티스토리

정유진

검색하기

블로그 홈

정유진

y8jinn.tistory.com/m

y8jinn 님의 블로그입니다.

구독자: 2

방명록 방문하기

주요 글 목록

[데이터분석 코딩연습 #2] 교통사고 통계 accident_stat.xlsx는 교통사고 유형별 교통사고 사고건수, 사망자수, 중상자수 등을 요약한 데이터이다. (1) 사고 유형 대분류가 "차대차"인 사고유형별 사망비율을 막대 그래프로 시각화 하시오. 단, 사망비율은 사망자수/사고건수로 계산하며, matplotlib에서 폰트는 아래 코드를 이용하여 맑은 고딕으로 설정합니다.from matplotlib import pyplot as pltplt.rcParams['font.family'] = 'Malgun Gothic'accident = pd.read_excel('./accident_stat.xlsx')accident 처음엔,X = accident['사고유형'][accident['사고유형대분류'] == '차대차']y = accident['사망자수'].. 공감수 0 댓글수 0 2024. 8. 12.
[Paper Review] Variational Feature Disentangling for Fine-Grained Few-Shot Classification Abstract데이터 증강은 few-shot 분류의 문제를 해결하는 직관적인 단계이지만, 증강된 샘플에서 변별력과 다양성을 모두 보장하는 것은 어려운 일이다. -> 이 문제를 해결하기 위해 무작위로 샘플링된 클래스 내 변형으로 feature를 증강하는 동시에, 클래스 discriminative feature를 보존할 수 있는 feature disentanglement(분리) framework를 제안한다. -> 구체적으로, feature representation을 두가지 구성요소 (하나는 클래스 내 분산을 represent하고, 다른 하나는 클래스 구분 정보를 인코딩하는 것) 으로 분리한다. -> 포즈, 배경, 조명 조건의 변화로 인해 유발되는 클래스 내 변이은 모든 클래스들에서 공유되며, 공통 분포를.. 공감수 0 댓글수 0 2024. 8. 5.
[Paper Review] BSNet: Bi-Similarity Network for Few-shot Fine-grained Image Classification 논문 링크 : https://arxiv.org/abs/2011.14311 BSNet: Bi-Similarity Network for Few-shot Fine-grained Image ClassificationFew-shot learning for fine-grained image classification has gained recent attention in computer vision. Among the approaches for few-shot learning, due to the simplicity and effectiveness, metric-based methods are favorably state-of-the-art on many tasks.arxiv.org Abstractfew-shot .. 공감수 1 댓글수 0 2024. 7. 29.
[데이터분석 코딩연습 #1] 미세먼지 농도 코딩 실력이 너무 퇴화된 것 같아서.. 조금씩 연습해보려고 한다! https://gils-lab.tistory.com/118 [데이터 코딩테스트 대비 #1] 미세먼지 농도문제 PM10_seoul.csv는 12월 1일 1시부터 8일 24시까지 한 시간마다 측정한 미세먼지 농도(PM-10) 데이터이다. date 컬럼은 측정 시간(YYYY-MM-DD:HH)를 나타내며, PM-10은 미세먼지 농도를 나타낸다. 이 데이터gils-lab.tistory.com이 분 블로그를 참고해서 풀어보았다.문제PM10_seoul.csv는 12월 1일 1시부터 8일 24시까지 한시간마다 측정한 미세먼지 농도(PM-10) 데이터이다. date 컬럼은 측정 시간(YYYY-MM-DD:HH)를 나타내며, PM-10은 미세먼지 농도를 나타.. 공감수 0 댓글수 9 2024. 7. 22.
[Paper Review] Hyper-class Augmented and Regularized Deep Learning for Fine-grained Image Classification 논문 링크:https://ieeexplore.ieee.org/document/7298880 Hyper-class augmented and regularized deep learning for fine-grained image classificationDeep convolutional neural networks (CNN) have seen tremendous success in large-scale generic object recognition. In comparison with generic object recognition, fine-grained image classification (FGIC) is much more challenging because (i) fine-grained labelie.. 공감수 0 댓글수 0 2024. 7. 15.
