목록Deep Learning (9)
DeseoDeSeo
[Deep Learning] ex03_활성화함수, 최적화함수, callback함수
➤ 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..
[Deep Learning] ex04_개, 고양이 분류하기
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..
[Deep Learning] ex02_손글씨 데이터 분류(다중 분류)
⛧[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 ..
[Deep Learning] ex01_유방암데이터분류( 이진분류 )
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