코딩으로 돈벌기

https://seonggongstory.tistory.com/151 CNN(Convolutional Neural Network) 컨볼루션 CNN이란 CNN은 이미지(영상)를 분석하기 위한 패턴을 찾아 이를 직접 학습하고, 학습한 패턴을 이용하여 이미지를 분류한다. CNN은 Convolution Layer, Pooling Layer(Sub Sampling), Fully Connected Layer 를 사용하여 seonggongstory.tistory.com pooling이란 컨볼루션을 통해 나온 피처맵의 크기를 다시 리사이징하여 새로운 레이어를 도출해내는것을 의미한다 pooling에는 최댓값을 뽑아내는 max pooling, 평균값을 뽑아내는 mean pooling등 다양한 종류가 있다. 위사진은 max..

넘파이의 레이블 인코딩된 값을 ,원핫 인코딩으로 바꾸는 법 텐서플로우 기본 제공한다. tf.keras.utils.to_categorical(y_train,num_classes=컬럼수)

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..

CNN이란 CNN은 이미지(영상)를 분석하기 위한 패턴을 찾아 이를 직접 학습하고, 학습한 패턴을 이용하여 이미지를 분류한다. CNN은 Convolution Layer, Pooling Layer(Sub Sampling), Fully Connected Layer 를 사용하여 사람의 시각처리방식을 모방한 딥러닝 학습 모델이며, 이미지(영상) 분류에 적합한 딥러닝 모델이다. 컨볼루션이란 이미지의 특징을 추출하고 추출한 특징을 피처맵으로 나타내주는 공식 인풋 이미지 커널,필터,피처디텍터 피처맵 (1*0)+(0*1)+(1*0)+(1*1)+(0*0)+(0*-1)+(0*0)+(1*1)+(1*0)=2 쉽게 인풋에서 피처맵까지의 과정이라고 생각하면된다

학습 후 랜덤하게 레이어와 레이어사이 가중치를 제거 해서 특정한 설명변수 Feature만을 과도하게 집중하여 학습함으로써 발생할 수 오버피팅을 방지하고 정확도를 높이는 방법 model.add( Dropout(0.n)) 보통 0.5정도 사용

기존 모델링 학습중 epoch시 마다 테스트를 하는 validation 데이터를 처리할때 train데이터의 일부를 활용하는 방법을 사용을 했다(validation_split) validation_data는 단순학습이 아니고 따로 평가를 위해 데이터를 준비하는 경우를 의미하며 정확도를 올리는 과정이다. history 기능을 사용해 단순히 train데이터의 loss와 accuracy만 가지고 판단하기에는 overfitting의 문제를 거를 수 없다. 따라서 별도의 validation_data의 loss와 accuracy를 함께 확인함으로써 실제 test 데이터에서의 예측을 보다 정확히 할 수 있다. epoch_history = model.fit(X_train , y_train , epochs=10 ,vali..

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])

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 model = build_model() epoch_history = model.fit(X_train, y_train, epochs= 30 , validation_split= 0.2 ) 모델링을 하면서 에포크의 숫자를 너무 과하게 할경우 epoch_history.history.k..

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