일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- 텐서플로우
- Windows 10
- 리눅스
- 운영체제
- 영상처리
- 학습
- shell
- 백준
- python
- Computer Vision
- 공부
- 쉘
- 시스템프로그래밍
- 백준알고리즘
- OpenCV
- C언어
- 알고리즘
- CV
- 턱걸이
- 딥러닝
- 프로세스
- linux
- TensorFlow
- Windows10
- c
- 회귀
- C++
- 프로그래밍
- error
- 코딩
- Today
- Total
목록dense (3)
줘이리의 인생적기
더 높은 정확도를 나오게 하려면 어떻게 해야할까요? 딥러닝의 발전은 컨볼루션 레이어가 중첩된 더 깊은 구조에서 나타났습니다. 정확도가 개선되었다는 말이죠 이번에는 VGG의 스타일로 모델을 생성해보도록 하겠습니다. 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..
[tensorflow 19]에서 Fashion MNIST를 Dense 레이어를 사용하여 분류하였습니다. 이번에는 새롭게 공부한 컨폴루션, 풀링 레이어를 이용하여 분류해보겠습니다. [tensorflow 19]와 동일하게 정규화를 진행하고, 컨볼루션 연산을 진행하겠습니다. Conv2D 연산을 하기 위해서는 채널을 가진 데이터의 형태로 Shape를 변경해야 합니다. Shape 변경 후 모델 구성을 해보도록 하겠습니다. import tensorflow as tf 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 te..
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..