[Deep Learning] 그동안 학습 정리 및 CNN

➤ MLP(Multi Layer Perceptron) / DNN (Deep Neural Network)

  - Dense층을 사용하는 딥러닝 모델

 

➤ 출력층 Dense

ex) model.add(Dense)units, activation, input_dim))

units :퍼셉트론의 개수,   퍼셉트론 = 인간 뇌의  뉴런같은 역

이진분류 =1,    다중분류 = 클래스의 개수,     회귀=1

activation : 이진분류 = 'sigmoid' ,    다중분류 ='softmax',      회귀 ='linear'

 

 

⛧ 이진분류에서 sigmoid를 사용는 이유

➤  sigmoid는 0~1까지로 결과를 바꿔줌   

     - 해당 결과를 보면 딥러닝모델을 어떤식으로 수정해야하는지 알 수 있음. 

     - 0 또는 1에 가까울 수록 모델이 예측을 잘하고 있음을 알 수 있다.

 

1.  모델 생성 = 건물 토대를 건설

 model=Sequential()

 

2. 층을 쌓는다

model.add(Dense(units, activation, input_dim))
model.add(Dense(units, activation, input_dim))
model.add(Dense(units, activation, input_dim))
model.add(Dense(units, activation, input_dim))
model.add(Dense(units, activation, input_dim))

 

3. 건물 외부 디자인

model.compile(

	이진분류	다중분류	회귀
loss	binary_crossentropy	categorical_crossentropy	mean_squared_error
optimizer	adam
metrics	[ ' accuracy '  ]	[ ' accuracy ' ]	[ ' mean_squeared_error ' ]

 

)

 

2. CNN ( Convolution Neural Network )
컨볼루션 신경망 : 입력된 이미지에서 다시 한 번 특징을 추출하기 위해 커널(슬라이딩 윈도)을 도입하는 기법.
( 합성곱 )

  ⛤ dense는 1차원만 학습 가능

  ⛤ cnn은 이미지 학습 가능(2차원의 데이터도 학습 가능 )

 

○ 데이터에서 특징을 추출하고 추출된 특증을 기반으로 학습. 

    ➜  이미지의 크기, 방향등에 크게 관여하지 않는다.

 

✔ conv layer :  데이터에서 특징을 찾음

✔ pooling layer: 특징이 아닌 부분을 삭제함.

conv layer  ➜ pooling layer를 반복함.

이후, dense는 찾아진 특징을 토대로 사물을 구분할 규칙을 만듬.