Submit Search
Upload
Deep Learning with Python 2-1
โข
0 likes
โข
61 views
P
PartPrime
Follow
Deep Learning with Python
Read less
Read more
Technology
Report
Share
Report
Share
1 of 15
Download now
Download to read offline
Recommended
Image classification
Image classification
์ข ํ ๊น
ย
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - UNET์ ์ด์ฉํ ์ด๋ฏธ์ง ํ์ ๋์ด๊ธฐ
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - UNET์ ์ด์ฉํ ์ด๋ฏธ์ง ํ์ ๋์ด๊ธฐ
PARK SUNGMIN
ย
Chapter 7 Regularization for deep learning - 3
Chapter 7 Regularization for deep learning - 3
KyeongUkJang
ย
ํ๋์ ๋ณด๋ ๋จธ์ ๋ฌ๋
ํ๋์ ๋ณด๋ ๋จธ์ ๋ฌ๋
์ฃผ๊ฒฝ ์ด
ย
์ง๋จ์ง์ฑ ํ๋ก๊ทธ๋๋ฐ 07-๊ณ ๊ธ ๋ถ๋ฅ ๊ธฐ๋ฒ-์ปค๋ ๊ธฐ๋ฒ๊ณผ svm-01
์ง๋จ์ง์ฑ ํ๋ก๊ทธ๋๋ฐ 07-๊ณ ๊ธ ๋ถ๋ฅ ๊ธฐ๋ฒ-์ปค๋ ๊ธฐ๋ฒ๊ณผ svm-01
Kwang Woo NAM
ย
Chapter 6 Deep feedforward networks - 2
Chapter 6 Deep feedforward networks - 2
KyeongUkJang
ย
boosting ๊ธฐ๋ฒ ์ดํด (bagging vs boosting)
boosting ๊ธฐ๋ฒ ์ดํด (bagging vs boosting)
SANG WON PARK
ย
Learning by association
Learning by association
ํ๋ฐฐ ๊น
ย
Recommended
Image classification
Image classification
์ข ํ ๊น
ย
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - UNET์ ์ด์ฉํ ์ด๋ฏธ์ง ํ์ ๋์ด๊ธฐ
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - UNET์ ์ด์ฉํ ์ด๋ฏธ์ง ํ์ ๋์ด๊ธฐ
PARK SUNGMIN
ย
Chapter 7 Regularization for deep learning - 3
Chapter 7 Regularization for deep learning - 3
KyeongUkJang
ย
ํ๋์ ๋ณด๋ ๋จธ์ ๋ฌ๋
ํ๋์ ๋ณด๋ ๋จธ์ ๋ฌ๋
์ฃผ๊ฒฝ ์ด
ย
์ง๋จ์ง์ฑ ํ๋ก๊ทธ๋๋ฐ 07-๊ณ ๊ธ ๋ถ๋ฅ ๊ธฐ๋ฒ-์ปค๋ ๊ธฐ๋ฒ๊ณผ svm-01
์ง๋จ์ง์ฑ ํ๋ก๊ทธ๋๋ฐ 07-๊ณ ๊ธ ๋ถ๋ฅ ๊ธฐ๋ฒ-์ปค๋ ๊ธฐ๋ฒ๊ณผ svm-01
Kwang Woo NAM
ย
Chapter 6 Deep feedforward networks - 2
Chapter 6 Deep feedforward networks - 2
KyeongUkJang
ย
boosting ๊ธฐ๋ฒ ์ดํด (bagging vs boosting)
boosting ๊ธฐ๋ฒ ์ดํด (bagging vs boosting)
SANG WON PARK
ย
Learning by association
Learning by association
ํ๋ฐฐ ๊น
ย
Real time convolutional neural networks for emotion and gender classification
Real time convolutional neural networks for emotion and gender classification
soul8085
ย
์ด์ ๊ทผ_project_๋ก๋ด๋น์ ์์คํ .pdf
์ด์ ๊ทผ_project_๋ก๋ด๋น์ ์์คํ .pdf
tangtang1026
ย
Deep learningwithkeras ch3_1
Deep learningwithkeras ch3_1
PartPrime
ย
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
Seong-Bok Lee
ย
แแ ตแแ จแแ กแจแแ ณแธแแ ณแฏ แแ ตแแ ญแผแแ กแซ แแ ฎแบแแ กแแ ตแซแแ ตแจแแ ต แแ ฆแแ กแจ
แแ ตแแ จแแ กแจแแ ณแธแแ ณแฏ แแ ตแแ ญแผแแ กแซ แแ ฎแบแแ กแแ ตแซแแ ตแจแแ ต แแ ฆแแ กแจ
Do Hoerin
ย
Naive ML Overview
Naive ML Overview
Chul Ju Hong
ย
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - LSTM์ ์ด์ฉํ ์ฃผ๊ฐ(KODEX200) ์์ธก
