본문 바로가기
반응형

Data Science/TensorFlow6

[골빈해커의 3분 딥러닝, 텐서플로맛] 7장 7. 이미지 인식의 은총알 CNN 이미지 인식 분야에서 은총알이라고 할 정도로 강력한 성능을 발휘하고 있는 합성곱 신경망(CNN)을 구현 해 보자. 음성인식이나 자연어 처리 등에도 사용 될 만큼 활용성에서도 매우 뛰어난 성과를 보인다고 한다. 이전에 구현하였던 MNIST 데이터를 CNN을 이용하여 학습하고 성능을 확인 해 본다. 구현하기 전에, CNN에 대하여 우선 알아보자. CNN 모델은 기본적으로 컨볼루션 계층과 풀링 계층으로 구성된다. 이 계층들을 얼마나 많이 쌓고 어떤 방식으로 쌓느냐에 따라 성능차이와 풀 수 있는 문제가 달라진다. 2D 컨볼루션의 경우로 예를 들면, 2차원의 평면 행렬에서 지정한 영역의 값들을 하나의 값으로 압축하는 것이다. 컨볼루션 계층은 가충치와 편향을 적용하고, 풀링 계층은.. 2019. 11. 29.
[골빈해커의 3분 딥러닝, 텐서플로맛] 6장 6. 헬로 딥러닝 MNIST 딥러닝을 공부할 때 누구나 거쳐가는 관문 중 하나인 MNIST 데이터셋을 신경망으로 학습하고 예측하는 코드를 작성한다. MNIST는 0~9의 숫자에 대한 손글씨 데이터셋이며, 구현할 신경망 모델은 이 데이터셋을 학습하여 손글씨 이미지가 주어질 때 어떤 숫자인지 예측하는 모델이다. MNIST 데이터셋은 텐서플로를 통해 임포트 할 수 있다. 언제나 처럼 코드를 임포트 코드를 작성하자. import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("./mnist/data", one_hot=True) 출력 결과: 주피터 노트북에서 코드를.. 2019. 11. 29.
[골빈해커의 3분 딥러닝, 텐서플로맛] 4장 4. 기본 신경망 구현 이 책을 통해 궁극적으로 배우기 위한 신경망 모델과 딥러닝인 심층 신경망(다층 신경망)을 간단하게 구현해보도록 한다. 책에 나와있는 기본 개념은 간단히 요약하고 적당히 패스한다. #1. 인공신경망의 작동 원리 인공신경망은 뇌를 구성하는 뉴런의 동작원리에 기초를 하고 있다. 원리는 구글링을 통해 알아보거나 책에 그림과 함께 설명되어 있으니 참고하자. 이 원리를 따라 입력값(X)에 가중치(W)를 곱하고 편항(b)를 더한 뒤 활성화 함수(시그모이드, 렐루)를 거쳐 결괏값(y)를 만들어 내는 것이 인공 뉴런의 기본이다. 이 W와 b값을 변경해가며 적절한 값을 찾아내는 최적화 과정을 학습 또는 훈련이라고 부른다. 활성화 함수는 인공신경망을 통과해온 값을 최종적으로 어떤 값으로 만들지를 결정.. 2019. 11. 17.
[골빈해커의 3분 딥러닝, 텐서플로맛] 3장 3. 텐서플로 프로그래밍 101 텐서플로는 그래프 형태의 수학식 계산을 수행하여 머신러닝을 쉽게 할 수 있도록 만든 라이브러리다. 텐서플로 프로그래밍을 위하여 필요한 "텐서", "플레이스 홀더", "변수" 에 대한 개념, 연산과 그래프를 실행하는 기본적인 방법을 배워보자. 주피터 노트북을 실행하여 직접 코드를 작성하면서 진행한다. #1. 텐서와 그래프 실행 #1. 텐서플로 라이브러리 임포트. as를 사용하여 tf로 별칭하여 사용 import tensorflow as tf 시작은 항상 텐서플로 라이브러리를 임포트한다. #2. 상수를 만드는 방법. hello = tf.constant("Hello, Tensorflow!") print(hello) 결과 : tf.Tensor(b'Hello, Tensorflow!.. 2019. 11. 8.
반응형