[Paper Review] MetaFormer : A Unified Meta Framework for Fine-Grained Recognition 논문 링크 :https://arxiv.org/abs/2203.02751 MetaFormer: A Unified Meta Framework for Fine-Grained RecognitionFine-Grained Visual Classification(FGVC) is the task that requires recognizing the objects belonging to multiple subordinate categories of a super-category. Recent state-of-the-art methods usually design sophisticated learning pipelines to tackle this taskarxiv.org 다음 포스팅과 영상을 보고 학습한 내용을 정리한 .. 공감수 1 댓글수 1 2024. 7. 8.
[Paper Review] CLIP (Learning Transferable Visual Models From Natural Language Supervision) 이번에 NUS MMRL에서 파견연구를 하게되면서 가장 먼저 읽어보라고 하신 CLIP 논문에 대해 리뷰해보겠다. 논문을 이해하는데에 참고한 블로그와 영상들이다.https://greeksharifa.github.io/computer%20vision/2021/12/19/CLIP/ Python, Machine & Deep LearningPython, Machine Learning & Deep Learninggreeksharifa.github.iohttps://youtu.be/HkkaKI6NN-8?si=UvXCdFFS9hEYwwYy 논문 링크 : https://arxiv.org/abs/2103.00020 Learning Transferable Visual Models From Natural Language Sup.. 공감수 3 댓글수 1 2024. 7. 1.
[강화학습] 마르코프 의사 결정 과정 이번 BITAmin 시계열 프로젝트에서 강화학습을 이용한 주식 실시간 트레이딩을 진행하게 되었는데, 프로젝트를 본격적으로 시작하기 전에 공부했던 강화학습의 개념에 대해 정리하고 가고자 한다. 강화학습은 마르코프 의사결정 과정에 학습에 개념을 넣은 것인데, 이번 포스팅에서는 강화학습 뿐만 아니라 많은 모델들의 기본이 되기도 하는 마르코프 의사 결정 과정에 대해 정리해보고자 한다. 먼저,강화학습이란,머신러닝의 한 종류로, 어떠한 환경에서 어떠한 행동을 했을 때 그것이 잘 된 행동인지 잘못된 행동인지를 나중에 판단하고 보상 (또는 벌칙)을 줌으로써 반복을 통해 스스로 학습하게 하는 분야이다. 그림을 보면 알 수 있듯이 강화학습의 두 가지 구성요소는 환경과 에이전트이다.에이전트 : 특정환경에서 행동을 결정.. 공감수 1 댓글수 0 2024. 5. 27.
카카오톡 챗봇 만들기 - 스킬 서버 연결(ngrok 이용) [데이터사이언스캡스톤디자인] 수업에서 sLLM을 활용하여 법률 상담 챗봇을 만드는 프로젝트를 진행중이다.모델 구현을 어떤 방식으로 할까 고민해보았을 때, 카카오톡 챗봇에 우리가 개발한 모델을 연결하는 것이 사용자들에게 가장 접근성이 좋을 것 같아 카카오톡 채널에 연결을 시도하였다. 하지만.. 쉽지 않았다ㅎ일단 나는 flask나.. 웹이나 서버쪽 수업을 들은 적이 없어서 더 어렵기도 했고, 카카오톡 챗봇 만든 사례들을 찾아보면 대부분 시나리오 형식으로 특정 input을 지정해주는 경우가 많았는데, 우리는 그렇게 특정 질문만을 정해서 받을 것이 아니었기 때문에.. 그래서 대안책으로 생각한게 요즘 새로 나온 Langserve나 모델 구현 및 데모에 많이 쓰는 Streamlit인데,이 두 방법을 사용해서 구현해.. 공감수 0 댓글수 0 2024. 5. 18.
