딥러닝 이미지처리 신청페이지 입니다. 일시 신청 비용 장소 행사 소개 {{ isDetailMore ? '접기' : '더보기' }}
장소 취소 및 환불 규정 - 행사의 취소/환불
기간은 행사 호스트가 설정한 신청기간과 동일합니다. - 신청한 행사의 신청 정보 수정 및 취소/환불은 ‘마이페이지-신청한 행사’에서 할 수 있습니다. - 결제 수단, 환불 신청 시점, 환불 사유에 따라 환불 수수료가 부과될 수 있습니다. - 위에 대한 자세한 내용은 ‘취소 및 환불규정’에서 확인할 수 있습니다. - 신청기간 마감 이후의 신청 정보 수정 및 취소/환불은 행사 호스트에게 문의 부탁드립니다. - 행사에 관련된 사항은 하단의‘문의하기’를 통해 행사 호스트에게 문의 부탁 드립니다. *이벤터스는 통신판매 중개자이며, 해당 행사의 호스트가 아닙니다. 채널 정보
{{ userAskLength }} 개의 문의
이런 행사는 어때요? [머신러닝] 06.텐서플로와 신경망_(1) 딥러닝 모델의 학습 방법 1. 딥러닝 모델 전 시간 다층 퍼셉트론까지 이야기했습니다. 모델 안에 은닉층이 많아진다면, 깊은 신경망이라는 의미의 Deep Learning이란 단어를 사용하였습니다. 2. 딥러닝 모델의 학습방법 Loss fu kcy51156.tistory.com 이미지 처리와 자연어 처리를 위한 데이터 전 처리와 딥러닝 모델을 알아보도록 하겠습니다. 1. 이미지 처리를 이용한 예시 2021 NIPA AI 온라인 교육 AI(인공지능) 실무 심화 (elice.io)- 이미지에 있는 어떤 동물인지 분류하고자 할 때, - 컴퓨터에게 이미지는 각 픽셀 값을 가진 숫자 배열로 인식하게 합니다. 2. 이미지 전 처리 - 모두 같은 크기를 갖는 이미지로 통일 1) 가로 세로 픽셀 사이즈를 표현하는 해상도 통일 2) 색을 표현하는 방식 통일(RGB, HSV, Gray-scale, Binary, ...) MNIST 데이터 이미지 전 처리3. 이미지 처리 딥러닝 모델 1) 기존 다층 퍼셉트론 기반 신경망의 이미지 처리 방식 - 극도로 많은 수의 파라미터가 필요하다. 2) 합성곱 신경망(Convolution Neural Network) - 작은 필터를 순환시키는 방식 - 이미지의 패턴이 아닌 특징을 중점으로 인식 3) 합성곱 신경망 구조 합성곱층 → 풀링층 → 완전연결층- 입력 이미지의 특징을 추출, 분류하는 과정으로 동작이다. - 이미지에서 어떠한 특징이 있는지를 구하는 과정. - 필터가 이미지를 이동하며 새로운 이미지(피쳐맵)를 생성. 4) 피쳐맵의 크기 변형 - Padding : 원본 이미지의 상하좌우에 한 줄씩 추가 - String : 필터를 이동시키는 거리 설정(ex) 1칸씩 이동) 5) Pooling Layer(풀링층) : 이미지의 왜곡의 영향(노이즈)를 축소하는 과정. - 최대풀링 : 가장 큰 값만 나오는 과정 - 평균풀링 : 4개의 숫자의 평균 값으로 축소하는 과정 6) Fully Connected Layer(완전연결층) : 추출된 특징을 사용하여 이미지를 분류. 7) 분류를 위한 Softmax활성화함수 - 마지막 계층에 Softmax활성화함수 사용 a+b+c+d+e+f= 1, a,b,c,d,e,f>=0 8) 정리 - Convolution Layer는 특징을 찾아내고, PoolingLayer는 처리할 맵(이미지) 크기를 줄여준다. 이를 N번 반복한다. - 반복할 때마다 줄어든 영역에서의 특징을 찾게 되고, 영역의 크기는 작아졌기 때문에 빠른 학습이 가능해진다 사물 인식과 화질 개선4. 실습 1. MNIST 분류 CNN 모델 - 데이터 전 처리, 모델 구현, 평가 및 예측- 손글씨로 된 사진을 모아 둔 데이터이다. - MNIST 데이터는 이미지 데이터이지만 가로 길이와 세로 길이만 존재하는 2차원 데이터입니다. CNN 모델은 채널(RGB 혹은 흑백)까지 고려한 3차원 데이터를 입력으로 받기에 채널 차원을 추가해 데이터의 모양(shape)을 바꿔줍니다. 결과는 아래와 같습니다. [데이터 수, 가로 길이, 세로 길이] -> [데이터 수, 가로 길이, 세로 길이, 채널 수] 1. 학습용 및 평가용 데이터를 CNN 모델의 입력으로 사용할 수 있도록 (샘플개수, 가로픽셀, 세로픽셀, 1) 형태로 변환합니다. - tf.expand_dims 함수를 활용하여 train_images, test_images 데이터의 형태를 변환하고 각각 train_images, test_images에 저장합니다.
- Tensor 배열 데이터에서 마지막 축(axis)에 해당하는 곳에 차원 하나를 추가할 수 있는 코드입니다. ( axis에 -1을 넣으면 어떤 data가 들어오던 마지막 축의 index를 의미합니다.) 2. keras를 활용하여 CNN 모델을 설정합니다. - 분류 모델에 맞게 마지막 레이어의 노드 수는 10개, activation 함수는 ‘softmax’로 설정합니다.
: 입력 이미지의 특징, 즉 처리할 특징 맵(map)을 추출하는 레이어입니다.
: 처리할 특징 맵(map)의 크기를 줄여주는 레이어입니다.
: Convolution layer 또는 MaxPooling layer의 결과는 N차원의 텐서 형태입니다. 이를 1차원으로 평평하게 만들어줍니다.
3. evaluate 메서드와 평가용 데이터를 사용하여 모델을 평가합니다. - loss와 accuracy를 계산하고 loss, test_acc에 저장합니다.
4. predict_classes 메서드를 사용하여 평가용 데이터에 대한 예측 결과를 predictions에 저장합니다
출처 : 2021 NIPA AI 온라인 교육 | AI(인공지능) 실무 심화 (elice.io) |