KT AIVLE

Deep Learning : 연결주의 학파 알고리즘 [ keras ] 1. Sequential - Dense( ) -> Fully Connected 구조 - Flatten( ) -> 쫘아악 펼쳐줌 2. Functional Q. Fully Connected 구조에서는 이미지 문제를 어떻게 풀었을까? ans) 2차원 이미지를 Flatten ( MNIST -흑백, 28x28x1) [CIFAR - 10/100] -> 이미지 구조를 살린 채로 문제를 풀 수 없을까? -> Convolutional Neural Network Conv2D - filters = 32 -> 새롭게 제작하려는 feature map의 수 - kernel_size = (3,3) -> 필터의 가로세로 사이즈 - strides = (1,1) ->..

Object Detection : Classification + Localization(위치 정보) : Multi-Labeled Classification + Bounding Box Regression - 여러 개의 Object들의 위치를 Bounding Box로 지정하여 찾음 [ 주요개념 ] 1) Bounding Box(위치 정보) - 하나의 Object가 있는 최소 크기 박스 - Ground-Truth Bounding Box / Predicted Bounding Box 2) Classification(분류) - 데이터를 미리 정의된 여러 범주로 분류하는 것 - 지도학습의 일부로서 모델은 레이블이 지정된 학습 데이터를 통해 학습됨 3) Confidence Score - Bounding Box 안에 정말..

[ 딥러닝 구조 - CNN ] 1. input_shape : 분석 단위인 이미지 한 장의 크기 (픽셀 사이즈, 가로 * 세로 * 채널) - 흑백 : 채널 = 1 - 컬러 : 채널 = 3 2. Convolutional Layer: 필터로 지역적인 특성(feature)을 뽑는 과정 3. Max pooling Layer: 뽑은 특징을 요약(압축) 4. 펼쳐서(Flatten), Dense Layer에 연결 => 4차원 data셋 요구 (input_shape = (,,) 3차원) [ CNN 코드 ] 1) ConvNet Conv2D(32, kernel_size = (3,3), input_shape(5, 5, 1), padding = 'same'. strides = (1,1), activation = 'relu'),..

딥러닝 학습 순서 model.fit(x_train, y_train) 1. 가중치 초기값을 할당한다. (초기값: 랜덤) 2. 예측 결과를 뽑는다. 3. 오차를 계산한다. (loss function) 4. 오차를 줄이는 방향으로 가중치를 조절한다. (optimizer: GD, Adam) -얼마만큼 조절할 것인지 : learning_rate (학습률, 보폭) 5. 다시 처음으로 가서 반복한다. (epoch) [1] 모델 설계 # 메모리 정리 clear_session() # Sequential 모델 만들기 model = Sequential( Dense( 1 , input_shape = (nfeatures ,), activation= 'sigmoid') ) # outputlayer activation ='sigm..