Convolution layer
tf.keras.layers.Conv2D(
filters, kernel_size, strides=(1, 1), padding='valid', activation=None, ...
**kwargs
)
'''
filters : 필터의 개수
kernel_size : tuple. 필터의 크기
strides : default=(1,1). 필터를 이동시킬 값
padding : valid(패딩X)/same(원본과 동일한 출력이 나오도록 패딩O)
activation : Feature Map을 Activation Map으로 변환시키는 함수
'''
Pooling layer
# Sub sampling
# 일반적으로 Average보다 Max Pooling을 많이 쓴다.
tf.keras.layers.MaxPool2D(
pool_size=(2,2), strides=None, padding='valid', data_fotmat=None,
**kwargs
)
'''
pool_size : convolution 결과에서 얼마만큼 압축할지의 값
strides : stride
padding : valid(패딩X)/same(패딩O)
data_format : 중요X
'''
Loss function
- label 데이터의 종류에 따라 loss function이 달라진다
- sparse_categorical_crossentropy : label-encoding
- binary_crossentropy : label-encoding
- categorical_crossentropy : one-hot-encoding
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])
'프로젝트 > 코드프레소 체험단' 카테고리의 다른 글
| 이미지 데이터 처리를 위한 CNN 완벽 가이드 - fashion-mnist 분류 CNN 모델 구현 (0) | 2022.03.07 |
|---|---|
| 이미지 데이터 처리를 위한 CNN 완벽 가이드 - MNIST 데이터셋 분류 CNN 모델 구현 (0) | 2022.03.06 |
| 이미지 데이터 처리를 위한 CNN 완벽 가이드 - 이미지 데이터에 대한 이해 (0) | 2022.03.04 |
| 이미지 데이터 처리를 위한 CNN 완벽 가이드 - CNN 모델 (0) | 2022.03.04 |
| 이미지 데이터 처리를 위한 CNN 완벽 가이드 - 이미지 처리와 딥러닝 (0) | 2022.03.04 |