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - LSTM์ ์ด์ฉํ ์ฃผ๊ฐ(KODEX200) ์์ธก
PARK SUNGMIN
ย
ํ์ด์ฌ์ผ๋ก ์ตํ๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ณธ (18๋ )
ํ์ด์ฌ์ผ๋ก ์ตํ๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ณธ (18๋ )
SK(์ฃผ) C&C - ๊ฐ๋ณํธ
ย
R_datamining
R_datamining
์ฃผ์ ์ก
ย
3.unsupervised learing(epoch#2)
3.unsupervised learing(epoch#2)
Haesun Park
ย
3.unsupervised learing
3.unsupervised learing
Haesun Park
ย
แแ กแฏแแ ญแแ กแ แ ญ 11แแ กแผ
แแ กแฏแแ ญแแ กแ แ ญ 11แแ กแผ
Juhui Park
ย
Pro android performance optimization 20171213
Pro android performance optimization 20171213
Changwook Jun
ย
Matlab guide
Matlab guide
์ข ์ธ ์ต
ย
์์ฒด ๊ดํ ๋ฐ์ดํฐ ๋ถ์ AI ๊ฒฝ์ง๋ํ 1์ ์์์
์์ฒด ๊ดํ ๋ฐ์ดํฐ ๋ถ์ AI ๊ฒฝ์ง๋ํ 1์ ์์์
DACON AI ๋ฐ์ด์ฝ
ย
2.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-1
Haesun Park
ย
Rdatamining
Rdatamining
Kangwook Lee
ย
๋ฅ๋ฌ๋์ ์ํ Tensor flow(skt academy)
๋ฅ๋ฌ๋์ ์ํ Tensor flow(skt academy)
Tae Young Lee
ย
1๊ฐ - pytorch์ tensor.pptx
1๊ฐ - pytorch์ tensor.pptx
Network Science Lab, The Catholic University of Korea
ย
R intro
R intro
์ฃผ์ ์ก
ย
Python machine learning_chap07_1
Python machine learning_chap07_1
PartPrime
ย
Python machine learning_chap06_1
Python machine learning_chap06_1
PartPrime
ย
More Related Content
Similar to Deep Learning with Python 2-1
Real time convolutional neural networks for emotion and gender classification
Real time convolutional neural networks for emotion and gender classification
soul8085
ย
์ด์ ๊ทผ_project_๋ก๋ด๋น์ ์์คํ .pdf
์ด์ ๊ทผ_project_๋ก๋ด๋น์ ์์คํ .pdf
tangtang1026
ย
Deep learningwithkeras ch3_1
Deep learningwithkeras ch3_1
PartPrime
ย
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
Seong-Bok Lee
ย
แแ ตแแ จแแ กแจแแ ณแธแแ ณแฏ แแ ตแแ ญแผแแ กแซ แแ ฎแบแแ กแแ ตแซแแ ตแจแแ ต แแ ฆแแ กแจ
แแ ตแแ จแแ กแจแแ ณแธแแ ณแฏ แแ ตแแ ญแผแแ กแซ แแ ฎแบแแ กแแ ตแซแแ ตแจแแ ต แแ ฆแแ กแจ
Do Hoerin
ย
Naive ML Overview
Naive ML Overview
Chul Ju Hong
ย
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - LSTM์ ์ด์ฉํ ์ฃผ๊ฐ(KODEX200) ์์ธก
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - LSTM์ ์ด์ฉํ ์ฃผ๊ฐ(KODEX200) ์์ธก
PARK SUNGMIN
ย
ํ์ด์ฌ์ผ๋ก ์ตํ๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ณธ (18๋ )
ํ์ด์ฌ์ผ๋ก ์ตํ๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ณธ (18๋ )
SK(์ฃผ) C&C - ๊ฐ๋ณํธ
ย
R_datamining
R_datamining
์ฃผ์ ์ก
ย
3.unsupervised learing(epoch#2)
3.unsupervised learing(epoch#2)
Haesun Park
ย
3.unsupervised learing
3.unsupervised learing
