본문 바로가기
728x90
반응형
[파이썬 딥러닝 파이토치] Part2 01 인공지능(딥러닝)의 정의와 사례 1.1 인공지능이란 1.2 인공지능의 사례 이미지 분류 객체 탐지( 이미지에 포함되어 있는 물체가 뭔지 알아내는거 ex) 쟤는 자동차야) 텍스트 기계 번역 문장 분류 질의 응답 시스템 개체명 인식 알파고 GAN(Generative Adversarial Networks) 고민성씨 컨퍼 프로젝트 같은 지들이 output을 만들어내는 Style Transfer 여름 풍경을 겨울 풍경으로 이미지 변경? deepfake 02 파이토치 03 머신러닝의 정의와 종류 3.1 머신러닝이란 3.2 머신러닝의 종류 모델 학습 손실함수 3.3 머신러닝의 구분 및 지도학습 모델의 종류 지도 학습 VS 비지도 학습 VS 강화학습 1. 지도학습 선형 회귀 모델 회귀 계수 축소 모델 (Lasso.. 2023. 7. 8.
[밑바닥부터 시작하는 딥러닝 1] chap7(합성곱 신경망) CNN(합성곱 신경망- convolutional neural network) 이미지 인식 + 음성 인식 등 다양한 곳에서 사용됨. 7-1) 전체 구조 기존 : 완전연결계층(=Affine 계층) CNN : Conv계층, Pooling 계층이 더해져서 'Afiine - Relu' -> 'Conv -> Relu -> (pooling)'으로 바뀜. 7-2) 합성곱 계층 입체적인 데이터가 흐른다는 차이점이 있음 7-2-1) 완전연결 계층의 문제점 데이터의 형상이 무시됨 ex) 기존: 3차원 데이터를 1차원 데이터로 바꿔서 계산햇었음 이미지의 경우, 3차원이기에 1차원으로 바꿔버리면 그에 담긴 정보들이 사라져버림 CNN의 입출력 데이터: Feature Map(특징맵)이라고 함 - 입력 특징 맵/ 출력 특징 맵 7-.. 2023. 7. 8.
[밑바닥부터 시작하는 딥러닝 1] chap8 딥러닝 1) 손글씨 숫자 인식 심층 CNN 특징 층이 깊어지면서 채널 수는 더 늘어나는 것이 특징임 중간에 풀링 계층을 추가→ 중간 데이터의 공간 크기를 점차 줄임 마지막 완전연결 계층 → 드롭아웃 사용 Adam 활용해 최적화 가중치 초깃값: he 초깃값(relu에서는 he 초깃값 사용) 3x3 필터 사용한 합성곱 계층 활용 2) 데이터 확장 입력 이미지 알고리즘을 통해 인위적으로 확장함 데이터가 많이 없을 때 효과적임 회전 세로로 이동 crop(이미지 일부 자르기) flip (이미지 좌우 뒤집기) - 대칭성 고려 x시 크기 수정 밝기 변화 3) 층 깊게 하는 이유 더 적은 매개변수로 표현력 달성이 가능 파라미터가 많으면 오버피팅 발생 높아 55의 합성곱 연산 1회는 33의 합성곱 연산을 2회 수행하여 대체할 .. 2023. 7. 8.
[파이썬 딥러닝 파이토치] Part3 기존 신경망의 단점: 과적합 Gradient Vanishing ++ Internal Covariance Shift 현상 발생 ( Input 분포가 달라짐에 따라 학습 속도가 느려지는 현상 ⇒ 이를 완화시키고자 딥러닝이 나오게 됨 과적합과 기울기 감퇴 문제를 해결한 딥러닝 방법 drop - out 학습 시에는 dropout 실행 평가 시에는 drop out 사용x (모든 노드를 활용해 output 계산) activation 함수 relu 함수 입력 값이 0 이상 부분이면 기울기 1, 0 이하 부분은 0 ⇒ 따라서 아예 없어지거나 완전히 살리는 것으로 해석 가능 ⇒ 레이어가 깊어져도 Gradient Vanishing이 일어나는 것을 완화시킴 Batch Normalization Internal Covarian.. 2023. 7. 8.
[파이썬 딥러닝 파이토치] Part5 part5-1 Data & Task: 어떤 데이터가 있을까 자연어 처리(NLP) : text 데이터를 분석하고 모델링 하는 분야 (NLU+NLG) 자연어 이해(NLU): 자연어 이해하는 영역 자연어 생성(NLG): 자연어 생성 감정분석 (sentiment analysis) 요약(summarization) 기계 번역(machine translation) 질문 응답(question answering) +a (품사 예측 분야, 챗봇 연구, 문장 간의 논리적 관계에 대한 분류 모델, 중의적 표현 구별, 이미지 속 상황 설명 글 만들기 등등 part5-2 문자를 숫자로 표현하는 방법 Tokenization: 문장을 의미 있는 부분으로 나누는 과정 연속된 문자의 나열(문장)을 적절하게 의미를 지닌 부분의 나열로 바.. 2023. 7. 8.
[Standford_cs231n] Lecture 2 ) Image Classification 0. Image Classification Semantic gap: 이미지가 고양이라는 사실과, 실제 컴퓨터가 보는 저 숫자값에는 큰 격차가 존재 ⇒ 이를 시멘틱 갭이라고 칭함. 찍는 구도나 조명, 자세 변화, 사물에 가려지는 등 이러한 변화에 따라 픽셀값들은 변하게 되는데, 그럼에도 컴퓨터는 ‘고양이’라고 인식 할 수 있어야함. 그래서 이미지에서 edges을 추출하고, 귀모양이나 코모양 같은 고양이에게 필요한 집합들을 하나씩 찾아서 이러한 집합들이 다 있으면 고양이다 라고 인식하게 함.⇒ 하지만 비효율적, 잘 작동하지 않음 ⇒ 다른 객체(강아지나 집)들을 인식하기 위해서는 그 클래스에 맞는 집합을 또 하나씩 다 만들어줘야 하는 문제 발생. ↔ 이래서 나온 방법이 데이터 중심 접근 방법(Data-Driv.. 2023. 7. 8.
728x90
반응형

티스토리툴바