딥러닝

다음 코드로 텐서플로의 데이터를 불러온다.데이터의 크기를 확인한다.위의 train 데이터는 2828의 픽셀로 되어있는 이미지가 총 6만개가 있고, test 데이터는 2828 픽셀로 되어있는 이미지가 총 10000개가 있다는 뜻이다.다음은 10개의 데이터만 이미지로 출력

케라스 API의 패션 MNIST 데이터셋을 불러오자.그 다음 이미지의 픽셀값을 0~255범위에서 0~1로 변환 후, 28\*28 크기의 이미지를 1차원 배열로 평탄화한다. 후에 sklearn의 train_test_split() 메서드를 사용해 train과 validat

이전 챕터와 마찬가지로 데이터 불러온 후 전처리하기.모델을 생성 후 반환하는 함수 만들기모델 생성 후 학습시키기.다음 그래프와 같이 epoch가 증가할 수록 손실은 줄어들고 정확도는 높아진다. 그러면 epoch를 계속해서 증가하면 성능이 완전히 올라가지 않을까?다음은

합성곱 신경망(CNN)은 Convolution Neural Networks의 줄임말로, 인간의 시신경을 모방하여 만든 딥러닝 구조 중 하나이다. 이미지 처리에 탁월하며, ANN, DNN과 다르게 이미지의 공간적인 정보를 유지한다.먼저 다음과 같은 3x3의 이미지가 있다

패션 MNIST 데이터 불러온 후, 스케일링 후 Train, Validation Set으로 분할최종적으로 만들어지는 피처맵의 크기는 (7, 7, 64)model.summary()keras.utils.plot_model(model)model.compile(optimize

마이크로소프트에서 개발한 알고리즘으로, GoogleLeNet은 22개 층으로 구성됐지만, 7배 깊은 층, 152개를 사용하여 깊은 네트워크를 사용한 층을 갖는다.단순히 네트워크 깊이만 깊어지면 성능이 좋아질까?ResNet의 논문에는 56층의 네트워크가 20층의 네트워크