실습 목표 VGGNet을 사용하여 이미지를 학습하고 10개의 카테고리를 갖는 이미지를 분류하는 이미지 분류기를 생성한다. (데이터셋: CIFAR) Pre-training 모델의 사용방법을 이해한다. 문제 정의 VGGNet 구조 살펴보기 주요 코드 1. VGGNet # Model cfg = { 'VGG11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'VGG13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'VGG16': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M..

실습 목표 CNN을 구성하는 주요 연산을 이해하고, 신경망을 설계한다. AlexNet을 사용하여 이미지를 학습하고 10개의 카테고리를 갖는 이미지를 분류하는 이미지 분류기를 생성한다. (데이터셋: CIFAR) 이미지 증강을 수행하여 모델의 성능을 높이는 방법을 이해한다. Confusion Matrix를 생성하여 분류 정확도를 확인한다. reference https://tutorials.pytorch.kr/beginner/basics/buildmodel_tutorial.html https://tutorials.pytorch.kr/beginner/basics/data_tutorial.html https://medium.com/@djin31/how-to-plot-wholesome-confusion-matrix..

오늘 저녁 약속이 있는데 잘 하고 올게요~ 오늘은 지난번에 했던 데이터 세트와 다른 데이터로 복습할겸 인공신경망을 구성해서 다시 학습을 해볼 것이다 추가로 학습이 완료된 모델을 저장하는 방법도 실습해볼 것이다 모델을 저장하는 방법에는 두가지가 있다 모델의 파라미터만 저장하는 방법 이 방법은 모델의 계층 구조를 알고 있어야만 나중에 다시 해당 모델을 사용할 수 있음 모델 전체를 저장하는 방법 사용할 데이터 세트 : Fashion MNIST torchvision.datasets — Torchvision master documentation torchvision.datasets All datasets are subclasses of torch.utils.data.Dataset i.e, they have __g..

이전에 계속 배웠던 것들을 실제로 코드로 구현해보는데 (물론 프레임워크 쓰는거지만ㅋ) 기존에는 이해가 안되었던 것들이 왜 하는건지 어떤걸 하려는건지 보이니까 신기했다 역시 처음에는 이해가 안될지라도 꾸준히 계속 하는 것이 중요한 것 같다 그리고 내일 약속이 잡혀있는데 설렘반 기대반 1. TensorDataset과 DataLoader 입력 데이터를 쉽게 처리하고, 배치 단위로 잘러서 학습할 수 있게 도와주는 모듈 Dataset : 학습시 사용하는 feature와 target의 pair로 이루어짐. 아래에서 코드에서는 TensorDataset을 사용하여 Dataset 인스턴스를 생성했지만, 이미지의 사례와 같이 Dataset 클래스를 상속받아서 커스텀 인스턴스를 생성하는 형태로 많이 사용 DataLoader..

가보자 가보자~ 1. 자전거 대여량 예측 - 선형회귀 다음과 같은 항목들로 이루어져 있는 데이터를 사용해볼 것이다 시간 - 시간별 타임 스탬프 계절 - 1 = 봄, 2 = 여름, 3 = 가을, 4 = 겨울 휴일 - whether the day is considered a holiday 주간 - whether the day is neither a weekend nor holiday 날씨 - 1: 맑음, Few clouds, Partly cloudy, Partly cloudy 2: 안개낌 + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist 3: 약간 눈내림, 약간 비 + 천둥번개 + Scattered 구름, 약간의 비 + Scattered 구름 4: 소나기 +..

실습 위주라 블로그에 정리하기가 애매하군 제조 데이터의 분류기 실습 1. 데이터 로드 numpy와 pandas는 데이터를 로드하고 형식에 맞게 변형 matplotlib.pyplot과 seaborn은 데이터 시각화를 위해 사용 # 라이브러리 & 데이터 로드 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv('exercise1.csv') df.head() df.shape로 데이터 프레임의 형태를 파악할 수 있다 총 1000개의 행과 7개의 열로 이루어져있다는 것을 확인할 수 있다 df.shape # (1000, 7) target은 0과 1로 구분되어있게 구성했다...

오늘까지만 하고 내일부터는 실습 위주로 진행이 될 것이다 인공지능을 공부하면서 나는 어떤 쪽으로 방향을 잡고 깊게 들어갈 것인지를 계속 고민하고 있는데 쉽지 않다 모델을 만든다? 연구? 아니면 만들어진 것을 가져다가 사용하는? 어떻게 사용? 열심히 하는 것도 좋지만 하고 싶은 것이 무엇인지, 무엇이 더욱 미래 가치가 높은지를 충분히 고려한 후에 방향을 잡고 꾸준히 공부하는 것이 중요한 것 같다 1. XAI (eXplainable AI) XAI란 설명이 가능한 AI를 의미하며 우리가 사용하는 모델들의 결과가 왜 이런 결과를 도출하게 되었는지에 대한 고민을 조금이라도 덜어주기 위한 메뉴얼? 같은 것이다 XAI를 함으로써 Model은 어떤 feature를 가장 중요하게 생각하는지, 각각의 feature가 Mo..

아니 어제 문제 풀이 앱 만들다가 12시를 넘겨서 자버렸다... 근데 요즘 매일 4시에 일어나다보니, 별로 안 잔 것 같은데 피곤하지가 않네;; 굳 사실 조금 피곤하긴함ㅋ 오늘도 핫식스로 시작해보는 하루이다... 1. DCGAN Generator는 training set을 단순히 암기하거나 copy하지 않는다 Generator의 input z를 조금씩 변경하여 생성한 이미지도 완전히 다른 이미지가 나오는 것이 아니라 조금씩 변경되는 형태로 생성되는 것으로 보아, latent space의 어떤 점과 생성된 값이 1:1로 매칭되는 형태가 아님을 알 수 있었다. Generator에서 생성된 filter는 특정 object를 생성하는 역할을 수행한다 예를 들어서 어떤 filter는 창문을 생성하는 filter라..