[Paper Review] Time Series Forecasting (TSF) Using Various Deep Learning Models (2) 저번 포스팅에서 [Time Series Forecasting (TSF) Using Various Deep Learning Models] 논문 소개 및 사용할 딥러닝 모델 프레임워크를 소개하였다. https://y8jinn.tistory.com/69 [Paper Review] Time Series Forecasting (TSF) Using Various Deep Learning Models (1)목차 Ⅰ. Introduction Ⅱ. Methodology Ⅲ. Deep Learning Frameworks 논문의 목적 time series 데이터에 대해 RNN, LSTM, GRU, Transformer 4개의 모델들을 학습 및 평가하여 비교한다. 각 모델들의 강점과 약점을 평가한y8jinn.tistory.c.. 공감수 0 댓글수 0 2024. 5. 13.
[Paper Review] Time Series Forecasting (TSF) Using Various Deep Learning Models (1) 목차 Ⅰ. Introduction Ⅱ. Methodology Ⅲ. Deep Learning Frameworks 논문의 목적 time series 데이터에 대해 RNN, LSTM, GRU, Transformer 4개의 모델들을 학습 및 평가하여 비교한다. 각 모델들의 강점과 약점을 평가한다. w, k의 영향력을 정확도 측면에서 이해해본다. Ⅰ. Introduction Time Series Forecasting (TSF)는 과거의 observations로부터 미래 시점의 예측 변수 분포를 예측하는 문제이다. traditional models linear : ARMA (stationary일 경우), ARIMA (non-stationary일 경우 차분을 해서 데이터가 정상성을 가질 수 있게) non-linear.. 공감수 0 댓글수 0 2024. 4. 1.
검색 증강 생성 (RAG) 이번에 데이터사이언스 캡스톤 디자인을 하면서 LLM을 사용하게 되었는데, LLM에 외부 데이터 소스를 연동하는 방법으로 RAG를 주로 쓰게 될 것 같아 관련 내용을 공부하고 정리해보았다. LLM에 외부 데이터 소스 연동하는 이유? ex) 2021 data 가지고 있고, 이를 통해 LLM 학습 시킬 때, 아무리 성능이 좋은 모델이더라도 2022년 정보 등등 학습과정에서 보여주지 않은 정보들에 대해서는 제대로 답변할 수 없음 LLM에 외부 데이터 소스를 연동하는 법 LLM에 학습과정에 포함되지 않은 지식을 주입하는 방법은 크게 2가지이다. 1. Fine-tuning : 새로운 지식에 관한 텍스트 데이터 소스를 이용해서 LLM의 파라미터를 fine-tuning 함. 새로운 데이터 모아서 -> 기존의 pre-t.. 공감수 0 댓글수 1 2024. 3. 25.
[ResNet] 졸음운전 분류 프로젝트 전 게시물에서 CNN과 VGG를 활용해서 졸음운전을 분류하는 프로젝트를 정리해보았는데, 이번엔 이어서 ResNet을 사용해서 진행해본 부분을 정리해보겠다. https://y8jinn.tistory.com/65 [CNN] 졸음운전 분류 프로젝트 ION Lab에서 CNN을 활용하여 졸음운전을 분류해보는 프로젝트를 진행해보았다. 운전자의 특징 변화를 측정함으로써 졸음여부를 판단하는 방법으로 CNN 기반 모델이 운전자의 '눈'을 인식하여 졸음 y8jinn.tistory.com https://y8jinn.tistory.com/66 [VGG] 졸음운전 분류 프로젝트 전 게시물에서 CNN을 활용해서 졸음운전을 분류하는 프로젝트를 정리해보았는데, 이번엔 이어서 VGG와 ResNet을 사용해서 진행해본 부분을 정리해보겠.. 공감수 0 댓글수 1 2024. 3. 18.
[VGG] 졸음운전 분류 프로젝트 전 게시물에서 CNN을 활용해서 졸음운전을 분류하는 프로젝트를 정리해보았는데, 이번엔 이어서 VGG와 ResNet을 사용해서 진행해본 부분을 정리해보겠다. https://y8jinn.tistory.com/65 VGG - 적절한 kernel(=filter)의 크기나 layer의 수 등을 찾는 것에 초점을 맞춘 모델. - 특히 11x11, 5x5 등 다양한 크기의 kernel을 사용한 AlexNet과 달리 처음부터 끝까지 일관되게 3x3 크기의 kernel만 사용한 것이 VGGNet 모델의 특징임. - VGG는 신경망의 깊이가 모델의 성능에 미치는 영향을 조사하기 위해 시작된 연구로 3x3 convolution을 이용한 Deep CNN 제안. - VGG 모델은 3x3 convolution, max-pooli.. 공감수 1 댓글수 4 2024. 3. 11.
