sequential() model.add(Dense(128 ,'relu', input_shape=(784,) ) ) model.add( Dropout(0.2) ) model.add(Dense(64,'..

class myCallback(tf.keras.callbacks.Callback) : def on_epoch_end(self, epoch, logs={}) : if logs['val_accuracy'] > 0.88: print('\n내가 정한 정확도에 도달했으니, 학습을 멈춘다.') self.model.stop_training = True my_cb = myCallback() model = build_model() epoch_history = model.fit(X_train, y_train, epochs=30, validation_split=0.2, callbacks = [my_cb])

mnist = tf.keras.datasets.fashion_mnist ( X_train,y_train ) , ( X_test , y_test ) = mnist.load_data() 기존 텐서플로우 안에 존재하는 이미지 딥러닝 세트 6만장 사진 28행 28열 (컬러 사진은 rgb값까지 포함해서 뒤에 3이 하나 더붙음) 이미지값은 숫자로 되어있다. 0부터 255까지의 숫자로 되어있다. 그림으로 보면 이런식 X_train = X_train /255.0 이미지란 어짜피 0~255 사이숫자이기때문에 최대값으로 나눠버리면 그게 노말라이징 그리고 255.0 으로 하는이유는 딥러닝엔 float으로 해야됨 int값은 잘 안됨 import tensorflow as tf from tensorflow.keras.models..

Artificial Neural Network 알고리즘으로 이미지셋 데이터를 표 형태의 데이터로 변형해서 원하는 아웃풋을 얻어내는 알고리즘을 CNN이라고 한다. flatten을 사용하는 이유? cnn에서 이미지를 행렬로 나타낼때 이 데이터는 2차원 데이터로 이루어저 있어서 이걸 다시 1차원으로 바꿔주는 작업을 Flatten 라이브러리라고 한다 이미지 모델링 중에 flatten이 없다면 .당연히 오류

학습시 에포크차이에 따른 loss율 변화를 보는 방법 모델 학습시 이 딥러닝 중인 모델을 변수에 저장후 모델링변수.history 딕셔너리 형태로 저장이됨 = 고로 key값이 존재 한다는 의미 epoch_history.history.keys() plt.plot( epoch_history.history['loss'] ) plt.xlabel('# epochs') plt.ylabel('Loss') plt.show() 에포크 갯수에 따라 loss율의 변화를 관측 가능

데이터 확인: 목표 :성별 나이 연봉 카드 빚 자산으로 차량 가격 예측 인공지능 개발 1.nan데이터확인 2.X,y데이터 분리 3.분리된 X데이터에서 인코딩하기 4.피쳐스케일링 하기 분리된 X와y의 데이터의 범위가 완전 다르기 때문에 피쳐스케일링을 해줘야 하는데 이때 두개의 범위가 다다르니까 두개의 피쳐스케일러를 준비를 해줘야 한다. scaler_X = MinMaxScaler() X용 scaler_y = MinMaxScaler() y용 X = scaler_X.fit_transform(X.values) y.values.reshape(500,1) y_scaled = scaler_y.fit_transform(y.values.reshape(500,1)) y는 시리즈 이기때문에 values로 바꿔준다음 진행 5...

from keras.wrappers.scikit_learn import KerasClassifier from sklearn.model_selection import GridSearchCV from keras.models import Sequential from keras.layers import Dense 기본 import문 그리드 서치의 기본은 1. 모델링을 함수로 만들기 2.그리드 서치용 클래서파이어 만들기 model = KerasClassifier(build_fn= 인공지능 함수) 그리드 서치로 찾을 여러 조합 함수로 지정 my_param = {'batch_size' : [10,20,32] , 'epochs' : [20,30,50], 'optimizer' : [옵티마이저 종류] } grid = Gr..

def build_model(optimizer): #모델링 model = Sequential() model.add( Dense(units = 6 , activation = 'relu' , input_shape=(11,) ) ) model.add(Dense(units = 8 , activation = 'relu' )) model.add( Dense(units=1 , activation = 'sigmoid' )) model.compile(optimizer = optimizer, loss = 'binary_crossentropy' ,metrics= [ 'accuracy' ] ) return model 컴파일에 옵티마이저 파라미터에 저위에있는 빌드_모델(옵티마이저)에 괄호안에있는 옵티마이저 라는 변수를 옵티마이..