IT's 우

# 샘플로 이미지 다운, 압축해제 !wget -q https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/notMNIST_small.tar.gz !tar -xzf notMNIST_small.tar.gz # 이미지 읽어서 데이터 준비하기 import glob import numpy as np import pandas as pd import matplotlib.pyplot as plt #경로명을 가져오기 paths = glob.glob('./notMNIST_small/*/*.png') #경로들을 랜덤 하게 섞기 paths = np.random.permutation(paths) #파일 경로에 가서 이미지 읽어 들이기 독립 = np.array([pl..

Lenet - 5 모델을 완성하고, CIFAR10 이미지 학습 진행 - LeNet 밑의 그림은 CNN모델 중에서 손글씨 이미지를 학습한 Yann LeCun교수의 Lenet - 5이다. - LeNet 구성코드 # 1. 과거의 데이터를 준비합니다. (독립, 종속), _ = tf.keras.datasets.mnist.load_data() 독립 = 독립.reshape(60000, 28, 28, 1) 종속 = pd.get_dummies(종속) print(독립.shape, 종속.shape) # 2. 모델의 구조를 만듭니다. X = tf.keras.layers.Input(shape=[28, 28, 1]) #padding='same' : Convolution의 결과인 특징맵의 사이즈가 입력 이미지와 동일하게 출력이 된..

- CNN의 마지막 퍼즐 조각 Max Pooling에 대해 이해하기 - MaxPool2D 레이어의 사용방법과 역할 Convolution Layer로 출력된 특정맵의 개수 증가 ↓ Flatten이후 입력으로 사용할 데이터의 칼럼수가 증가 ↓ 컴퓨터가 찾아야 하는 가중치 수 증가를 의미 ↓ Pooling Flatten이후 사용되는 가중치의 수를 작게 유지하기 위해 입력으로 사용할 칼럼 수를 조정하는 목적 -Convolution Layer이후에 MaxPool Layer를 추가 Convolution Layer로 출력된 특징맵 이미지 사이즈가 MaxPool Layer를 거치면서 절반으로 줄어드는 것을 확인할 수 있다. -> MaxPool Layer를 통해 모델을 만들면 Flatten만 이용하여 만든 모델보다 가중..

Convolution에 대한 이해와 Convolution Layer의 사용법 익히기 Convolution Filter의 역할을 중심으로 Convolution Layer에 대해 이해하기 Convolution(합성곱) -> 특정한 패턴의 특징이 어디서 나타는 지 확인하는 도구! 이미지에서 어떤 특징이 어느 위치에서 발견되는지를 나타낸 정보는 매우 유용한 정보이다. 이를 찾기 위한 도구가 Convolution이다. Convolution은 이미지 처리와 신호처리 분야에서 매우 유용하게 쓰이고 있다. 대상 이미지로부터 필터를 통해 특징을 잡아낸 결과는 2차원 형태의 숫자 집합의 형태로 만들어지고 특징에 대한 위치 정보가 표현된 지도라는 뜻으로 특징맵(feature map)이라고 한다. Convolution Fil..

이미지셋 데이터를 표 형태의 데이터로 변형해서 학습하기 딥러닝 모델의 "특징 자동 추출기"라는 별명의 의미 이해하기 이미지 셋 -> 데이터 표 , 두 가지 방법(reshape, flatten) print(독립.shape) #(60000, 28, 28) ① reshape #이미지셋 데이터를 표 형태의 데이터로 변형하기 위해 #reshape를 사용한다. 독립.reshape(60000, 784) print(독립.shape) #(60000,784) # 모델을 만들고 X = tf.keras.layers.Input(shape=[784]) H= tf.keras.layers.Dense(84, activation='swish')(X) Y = tf.keras.layers.Dense(10, activation='softma..

데이터 분야에서 차원의 개념,차원이라는 개념으로 데이터를 이해하기 이미지는 컴퓨터에서 숫자들의 집합으로 인식한다. 개별 Mnist (28,28)의 모양으로 이루어져 있다.784(28*28) 개의 숫자로 이루어져 있으며, 2차원 형태이고 748차원의 공간이다. 이러한 이미지가 60000장이 있는 Mnist 셋은 (60000, 28, 28)이다. 컬러 이미지로 (32*32) 2차원의 숫자 집합이 빨, 초, 파로 3개 존재한다. 하나의 이미지는 3072(=32*32*3) 개를 가지고 있다. 그러므로 개별 cifar10-(32, 32, 3)으로 이루어져 3차원의 형태이고 이미지는 3072차원의 공간의 한 점으로 이루어져 있다. 50000장의 컬러 이미지를 가지는 cifar10 셋은 (50000, 32, 32, ..