프로젝트/코드프레소 체험단
이미지 데이터 처리를 위한 CNN 완벽 가이드 - 이미지 데이터에 대한 이해
Image Matrix Representation - 이미지는 여러 개의 픽셀로 이루어진 행렬로 표현이 가능하다 - 컬러 이미지는 각 픽셀을 RGB 3개의 채널로 표현한 3차원 데이터
머신러닝
프로젝트/코드프레소 체험단
이미지 데이터 처리를 위한 CNN 완벽 가이드 - CNN 모델
CNN 구조 - DNN(Deep Neural Network)와 같이 입력 계층, 출력 계층 그리고 두 계층 사이의 여러 개의 은닉 계층으로 구성 - CNN의 은닉 계층은 특징 추출, 분류 분석 2가지로 구성 CNN의 은닉 계층에서 데이터를 분석하는 순서 1. 특징 추출 : 특징 및 위치 정보를 추출 2. 분류 분석 : 1에서 추출된 정보를 이용해 분류 Feature Extraction(특징 추출 계층) - 입력 데이터의 특징을 위치 정보와 함께 추출하기 위한 계층 - 3D Tensor를 출력 - Convolution : 특징 추출에 사용되는 연산 - Relu : 활성화 함수 - Pooling : 데이터의 사이즈를 줄이기 위한(압축) Sub Sampling 전략 Classification(분류 계층) - ..
프로젝트/코드프레소 체험단
이미지 데이터 처리를 위한 CNN 완벽 가이드 - 이미지 처리와 딥러닝
이미지 처리와 딥러닝 - 이미지 분석은 딥러닝이 가장 잘 적용되는 분야 중 하나 - 2012년 이미지넷 대회에서 AlexNet이라는 인공신경만 네트워크가 획기적인 성능을 보임으로써 딥러닝이 주목을 받는 계기가 됨 - 현재 이미지 인식, 이미지 캡셔닝 등의 분야에서 인간 이상의 성능을 보여줌 CNN(Convolutional Neural Network) - 1989년 얀 르쿤이 처음으로 제안(5 layer) - 발표 당시에 필기체 인식에 높은 성능을 보임으로써 주목받음 - 그러나 컬러 이미지에서 성능에 한계를 보여 딥러닝의 2차 빙하기에 묻혀져감. - 2012년 최초로 GPU를 이용하여 심층 구조(8 layer)로 고도화된 AlexNet이 성능을 획기적으로 높임 CNN의 발전 - 2012년 AlexNet에서..
프로젝트/코드프레소 체험단
이미지 데이터 처리를 위한 CNN 완벽 가이드 - 보스턴 집값 회귀 분석 실습
TensorFlow Keras 모듈에서는 하나의 input tensor와 output tenosr를 가진 모델을 쉽게 구현 할 수 있는 Sequential API 를 제공한다. Sequential API를 이용하여 보스턴 집값 데이터 셋을 회귀 분석 하는 MLP 모델을 구현해보자. - 1970년 중반 보스턴 외곽 지역의 범죄율, 지방세율 등의 데이터가 주어졌을 때 주택 가격의 중간 값을 예측 - 데이터 포인트가 506개로 비교적 개수가 적고 404개는 훈련 샘플로 102개는 테스트 샘플로 나누어져 있음 - 입력 데이터에 있는 각 특성(예를 들어 범죄율)은스케일이 서로 달라 정규화 작업이 필요함 - 타겟 데이터인 주택의 평균 가격의 단위는 천 달러 * Keras API 를 활용한 보스턴 집값 데이터셋 회귀..
프로젝트/코드프레소 체험단
이미지 데이터 처리를 위한 CNN 완벽 가이드 - fashion-mnist 분류 분석 실습
fashion-mnist data set - 70,000개의 흑백 이미지로 구성된 이미지 데이터 - 각각의 이미지는 (28, 28) 형태의 2차원 텐서로 구성되어 있고 흑백 이미지이기 때문에 채널에 해당하는 차원은 존재하지 않는다. - 라벨 정보는 각각의 이미지의 범주에 해당하는 id 정보로 0~9 사이의 정수로 구성되어 있다. * Keras API 를 활용한 fashion-mnist 데이터셋 분류 import tensorflow as tf from tensorflow.keras.datasets import fashion_mnist import matplotlib.pyplot as plt """* Step 1. Input tensor 와 Target tensor 준비(훈련데이터)""" # label 데이..