Haesun Park
ย
แแ กแฏแแ ญแแ กแ แ ญ 11แแ กแผ
แแ กแฏแแ ญแแ กแ แ ญ 11แแ กแผ
Juhui Park
ย
Pro android performance optimization 20171213
Pro android performance optimization 20171213
Changwook Jun
ย
Matlab guide
Matlab guide
์ข ์ธ ์ต
ย
์์ฒด ๊ดํ ๋ฐ์ดํฐ ๋ถ์ AI ๊ฒฝ์ง๋ํ 1์ ์์์
์์ฒด ๊ดํ ๋ฐ์ดํฐ ๋ถ์ AI ๊ฒฝ์ง๋ํ 1์ ์์์
DACON AI ๋ฐ์ด์ฝ
ย
2.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-1
Haesun Park
ย
Rdatamining
Rdatamining
Kangwook Lee
ย
๋ฅ๋ฌ๋์ ์ํ Tensor flow(skt academy)
๋ฅ๋ฌ๋์ ์ํ Tensor flow(skt academy)
Tae Young Lee
ย
1๊ฐ - pytorch์ tensor.pptx
1๊ฐ - pytorch์ tensor.pptx
Network Science Lab, The Catholic University of Korea
ย
R intro
R intro
์ฃผ์ ์ก
ย
Similar to Deep Learning with Python 2-1
(20)
Real time convolutional neural networks for emotion and gender classification
Real time convolutional neural networks for emotion and gender classification
ย
์ด์ ๊ทผ_project_๋ก๋ด๋น์ ์์คํ .pdf
์ด์ ๊ทผ_project_๋ก๋ด๋น์ ์์คํ .pdf
ย
Deep learningwithkeras ch3_1
Deep learningwithkeras ch3_1
ย
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
ย
แแ ตแแ จแแ กแจแแ ณแธแแ ณแฏ แแ ตแแ ญแผแแ กแซ แแ ฎแบแแ กแแ ตแซแแ ตแจแแ ต แแ ฆแแ กแจ
แแ ตแแ จแแ กแจแแ ณแธแแ ณแฏ แแ ตแแ ญแผแแ กแซ แแ ฎแบแแ กแแ ตแซแแ ตแจแแ ต แแ ฆแแ กแจ
ย
Naive ML Overview
Naive ML Overview
ย
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - LSTM์ ์ด์ฉํ ์ฃผ๊ฐ(KODEX200) ์์ธก
๋จธ์ ๋ฌ๋ ํ๋ก์ ํธ - LSTM์ ์ด์ฉํ ์ฃผ๊ฐ(KODEX200) ์์ธก
ย
ํ์ด์ฌ์ผ๋ก ์ตํ๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ณธ (18๋ )
ํ์ด์ฌ์ผ๋ก ์ตํ๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ณธ (18๋ )
ย
R_datamining
R_datamining
ย
3.unsupervised learing(epoch#2)
3.unsupervised learing(epoch#2)
ย
3.unsupervised learing
3.unsupervised learing
ย
แแ กแฏแแ ญแแ กแ แ ญ 11แแ กแผ
แแ กแฏแแ ญแแ กแ แ ญ 11แแ กแผ
ย
Pro android performance optimization 20171213
Pro android performance optimization 20171213
ย
Matlab guide
Matlab guide
ย
์์ฒด ๊ดํ ๋ฐ์ดํฐ ๋ถ์ AI ๊ฒฝ์ง๋ํ 1์ ์์์
์์ฒด ๊ดํ ๋ฐ์ดํฐ ๋ถ์ AI ๊ฒฝ์ง๋ํ 1์ ์์์
ย
2.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-1
ย
Rdatamining
Rdatamining
ย
๋ฅ๋ฌ๋์ ์ํ Tensor flow(skt academy)
๋ฅ๋ฌ๋์ ์ํ Tensor flow(skt academy)
ย
1๊ฐ - pytorch์ tensor.pptx
1๊ฐ - pytorch์ tensor.pptx
ย
R intro
R intro
ย
More from PartPrime
Python machine learning_chap07_1
Python machine learning_chap07_1
PartPrime
ย
Python machine learning_chap06_1
Python machine learning_chap06_1
PartPrime
ย
Image and deep learning 07-2
Image and deep learning 07-2
PartPrime
ย
what is deep learning?
what is deep learning?
