DeseoDeSeo

➤ 경사 하강법(Gradient Descent Algorithm) 비용함수가 최소가 되는 w값(= 기울기가 가장 작을 때) 전체 데이터를 이용해 업데이트( 오차를 구하는데 시간, 비용 多확률적 경사하강법(Stochastic Gradient Descent) 확률적으로 선택된 일부 데이터를 이용해 업데이트 ➤ Batch_size -일반적으로 pc메모리의 한계 및 속도 저하 때문에 대부분 한번의 epoch에 모든 데이터를 한꺼번에 집어넣기 어려움. ○ batch_size를 줄인 경우 메모리 속도가 적음( 저사용 일 경우) 학습 속도가 느림, 정확도 up ○ batch_size를 높인 경우 메모리 속도가 큼 학습 속도가 큼, 정확도 down#일반적으로 디폴트 값은 32이며, 일반적으로 32, 64 사용 多 ➤모..

데이터 경로 지정 train_dir= '/content/drive/MyDrive/Colab Notebooks/DeepLearning/data/dogAndCat/train' valid_dir='/content/drive/MyDrive/Colab Notebooks/DeepLearning/data/dogAndCat/validation' 하나의 변수에 이미지파일 전부 다 합치기 ○ 픽셀 값(0~255/정수) ➜ (0~1 / 실수) 1. 숫자의 크기 줄이기 ➜ 연산량 감소 2. 분산( 값이 분포해있는 범위 ) 줄이기 ➜ 연산의 오류 줄어듬. - 이미지 크기 맞춰주기(150,150) from tensorflow.keras.preprocessing.image import ImageDataGenerator - 픽셀값 ..

➤ 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..

⛧[출력형태에 따른 unit의 개수 ]⛧ - 회귀: units = 1 - 이진분류 : units = 1 - 다중분류 : units = 클래스의 개수 ⛧[출력 형태에 따른 활성화함수의 종류 ]⛧ - 회귀: linear() ➜ linear값이 dafault항등함수, y=x의 선형 모델을 사용. 선형모델이 예측한 데이터를 그대로 출력. 기본값이라서 적어주지 않ㅎ아도 괜찮다. -이진분류 : sigmoid ➜ 0~1사이의 확률값으로 출력 받기 위함. - 다중분류 : softmax ➜ 클래스의 개수만큼 확률값을 출력 ➜ 각각의 확률값의 총합이 1이 되도록 출력. ➤ 목표 손글씨 데이터를 분류하는 딥러닝 모델을 설계해보자! 다중분류 딥러닝 모델링을 연습해보자 기본라이브러리 불러오기 import numpy as np ..

목표 환자 데이터를 바탕으로 유방암인지 아닌지를 구분해보자 딥러닝으로 이진분류 실습을 진행하자. 라이브러리 불러오기 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import load_breast_cancer # 사이킷런 내장 유방암데이터 데이터 불러오기 breast_data =load_breast_cancer() breast_data ○ 머신러닝 데이터 구조 : 번치객체( 딕셔너리 형태 ) breast_data.keys() # data: 문제 데이터, 입력특성 # target: 정답데이터 # target_names: 정답데이터의 이름 breast_data.target_names # 0..

⛧ 퍼셉트론 : 인공신경망 구성요소 중 하나로 딥러닝 모델의 가장 작은 기본단위 ○ 뇌를 구성하는 신경세포인 뉴런의 동작과 유사하게 동작. 신경의 흥분이 전달되기 위해서는 뉴런에 전달되는 자극의 크기가 역치 이상이 되어야함. 반응의 크기 > 역치 퍼셉트론 : 선형모델 + 활성화함수 y = w1x1 + w2x3 + b 지금 사용하고 있는 활성화함수는 sigmoid이고 이전의 활성화함수는 step function (계단 함수)이다. y={0, w1x1 + w2x3 + b