![]()
2024.02.22 ResNetGoogleNet(Inception Net)은 2014년 ILSVRC대회 우승 : 오차 6.67%ResNet은 2015년 ILSVRC대회 우승 : 오차 3.57%=> 엄청난 성능 향상을 이루어 주목 받게 됨. MS Research 팀에서 제시를 한 방법론이다.이름에 답이 있듯이 이 모델의 핵심은 Residual module (잔차모듈) + Skip Conncetion (스킵연결)이다.깊이는 증가를 해도 모델의 복잡도는 감소하는 식이며단일이 아니라 앙상블을 해서 제일 적은 3.57로 우승을 했다고 한다. 잔여 블록에 대한 구조
![]()
2024.02.21 Inception Net 실습(54일차 이론 이후 이어서 진행) 기본정보 데이터셋 : 캐글 견종 데이터셋 (https://www.kaggle.com/c/dog-breed-identification)train.zip, test.zip, submission, labels.csv 파일 다운로드 colab에서 zip 파일 풀기# zip --> !unzip -qq 풀파일명 -d 풀어둘폴더경로!unzip -qq "/content/train.zip" -d "/content/train/"!unzip -qq "/content/test.zip" -d "/content/test/"# 풀렸는지 확인import osimport globlen(list(glob.glob("/content/train/*.jpg"..
![]()
https://school.programmers.co.kr/learn/courses/30/lessons/131533 프로그래머스코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요.programmers.co.kr 문제 내 풀이JOIN한 테이블에 코드별로 상품을 묶어서 판매량의 합과 가격을 곱하여 매출을 표기해준다. 실제 일어난 매출은 OFFLINE_SALE 테이블이고, PRODUCT 테이블은 제품에 대한 정보를 담은 테이블이므로OFFLINE_SALE 테이블을 기준으로 JOIN해줬다.SELECT PR.PRODUCT_CODE, (PR.PRICE) * SUM(OS.SALES_AMOUNT) AS SALESFROM..
![]()
2024.02.20AE : Auto Encoder모델의 기본적인 구조가 대칭형이다. 입력: 인코더(데이터를 숫자로 변경)출력: 디코더(숫자로 변경된 것을 원본으로 복원)(한글) utf-8 인코딩 ⇒ utf-8디코딩 AE 기본 개념대칭적인 구조를 활용을 해서 근원적인 특징을 생각할 수 있다.대칭적인 부분을 통해 생성이나 복원 등의 분야에서 활용 가능하다데이터에서 근원적인 값으로 변경을 ‘인코더’,근원적인 값에서 데이터로 변경 양식을 ‘디코더’라고 함인코더/디코더 다 각각 네트워크다.필요에 따라서 네트워크 구조가 변경 할 수 있다. 실습기본세팅MNIST 데이터 셋을 가져온다. (손글씨 28*28짜리 데이터)import tensorflow as tfimport numpy as npimport matplotli..
![]()
2024.02.19 이미지 처리하기 : cv2이미지 불러와서 출력하기import matplotlib.pyplot as plt%matplotlib inlineimport matplotlib.cm as cmimport numpy as npimport cv2import osimg_path = "/content/sohn.jpg"image = cv2.imread(img_path)print(image.shape)plt.imshow(image)# colab은 RGB가 아니라 BGR을 사용하기 때문에 순서 변경imgRGB = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.imshow(imgRGB)# colab에서 이미지 출력을 위해 cv2.imshow 함수 대신 cv2_imshow 사용f..
![]()
https://school.programmers.co.kr/learn/courses/30/lessons/42577 프로그래머스코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요.programmers.co.kr 문제 내 풀이처음엔 단순하게 조건에 맞게 그대로 짜서 시도했습니다. 길이가 작은 순서대로 그 다음것들을 비교하면서 답을 찾는 식이죠.정확성 테스트에서는 문제 없이 다 통과했지만효율성 테스트에서 시간 초과로 전부 틀려서 답 인정이 안되었습니다. def solution(phone_book): answer = True phone_book = sorted(phone_book, key=lambda..