PartPrime
ย
Python machine learning_chap05_8
Python machine learning_chap05_8
PartPrime
ย
Python machine learning_chap05_7
Python machine learning_chap05_7
PartPrime
ย
Ch.5 Deep Learning
Ch.5 Deep Learning
PartPrime
ย
Python machine learning_chap04_2
Python machine learning_chap04_2
PartPrime
ย
Python machine learning_chap02
Python machine learning_chap02
PartPrime
ย
Ch.3 แแ ฆแแ ตแแ ฅ แแ ฉแแ ณแแ ด แแ ฅแแ ตแจแแ ช แแ กแแ ฉแผ
Ch.3 แแ ฆแแ ตแแ ฅ แแ ฉแแ ณแแ ด แแ ฅแแ ตแจแแ ช แแ กแแ ฉแผ
PartPrime
ย
Python machine learning Ch.4
Python machine learning Ch.4
PartPrime
ย
More from PartPrime
(11)
Python machine learning_chap07_1
Python machine learning_chap07_1
ย
Python machine learning_chap06_1
Python machine learning_chap06_1
ย
Image and deep learning 07-2
Image and deep learning 07-2
ย
what is deep learning?
what is deep learning?
ย
Python machine learning_chap05_8
Python machine learning_chap05_8
ย
Python machine learning_chap05_7
Python machine learning_chap05_7
ย
Ch.5 Deep Learning
Ch.5 Deep Learning
ย
Python machine learning_chap04_2
Python machine learning_chap04_2
ย
Python machine learning_chap02
Python machine learning_chap02
ย
Ch.3 แแ ฆแแ ตแแ ฅ แแ ฉแแ ณแแ ด แแ ฅแแ ตแจแแ ช แแ กแแ ฉแผ
Ch.3 แแ ฆแแ ตแแ ฅ แแ ฉแแ ณแแ ด แแ ฅแแ ตแจแแ ช แแ กแแ ฉแผ
ย
Python machine learning Ch.4
Python machine learning Ch.4
ย
Recently uploaded
ํด๋ผ์ฐ๋ ์ ํ๋ฆฌ์ผ์ด์ ๋ณด์ ํ๋ซํผ 'Checkmarx One' ์๊ฐ์๋ฃ
ํด๋ผ์ฐ๋ ์ ํ๋ฆฌ์ผ์ด์ ๋ณด์ ํ๋ซํผ 'Checkmarx One' ์๊ฐ์๋ฃ
Softwide Security
ย
[OpenLAB] AWS reInventแ แ ณแฏ แแ ฉแผแแ ข แแ กแ แ กแแ ฉแซ แแ ณแฏแ แ ฉแแ ฅแฏ Cloud แแ ตแแ ฎแฏแแ ฉแผแแ ฃแผ.pdf
[OpenLAB] AWS reInventแ แ ณแฏ แแ ฉแผแแ ข แแ กแ แ กแแ ฉแซ แแ ณแฏแ แ ฉแแ ฅแฏ Cloud แแ ตแแ ฎแฏแแ ฉแผแแ ฃแผ.pdf
ssuserf8b8bd1
ย