[CNN] 졸음운전 분류 프로젝트 ION Lab에서 CNN을 활용하여 졸음운전을 분류해보는 프로젝트를 진행해보았다. 운전자의 특징 변화를 측정함으로써 졸음여부를 판단하는 방법으로 CNN 기반 모델이 운전자의 '눈'을 인식하여 졸음운전 여부를 판단하는 프로젝트이다. 최종 목표는 운전자 CCTV나 블랙박스에서 찍힌 운전자의 사진을 보고 YOLO 등의 모델을 사용하여 Object Detection을 써서 졸음운전을 판단해보는 것인데, 현재로서는 일단 캐글에 있는 Drowsiness Detection 데이터셋을 활용하여 운전자의 눈 사진만 보고 감고 있는지, 뜨고 있는지 분류해보는 간단한 이진분류 프로젝트를 소개하겠다. https://www.kaggle.com/datasets/kutaykutlu/drowsiness-detection/data D.. 공감수 0 댓글수 0 2024. 3. 4.
[시계열 분석] ARIMA(AutoRegressive Integreted Moving Average) - 자기 회귀 누적 이동 평균 모델 전 게시물인 '[시계열 분석] 정상성' 에서도 알 수 있듯이, 시계열 데이터는 추세-주기, 계절성, 잔차의 합 혹은 곱으로 볼 수 있음. https://y8jinn.tistory.com/63 [시계열 분석] 정상성 시계열 데이터 분석의 기본 전제가 되는 중요한 특성인 정상성에 대해 알아보자. 정상성 - 시간의 흐름에 관계없이 데이터의 평균 및 분산이 일정함을 의미하며, 이런 특성은 시계열 분석의 기 y8jinn.tistory.com 추세와 계절성이 명확히 드러나는 경우 -> 추세와 계절성, 잔차로의 분해만으로도 예측할 수 있으나, 명확한 추세와 계절성을 가지지 않는 주식이나 금값, 유가 등은 어떻게 예측할까? => 시계열 모델 ARIMA (AutoRegressive Integreted Moving Ave.. 공감수 0 댓글수 0 2024. 2. 26.
[시계열 분석] 정상성 시계열 데이터 분석의 기본 전제가 되는 중요한 특성인 정상성에 대해 알아보자. 정상성 - 시간의 흐름에 관계없이 데이터의 평균 및 분산이 일정함을 의미하며, 이런 특성은 시계열 분석의 기본 전제가 된다. (누적, 추세 ㄴㄴ) - 시계열 데이터의 기본적인 특징은, 특정 시점의 값이 다른 시점의 값과 특정한 방식으로의 연관을 가지고 있다는 것. 즉, 각 값이 서로 완전히 독립적이지 않다는 것. 시계열 분석은 이런 서로 연관된 값들의 관계를 파악하는 것. - 통계적 시계열 분석에서, 우리는 어떤 확률 과정을 따르는 시계열이 있다고 가정하고 그 통계적 과정으로부터 나타난 표본을 통해 그 통계적 과정을 알아내고자 한다. 하지만 이 과정을 정확히 알아내는건 매우 어려우며, 이를 해결하기 위해 강한 과정을 바탕에 깔.. 공감수 0 댓글수 0 2024. 2. 19.
