본문 바로가기

DEEP LEARNING

RNN 2020. 3. 31. 14:57 RNN (Recurrent Neural Networks) 히든 노드가 방향을 가진 엣지로 연결돼 순환구조를 이루는(directed cycle) 인공신경망의 한 종류 음성, 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델 시퀀스 길이에 관계없이 인풋과 아웃풋을 받아들일 수 있는 네트워크 구조이기 때문에 필요에 따라 다양하고 유연하게 구조를 만들 수 있음 구조 내 weight 값이 항상 같음 (같은 weight를 share함으로써 문장의 길이가 길어도 네트워크 사이즈가 달라지지 않음) 기본구조 현재 상태의 output yt는 input xt와 hidden state인 ht를 전달받아 갱신 state의 활성함수(activation function)은 비선형 함수인 하이퍼볼릭탄젠트(tanh) Langua..
Semantic Segmentation 2020. 3. 30. 17:39 이미지 내의 각 픽셀단위로 배경 및 각 개체의 클래스를 분할하고 동시에 예측 무엇(what)이 있는지 확인(semantic) 뿐 아니라 어느 위치(where)에 있는지(location)도 파악 FCN (Fully Convolutional Networks for Semantic Segmentation) 기검증된 네트워크(AlexNet, VGGNet, CoocLeNet) 등 이용 fully connected layer를 1x1 convolution으로 바꿈으로 네트워크 전체가 convolution층으로 이뤄지게 됨 어떤 크기의 H x W 이미지도 입력될 수 있음 여러 층의 컨볼루션층들을 거치고 난 후의 특성맵(feature map, H/32 x W/32)의 한 픽셀이 입력 이미지(32 x 32)를 대표함으로..
cnn 실습_나만의 이미지 데이터를 만들고 학습하기(4) - additional models 2020. 3. 26. 16:18 MLP cnn이전에 먼저 multi layer percetron으로도 학습 가능 ## model function def create_model(): model = keras.Sequential() model.add(keras.layers.Flatten(input_shape=(128,128,3))) model.add(keras.layers.Dense(512, activation='relu')) model.add(keras.layers.Dense(256, activation='relu')) model.add(keras.layers.Dense(128, activation='relu')) model.add(keras.layers.Dense(5, activation='softmax')) return model G..
cnn 실습_나만의 이미지 데이터를 만들고 학습하기(3) - functional API & save_model 2020. 3. 26. 14:25 # Functional API를 사용하여 model 구성 def create_model2(): inputs = keras.Input(shape=(128, 128, 3)) conv1 = keras.layers.Conv2D(filters=32, kernel_size=[3, 3], padding='SAME', activation='relu')(inputs) pool1 = keras.layers.MaxPool2D(padding='SAME')(conv1) conv2 = keras.layers.Conv2D(filters=64, kernel_size=[3, 3], padding='SAME', activation='relu')(pool1) pool2 = keras.layers.MaxPool2D(padding='SAME..
Object Detection 2020. 3. 25. 08:35 객체 탐지(Object detection)은 어떤 객체(Label)가 어디에(x, y) 어느 크기로(w, h) 존재하는지 찾는 Task Classification + Localization(Bounding Box) Classification Localization -> regression 평가: intersection over union Two-stage Method R-CNN : Regions with CNN features 1. Hypothesize Bounding Boxes (Proposals) - Object가 존재할 적절한 위치에 Bounding Box Proposal (Selective Search) - 2000개의 Proposal 생성 2. Resampling pixels / features..
cnn 실습_나만의 이미지 데이터를 만들고 학습하기(2) - sequential API 2020. 3. 21. 00:11 import tensorflow as tf from tensorflow import keras from sklearn.model_selection import train_test_split import numpy as np from glob import glob from PIL import Image import matplotlib.pyplot as plt import os print(tf.__version__) print(keras.__version__) image_datas = glob('./datas/*/*.png') class_name = ["apple", "beef", "milk","noodle","potato"] dic = {"apple":0, "beef":1, "milk":2, "noodle..
cnn 실습_나만의 이미지 데이터를 만들고 학습하기(1) - image crawling 2020. 3. 20. 23:17 웹페이지 분석 : url (html) requests 모듈을 이용해서 html 문자열 데이터를 받아옴 : response response로 받아온 문자열 html 포멧의 데이터 BeautifulSoup을 이용해서 css-selector를 사용가능한 객체로 파싱 원하는 부분의 문자열 데이터를 css-selector를 이용해서 가져오기 import requests from bs4 import BeautifulSoup paths = [] for page in range(7): url = "http://browse.gmarket.co.kr/search?keyword=%eb%9d%bc%eb%a9%b4&f=c:200001210&k=32&p={}".format(page) response = requests.get(u..
Modern CNN 2020. 3. 10. 16:33 ResNeXt inception이 계속 발달했으므로 이를 적용해 ResNeXtResNet을 발전시켜서 만듦 multi-branch ResNet residual block은 Inception module과 다르게 각 path마다 모두 동일한 구조를 지니며 dimension 모두 같음 split-transform-merge구조 VGG/ResNets의 반복되는 layers 구조를 가짐 Inception module은 hyper parameter가 많기 때문에 디자인하기 어렵다면 ResNeXt는 단순히 몇 개의 path를 사용하는지만 설정하기 때문에 상당히 간편 cardinality (the size of the set of transformations) 똑같은 형태의 빌딩 블록(building block)의 ..

티스토리툴바