![]()
https://school.programmers.co.kr/learn/courses/30/lessons/59043 프로그래머스코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요.programmers.co.kr 문제 내 풀이LEFT JOIN 자체는 비슷한 패턴이어서 문제 없이 동일하게 진행했다. DATETIME 컬럼 자체가 데이터 형식이 DATETIME이라 날짜 비교가 부등호로 가능했다. SELECT INS.ANIMAL_ID, INS.NAMEFROM ANIMAL_INS INSLEFT JOIN ANIMAL_OUTS OUTSON INS.ANIMAL_ID = OUTS.ANIMAL_IDWHERE OUTS.DATE..
2024.02.15 VGG 모델 실습2* 지난 일차에 이어서 진행 데이터 증강 적용60,000장의 데이터를 50% 증강한 90,000장 적용import tensorflow as tffahion_mnist = tf.keras.datasets.fashion_mnist(train_X, train_y), (test_X, test_y) = fahion_mnist.load_data()print(train_X.shape)print(train_y.shape)print(test_X.shape)print(test_y.shape)# 전처리train_X = train_X/ 255.0test_X = test_X /255.0train_X = train_X.reshape(-1,28,28,1) # 3d --> 4dtest_X = ..
2024.02.14VGG 모델CNN 구조를 가지는 VGG 모델 적용실습VGG16 관련 모델 논문을 참고하여 Fashion-MNIST 셋에 맞추어 튜닝model_vgg_fshion= tf.keras.Sequential([ # 원본 입력 : 224 224 RGB ===> 28, 28, 1 Conv2D(input_shape=(28,28,1),kernel_size=(3,3), filters=64, padding="same", activation="relu" ), Conv2D(kernel_size=(3,3),filters=64, padding="same", activation="relu"), MaxPool2D(pool_size = (2,2), strides=(2,2)), ..
2024.02.13 CNN 실습* 이전 일차에 이어서 진행시도 2overfit 문제 해결 위한 stride, pooling, dropout 적용model = tf.keras.Sequential([ tf.keras.layers.Conv2D(input_shape=(28,28,1), kernel_size=(3,3), filters=16), tf.keras.layers.MaxPooling2D(pool_size(2,2), strides=(2,2)), tf.keras.layers.Conv2D(kernel_size=(3,3), filters = 32), tf.keras.layers.MaxPooling2D(pool_size(2,2), strides=(2,2)), tf.keras.layers.Conv2D(kernel_s..
2024.02.07 CNNconvolution Neural NetworkImage 연산, CNN의 역할특징 추출: 가로 특성, 세로 특성, edge추출 등이미지 변환 : 뿌옇게 하는 현상,⇒ 전통적인 이미지에 filter를 적용하는 방식이다. 이미지 데이터의 입력 데이터 shape이미지 데이터는 2D가 아니라 3D다.CNN 실습* 구글 코랩에서 진행할 때는 GPU를 적용해서 해야한다.import tensorflow as tf# Fashion-MNIST 데이터 적용# CNNfashion_mnist = tf.keras.datasets.fashion_mnist(train_X, train_y), (test_X, test_y) = fashion_mnist.load_data()# train_X.shape : 600..
![]()
2024.02.05 실습2* 지난일차 실습에 이어서 진행됩니다. 지난 일차의 구성은 단순하게 layer도 1번만 사용했다보니 overfit이 발생했습니다. 모델의 layer도 추가로 구성하고 복잡도 컨트롤을 위해 dropout을 layer 사이에 추가하는 방법을 적용해봅니다. # 수정 및 추가한 부분model = tf.keras.Sequential( [ tf.keras.layers.Flatten( input_shape = ( 28, 28) ), tf.keras.layers.Dropout(0.1), tf.keras.layers.Dense( units=128, activation="relu"), tf.keras.layers.Dropout(0.1), ..