순서가 있는 데이터를 위한 딥러닝 기본 - RNN BPTT RNN의 학습, BPTT (Back Propagation Through Time) 먼저 loss 함수를 구체적으로 기술하자면, softmax와 CrossEntropyLoss 를 사용하는 Classification 모델이라면, 가중치 Wyh는 전시간에 공유되므로, Wyh를 기반으로 미분가능 마찬가지로 Lt+1dms ht+1과 전시간에 공유되는 Whh를 기반으로 다음과 같이 표현할 수 있음 이를 ht까지 확장하면, 다음과 같이 표현할 수 있음 (ht+1 계산에 ht가 사용되므로 다음과 같이 미분 가능) -> 체인룰임 예를 들어, 이렇게 표현할 수 있음. 따라서, Lt+1은 다음과 같이 표현할 수 있음 즉, 각 시점에서 발생한 hidden state까지의 미분값을 모두 합친 것 hidden state는 tan.. 공감수 0 댓글수 1 2024. 2. 12.
순서가 있는 데이터를 위한 딥러닝 기본 - RNN 핵심 이해 아래 내용은 인프런 [처음하는 딥러닝과 파이토치(Pytorch) 부트캠프] 강의를 듣고 공부한 내용입니다. RNN Recurrent Neural Network, 순환 신경망 이라고함 입력과 출력을 시퀀스 단위로 처리하는 시퀀스(Sequence) 모델 시퀀스(Sequence)란 연관된 연속 데이터를 의미하며, 시계열 데이터 등 순서를 가지는 데이터(그 전의 데이터를 가지고 예측해야하니까 시간축이 중요함) 에 적합한 신경망 모델 ( CNN과 마찬가지로 DNN으로도 시계열 데이터 분석 가능하지만 더 성능이 좋음) 번역기의 입력은 단어가 순서를 띄고 나열된 문장 시퀀스이며, 출력도 번역된 단어가 순서를 띄고 나열된 번역 문장 시퀀스임 가장 기본적인 시퀀스 모델이며, 최근에는 RNN을 기반으로 개선된 LSTM과 .. 공감수 0 댓글수 1 2024. 2. 11.
ERD (Entity Relationship Diagram) ERD (Entity Relationship Diagram) 테이블 간 서로의 상관관계를 그림으로 도식화 한것을 E-R 다이어그램이라 하며, 간략히 ERD라 함 ERD의 구성요소는 객체(Entity), 관계(Relationship), 속성(Attribute) 3가지 (현실 세계의 데이터는 이 3가지 구성요소로 모두 표현 가능) ex) 팀과 선수 간의 ERD 논리 모델과 물리 모델 데이터 관계 관계란 두 개의 엔터티 사이의 논리적인 연결, 즉 엔터티와 엔터티가 존재의 형태나 행위로서 서로에게 영향을 주는 형태를 말함 비즈니스에서 중요한 어떤 것(동사)을 표현 일반적으로 두 엔터티 사이에 존재하나, 한 엔터티 스스로 관계를 가질 수도 있음(자기참조: Recursive / Reflexive reltaionsh.. 공감수 0 댓글수 1 2024. 2. 7.
정규화 정규화란? - 데이터 처리에 있어 입력, 수정, 삭제의 이상 현상을 제거하여 안정적 처리(Consistency)를 보장하기 위한 방법 - 기본 원칙은 테이블에 중복된 데이터가 없도록 하는 것 - 다양한 유형의 검사를 통해 데이터 모델을 더욱 구조화하고 개선시켜 나가는 절차에 관련된 이론 함수 종속성 결정자(Determinant, X, Primary Key) → 종속자(Dependent, Y, 나머지 속성들) 종속자는 근본적으로 결정자에 함수적으로 종속관게를 가지고 있음 ex) 주민등록번호 -> (이름, 출생지, 주소) —> 이름, 출생지, 주소는 주민등록번호에 함수 종속성을 가지고 있음 정규화 단계 제 1 정규화 한 칼럼엔 한 개의 데이터만 (함수의 속성값을 갖는 속성을 분리) PK(Primary Key.. 공감수 2 댓글수 0 2024. 2. 5.
Classification 문제를 위한 softmax 핵심 이해 아래 내용은 인프런 [처음하는 딥러닝과 파이토치(Pytorch) 부트캠프] 강의를 듣고 공부한 내용입니다. Classification (분류) 분류 문제는 출력 결과가 다르므로, 분류 타입에 따라 다른 activation function을 사용하는 것이 일반적임 예측 문제 Regression (숫자 예측, 예 : 키) Binary Classification (이진 분류) Multi-Class(Multi-Label) Classification (다중 분류) Final Action None Sigmoid Softmax (또는 Log-Softmax) Loss Function MSE Loss BCE Loss Cross Entropy Loss (또는Negative Log Likelihood Loss) Softma.. 공감수 0 댓글수 0 2024. 2. 2.
