매일 꾸준히, 더 깊이

지금까지 배운 개념들을 활용해서 모델의 성능을 최대한 끌어내는 실습을 해본다. 우리가 사용하고 있는 CNN의 구조는 아래와 가다. CNN구조를 변경하지 않을 것이며, 이 상태에서 성능을 향상 시킬 수 있는 방법은 아래의 네 가지이다. How to Get the Best Performance ​- Data Augmentation ; 사용 데이터의 양을 늘리는 방법 - Batch Normalization - Model Ensemble - Learning Rate Decay 여기서 이 네 가지 방법을 모두 사용하여 성능을 향상시켜 볼 것이다. 따라서 이전과 달리 10단계로 뉴럴 네트워크를 구성하게 될 것이다. ​ 1. Set hyper ..

0. NN Implementation Flow in TensorFlow 1. Set hyper parameters ; learning rate, training epochs, batch size, ect. ​ 2. Make a data pipelining ; use tf.data # data pipeline이란 데이터 셋을 load하고, 앞에서 설정했던 batch_size만큼 테이터를 가져 와서 네트워크에 공급하는 역할 ​ 3. Build a neural network model ; tf.keras의 subclassing 사용 ​ 4. Define a loss function ; cross entropy # 뉴럴 네트워크의 output과 우리가 가진 정답(label)간의 error비교 # classifi..

0. NN Implementation Flow in TensorFlow 1. Set hyper parameters ; learning rate, training epochs, batch size, ect. ​ 2. Make a data pipelining ; use tf.data # data pipeline이란 데이터 셋을 load하고, 앞에서 설정했던 batch_size만큼 테이터를 가져 와서 네트워크에 공급하는 역할 ​ 3. Build a neural network model ; tf.keras의 sequential API / tf.keras의 Functional API / tf.keras의 subclassing ​ 4. Define a loss function ; cross entropy # 뉴럴 ..

1. import fation_mnist ,cifar10, cifar100등 다른 데이터 셋을 이용하고 싶다면 이용하고 싶은 데이터 셋을 import하면 된다. import tensorflow as tf import numpy as np from tensorflow.keras.utils import to_categorical from tensorflow.keras.datasets import mnist from time import time import os print(tf.__version__) 2. Checkpoint function def load(model, checkpoint_dir): print(" [*] Reading checkpoints...") ckpt = tf.train.get_chec..

데이터 분석 라이브러리인 Pandas에 대해 설명한다. Pandas를 사용하면 데이터의 총 계산량을 표시하거나, 그래프화 등에 데이터 분석이나 기계 학습에서 필요한 작업을 간단히 실행가능하다. Python에서 데이터 분석을 할 때, 필수 라이브러리이기 때문에 기록을 참고하여 Pandas을 사용법을 알아두자. ​1. Pandas란? 2. Pandas를 이용하기 위해서는 3. Pandas 사용법 1. Pandas란? Pandas란 Python 데이터 분석을 효율적으로 하기 위한 라이브러리이다. Pandas는 오픈소스(BSD라이센스)로 공개되어 있으며, 개인/상용 관계없이 누구라도 무료로 사용할 수 있다. Pandas를 사용하면 데이터를 읽어 들이거나 총계산량의 표시, 그래프화 등 데이터 분석에 관한 작업을 ..

​1. scikit-learn이란 2. scikit-learn을 이용하기 위해서 3. scikit-learn의 주요 기능 4. scikit-learn의 사용 방법 5. scikit-learn을 사용한 기계학습(1) 6. scikit-learn을 사용한 기계학습(2) 7. scikit-learn에 대해 더 자세하게 배우고 싶다면 1. scikit-learn이란 ​ scikit-learn이란 python을 대표하는 머신러닝 라이브러리이다. '사이킷런'이라고 부르기도 한다. scikit-learn은 오픈 소스로 공개되어 있으며, 개인, 비즈니스 관계없이 누구나 무료로 사용가능하다. scikit-learn은 현재도 활용하여 개발이 이루어지고 있으며, 인터넷 상에서 정보를 찾기에도 싶다. 많은 머신러닝 알고리즘이..

scikit-image는 이미지처리에 특화된 Python 이미지 라이브러리이며 Numpy배열로 이미지 객체를 네이티브하게 다룬다.즉 Numpy배열로 동작한다. 여기에서는 scikit-image가 다양한 이미지 처리 작업에 어떻게 이용되는가, 그리고 Numpy 혹은 Scipy 등의 다른 Python의 기술 모듈과 어떻게 연계되어 있는지에 대해 다룰 것이다. ​기본적인 이미지 조작, 예를 들면 이미지를 자른다던가 단순한 필터링 등의 조작은 Numpy나 SciPy로도 적용 가능하다. 그에 대한 내용은 아래의 링크에서 확인할 수 있다. http://www.turbare.net/transl/scipy-lecture-notes/advanced/image_processing/index.html#basic-image ..

문제 링크 https://github.com/yoyoyo-yo/Gasyori100knock/tree/master/Question_31_40 yoyoyo-yo/Gasyori100knock 画像処理100本ノックして画像処理を画像処理して画像処理するためのもの For Japanese, English and Chinese - yoyoyo-yo/Gasyori100knock github.com Q31. 아핀 변환－스크류（アフィン変換、スキュー) ​(1) 아핀변환을 이용하여, 출력(1)과 같이 X-sharing(dx = 30)이미지를 만들어보자. (2) 아핀변환을 이용하여, 출력(2)과 같이 Y-sharing(dy = 30)이미지를 만들어보자. (3) 아핀 변환을 이용하여, 출력(3)과 같이 기하 변환한 (dx = 30, ..

문제 링크 https://github.com/yoyoyo-yo/Gasyori100knock/tree/master/Question_21_30 yoyoyo-yo/Gasyori100knock 画像処理100本ノックして画像処理を画像処理して画像処理するためのもの For Japanese, English and Chinese - yoyoyo-yo/Gasyori100knock github.com Q26. Bi-linear보간(Bi-linear補間) ​Bi-linear보간을 적용하여 이미지를 1.5배 확대시켜보자. Bi-linear보간이란 주변의 4화소의 거리에 따른 가중치를 매김으로써 확대에 의한 화소 변질을 보완하는 방법이다. ​ 1. 확대 이미지의 좌표(x', y')를 확대률a로 나누어 floor(x'/a, y'/a)..

문제 링크 https://github.com/yoyoyo-yo/Gasyori100knock/tree/master/Question_21_30 yoyoyo-yo/Gasyori100knock 画像処理100本ノックして画像処理を画像処理して画像処理するためのもの For Japanese, English and Chinese - yoyoyo-yo/Gasyori100knock github.com Q.21 히스토그램 정규화(ヒストグラム正規化, Histogram normalization) ​히스토그램 정규화를 적용해보자. 히스토그램을 통해 이미지가 어떤 방향으로 편향되어 있는지 알 수 있다. 예를 들어 0에 가까운 화소가 많으면 이미지는 전체적으로 어둡고, 반대로 255에 가까운 화소가 많으면 이미지는 밝아진다. 히스토그램이..