줘이리의 인생적기

데이터 증식(Data Augmentation)이라는 단어를 들어보셨나요? 데이터 증식 즉, 이미지 보강을 통해 가지고 있는 데이터를 새롭게 훈련 데이터에 보강하는 것으로 정확도를 개선해볼 수 있습니다. 기존 훈련데이터를 회전시키거나, 기울이거나, 확대하거나, 평행 이동시키거나, 뒤집어서 다양한 이미지를 만들어낼 수 있습니다. tf.keras에 있는 ImageDataGenerator를 통해 쉽게 이미지 보강 작업을 할 수 있습니다. import tensorflow as tf import matplotlib.pyplot as plt from tensorflow.keras.preprocessing.image import ImageDataGenerator import numpy as np fashion_mnis..

정확도를 좀 더 올리기 위해, 과적합을 막기 위해 MaxPooling 레이어와 Dropout레이어를 추가해보도록 하겠습니다. 레이어 추가 부분을 주의하여 봐주세요. import tensorflow as tf import matplotlib.pyplot as plt fashion_mnist = tf.keras.datasets.fashion_mnist (train_X, train_Y), (test_X, test_Y) = fashion_mnist.load_data() train_X = train_X / 255.0 test_X = test_X / 255.0 # print("reshape 이전 => ", train_X.shape, test_X.shape) train_X = train_X.reshape(-1, 28..

이제까지 사용했었던 레이어들을 다시 한번 상기시켜 볼까요? 첫 번째, 제일 많이 사용했었던 Dense layer 입니다. 신경망에서 가장 기본 레이어 이며, 각 뉴런이 서로 완전히 연결되는 Fully connected layer라고도 합니다. 두 번째, Fashion MNIST에서 사용했었던 Flatten layer 입니다. 다차원의 이미지를 1차원으로 평평하게 바꿔주는 레이어 입니다. 이제부터 컨볼루션 신경망의 구조를 살펴보고, 여러 레이어에 대해서 알아보겠습니다. 이미지 분류에서는 Feature Extractor를 거친 후 Classifier를 거치게 되는데 Convolution layer, Pooling layer가 Feature Extractor에 해당하며, Dense layer가 Classifi..

이제 또 다른 다항분류 Fashion MNIST를 공부해보겠습니다. MNIST란 손으로 쓴 숫자들로 이루어진 대형 데이터베이스이며, 머신러닝의 고전적인 문제입니다 이 영향을 받아 만들어진 Fashion MNIST는 옷, 신발, 가방의 이미지 데이터베이스입니다. Fashion MNIST의 특징은 그레이스케일 이미지이며, 10개의 범주, 28 * 28 크기의 픽셀을 가지고 있다는 점입니다. Fashion MNIST 데이터셋은 tf.keras에 탑재되어 있으니 바로 시작해보겠습니다. 데이터를 먼저 불러오고, 정규화를 한 다음 첫 번째 데이터를 먼저 확인해보겠습니다. import tensorflow as tf fashion_mnist = tf.keras.datasets.fashion_mnist (train_X,..

앞서 공부했던 이항 분류는 범주의 수가 2개 였었죠 이번에는 다항분류를 공부해볼텐데, 다항 분류는 범주의 수가 3개 이상인 경우입니다. wine 데이터셋에서 quality를 가지고 다항분류를 해보겠습니다. import pandas as pd #white wine, red wine 데이터 받아오기 red = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv', sep=';') white = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv..

저번 시간에 train, test 셋으로 나누는 작업까지 해보았습니다. 다음 작업은 정답 행렬을 원-핫 인코딩 방식으로 바꾸는 함수를 사용하는 것입니다. https://wikidocs.net/22647 위키독스 온라인 책을 제작 공유하는 플랫폼 서비스 wikidocs.net 원-핫인코딩에 관한 내용은 이 자료를 이용하시면 되겠습니다. 그 이후 모델을 만들고, complie 후 네트워크 학습을 시키도록 하겠습니다 import pandas as pd import matplotlib.pyplot as plt import numpy as np import tensorflow as tf #wine 데이터 받아오기 red = pd.read_csv('http://archive.ics.uci.edu/ml/machine..

앞선 포스팅에서 사용했었던 Sequantial 모델을 사용하도록 하겠습니다. 4개의 Dense 레이어, relu, Adam, mse를 사용하겠습니다. from tensorflow.keras.datasets import boston_housing import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #데이터셋 가져오기 (train_X, train_Y), (test_X, test_Y) = boston_housing.load_data() ###########정규화 (Standardization) ############# # X 값 Standardization X_mean = train_X.mean(axis=0) X_std = tr..

앞서 배웠던 것들로 학령인구와, 노령인구의 경향을 나타내주는 딥러닝 네트워크 회귀선을 만들어 보겠습니다. import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #X = school_age_population, Y = elderly_population X = [16.4, 14.7, 17.2, 16.6, 17.1, 20.3, 17.2, 15.6, 17.4, 18.7, 16.9, 17.1, 15.8, 19.3, 16.6, 15.1, 17.9] Y = [11.4, 13.2, 11.1, 17.6, 16.3, 9.2, 15.2, 18.4, 18.5, 11.6, 13.7, 9.7, 21.5, 12.0, 14.5, 15.8, 14.0] m..