Adam Optimizer 아래 내용은 인프런 [처음하는 딥러닝과 파이토치(Pytorch) 부트캠프] 강의를 듣고 공부한 내용입니다. Adam(Adaptive Moment Estimation) Optimizer 가장 많이 사용하는 optimizer, 결국 Adam optimizer를 이해하기 위해 기존의 optimizer를 설명하는 것. ** Optimizer = 확률적 경사하강법의 파라미터 변경 폭이 불안정한 문제를 해결하기 위해 학습 속도와 운동량을 조정하는 옵티마이저 적용 Adam : Momentum과 RMSProp의 장점을 결합한 경사하강법으로, RMSProp의 특징인 기울기의 제곱을 지수평균한 값과 모멘텀 특징인 v(i)를 수식에 활용함. 즉, 알엠에스프롭의 G함수와 모멘텀의 v(i)를 사용하여 가중치를 업뎃함. opti.. 공감수 0 댓글수 0 2024. 2. 2.
[프로그래머스 SQL] 그룹별 조건에 맞는 식당 목록 출력하기 Lv.4 그룹별 조건에 맞는 식당 목록 출력하기 다음은 고객의 정보를 담은 MEMBER_PROFILE테이블과 식당의 리뷰 정보를 담은 REST_REVIEW 테이블입니다. MEMBER_PROFILE 테이블은 다음과 같으며 MEMBER_ID, MEMBER_NAME, TLNO, GENDER, DATE_OF_BIRTH는 회원 ID, 회원 이름, 회원 연락처, 성별, 생년월일을 의미합니다. Column name Type Nullable MEMBER_ID VARCHAR(100) FALSE MEMBER_NAME VARCHAR(50) FALSE TLNO VARCHAR(50) TRUE GENDER VARCHAR(1) TRUE DATE_OF_BIRTH DATE TRUE REST_REVIEW 테이블은 다음과 같으며 REVI.. 공감수 0 댓글수 1 2024. 1. 29.
[파이썬 머신러닝 완벽 가이드] 추천 시스템 - 콘텐츠 기반 필터링, 최근접 이웃 협업 필터링 추천 시스템의 유형 콘텐츠 기반 필터링 협업 필터링 최근접 이웃 협업 필터링 잠재 요인 협업 필터링 콘텐츠 기반 필터링 추천 시스템 사용자가 특정한 아이템을 매우 선호하는 경우, 그 아이템과 비슷한 콘텐츠를 가진 다른 아이템을 추천하는 방식 ex) 사용자가 특정 영화에 높은 평점을 줬다면 그 영화의 장르, 출연 배우, 감독, 영화 키워드 등의 콘텐츠와 유사한 다른 영화를 추천해주는 방식 최근접 이웃 협업 필터링 친구들에게 물어보는 것과 유사한 방식으로, 사용자가 아이템에 매긴 평점 정보나 상품 구매 이력과 같은 사용자 행동 양식만을 기반으로 추천을 수행하는 것이 협업 필터링 방식 협업필터링 -> 사용자-아이템 평점 매트릭스와 같은 축적된 사용자 행동 데이터를 기반으로 사용자가 아직 평가하지 않은 아이템을.. 공감수 0 댓글수 1 2024. 1. 22.
[SQL] 서브쿼리는 언제 쓰는 걸까 **서브쿼리란? 하나의 쿼리 문장 내에 포함된 또 하나의 쿼리 문장. 비교연산자의 오른쪽에 기술해야 하고 반드시 괄호 안에 넣어야 함. 메인 쿼리가 실행되기 이전에 한 번만 실행됨. SQL의 기본 문법이자 가장 자주쓰이는 SELECT, WHERE, FROM. 서브쿼리를 각각의 어느 위치에서 사용하냐에 따라 나누어진다. 각각의 종류에 따라 살펴보자. SELECT 절 서브쿼리(스칼라 서브쿼리) 스칼라 서브쿼리 ( Scalar Subqueries ) 라고 불리며 SELECT 절 안에 서브쿼리가 들어있다. 이 때, 서브쿼리의 결과는 반드시 단일 행이나 SUM, COUNT 등의 집계 함수를 거친 단일 값으로 리턴되어야 한다. 이유는 서브쿼리를 끝마친 값하나를 메인쿼리에서 SELECT 하기 때문. 예를 들어 홍길동.. 공감수 0 댓글수 0 2024. 1. 14.
[CNN] 전이 학습 - 특성 추출 기법 [딥러닝 파이토치 교과서]를 기반으로 공부한 내용입니다. 전이 학습 : 이미지넷처럼 아주 큰 데이터셋을 써서 훈련된 모델(사전 훈련된 모델(네트워크))의 가중치를 가져와 우리가 해결하려는 과제에 맞게 보정해서 사용하는 것을 의미함 => 비교적 적은 수의 데이터를 가지고도 우리가 원하는 과제를 해결할 수 있음 특성 추출 기법 특성 추출은 ImageNet 데이터셋으로 사전 훈련된 모델을 가져온 후 마지막에 완전연결층 부분만 새로 만듦. 즉, 학습할 때는 마지막 완전연결층(이미지의 카테고리를 결정하는 부분)만 학습하고 나머지 계층들은 학습되지 않도록 함. -> 합성곱층과 데이터 분류기(완전연결층)으로 구성 합성곱층 : 합성곱층과 풀링층으로 구성 데이터 분류기(완전연결층) : 추출된 특성을 입력받아 최종적으로 .. 공감수 0 댓글수 1 2024. 1. 1.
[CNN] Fashion MNIST 데이터로 CNN 실습하기 앞의 전처리 과정은 MNIST 데이터로 실습한 DNN 학습과정과 같음. 합성곱 네트워크 생성 class FashionCNN(nn.Module): def __init__(self): super(FashionCNN, self).__init__() self.layer1 = nn.Sequential( #1 nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3, padding=1), #2 nn.BatchNorm2d(32), #3 nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) #4 ) self.layer2 = nn.Sequential( nn.Conv2d(in_channels=32, out_channels=64, kernel_si.. 공감수 0 댓글수 1 2023. 12. 29.
[CNN] Convolutional Neural Network 목차 1) CNN 기본 구성요소 2) Pytorch와 CNN 3) CNN 모델 구성 Convolutional Neural Network CNN 역시 변형된 backpropagation 알고리즘으로 학습 최소한의 전처리 만으로도 픽셀로부터 시각적 패턴을 인식 1) CNN 기본 구성요소 ** Stride stride는 필터를 얼마만큼 움직여주는가를 의미. 기본적으로 stride는 1이지만, 테스트에 따라서 stride를 1 이상의 값으로 설정할 수도 있음 **stride와 padding을 적용했을 때의 최종 -입력데이터 높이 : H -입력 데이터 너비 : W -필터 높이 : FH -필터 너비 : FW -Stride 크기 : S -패딩 사이즈 : P -output 너비 = (W + 2P - FW) / S +1.. 공감수 0 댓글수 1 2023. 12. 29.
[CNN] Image Convolution Image Convolution 이미지는 1차원 형태의 데이터로 만들면, 공간적/지역적 정보가 손실되고, 별도의 추상화 과정 없이 바로 raw data로 연산 과정에 넣어지므로 학습 효율성이 저하됨. → CNN ** 이 자리에 이 kernel만큼의 component가 얼마나 들어있냐 ** padding = 이미지와 heat map의 사이즈가 같게 나오도록 값을 채워주는 것. → padding의 크기는 kernel의 크기가 결정, 이왕이면 양 옆 위아래로 대칭되게. 주어진 kernel의 모양이 이미지 안의 각각의 위치에서 얼마나 강하게 들어가 있는지를 구하는게 convolution 공감수 0 댓글수 1 2023. 12. 29.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.