ํ์ผ ์ ๋ก๋(Kitworks Team Study ์ ํ์ฃผ ๋ฐํ์๋ฃ 240510)
ํ์ผ ์ ๋ก๋(Kitworks Team Study ์ ํ์ฃผ ๋ฐํ์๋ฃ 240510)
Wonjun Hwang
ย
Grid Layout (Kitworks Team Study ์ฅํ์ ๋ฐํ์๋ฃ)
Grid Layout (Kitworks Team Study ์ฅํ์ ๋ฐํ์๋ฃ)
Wonjun Hwang
ย
์คํ์์ค ์ํ ๊ด๋ฆฌ ๋ฐ ๊ณต๊ธ๋ง ๋ณด์ ์๋ฃจ์ 'Checkmarx SCA' ์๊ฐ์๋ฃ
์คํ์์ค ์ํ ๊ด๋ฆฌ ๋ฐ ๊ณต๊ธ๋ง ๋ณด์ ์๋ฃจ์ 'Checkmarx SCA' ์๊ฐ์๋ฃ
Softwide Security
ย
๋์ฌ ํ๋์์ ์์ 200km๋ก ๋นํํ ์ ์๋ ๋ฏธ๋ ํญ๊ณต ๋ชจ๋น๋ฆฌํฐ 'S-A2'
๋์ฌ ํ๋์์ ์์ 200km๋ก ๋นํํ ์ ์๋ ๋ฏธ๋ ํญ๊ณต ๋ชจ๋น๋ฆฌํฐ 'S-A2'
Hyundai Motor Group
ย
Recently uploaded
(6)
ํด๋ผ์ฐ๋ ์ ํ๋ฆฌ์ผ์ด์ ๋ณด์ ํ๋ซํผ 'Checkmarx One' ์๊ฐ์๋ฃ
ํด๋ผ์ฐ๋ ์ ํ๋ฆฌ์ผ์ด์ ๋ณด์ ํ๋ซํผ 'Checkmarx One' ์๊ฐ์๋ฃ
ย
[OpenLAB] AWS reInventแ แ ณแฏ แแ ฉแผแแ ข แแ กแ แ กแแ ฉแซ แแ ณแฏแ แ ฉแแ ฅแฏ Cloud แแ ตแแ ฎแฏแแ ฉแผแแ ฃแผ.pdf
[OpenLAB] AWS reInventแ แ ณแฏ แแ ฉแผแแ ข แแ กแ แ กแแ ฉแซ แแ ณแฏแ แ ฉแแ ฅแฏ Cloud แแ ตแแ ฎแฏแแ ฉแผแแ ฃแผ.pdf
ย
ํ์ผ ์ ๋ก๋(Kitworks Team Study ์ ํ์ฃผ ๋ฐํ์๋ฃ 240510)
ํ์ผ ์ ๋ก๋(Kitworks Team Study ์ ํ์ฃผ ๋ฐํ์๋ฃ 240510)
ย
Grid Layout (Kitworks Team Study ์ฅํ์ ๋ฐํ์๋ฃ)
Grid Layout (Kitworks Team Study ์ฅํ์ ๋ฐํ์๋ฃ)
ย
์คํ์์ค ์ํ ๊ด๋ฆฌ ๋ฐ ๊ณต๊ธ๋ง ๋ณด์ ์๋ฃจ์ 'Checkmarx SCA' ์๊ฐ์๋ฃ
์คํ์์ค ์ํ ๊ด๋ฆฌ ๋ฐ ๊ณต๊ธ๋ง ๋ณด์ ์๋ฃจ์ 'Checkmarx SCA' ์๊ฐ์๋ฃ
ย
๋์ฌ ํ๋์์ ์์ 200km๋ก ๋นํํ ์ ์๋ ๋ฏธ๋ ํญ๊ณต ๋ชจ๋น๋ฆฌํฐ 'S-A2'
๋์ฌ ํ๋์์ ์์ 200km๋ก ๋นํํ ์ ์๋ ๋ฏธ๋ ํญ๊ณต ๋ชจ๋น๋ฆฌํฐ 'S-A2'
ย
Deep Learning with Python 2-1
1.
DEEP LEARNING with PYTHON CHAPTER
2
2.
๋ฅ๋ฌ๋์ ์ดํดํ๊ธฐ ์ํด์๋
์ฌ๋ฌ ๊ฐ๋จํ ์ํ๊ฐ๋ ์ ์๊ณ ์์ด์ผ ํ๋ค. ์ด ์ฅ์์๋ ์ง๋์น๊ฒ ๊ธฐ์ ์ ์ด์ง ์์ผ๋ฉด์ ์ด๋ฌํ ๊ฐ๋ ์ ๋ํ ์ง๊ด์ ๊ตฌ์ถํ๋ ค๊ณ ํ๋ค.
3.
์๊ธ์จ ์ซ์๋ฅผ ๋ถ๋ฅํ๋
๋ฐฉ๋ฒ์ ๋ฐฐ์ฐ๊ธฐ ์ํด Python ๋ผ์ด๋ธ๋ฌ๋ฆฌ Keras๋ฅผ ์ฌ์ฉํ๋ ์ ๊ฒฝ๋ง์ ๊ตฌ์ฒด์ ์ธ ์๋ฅผ ์ดํด ๋ณด๊ฒ ์ต๋๋ค. ์ง๊ธ ์ดํด๋ณด๋ ์๋ ์์ผ๋ก ์ด ์ซ์์ ๊ทธ๋ ์ด ์ค์ผ์ผ ์ด๋ฏธ์ง(28 ร 28 ํฝ์ )๋ฅผ 10๊ฐ์ง ๋ฒ์ฃผ (0-9)๋ก ๋ถ๋ฅํ๋ ๊ฒ์ ๋๋ค. ์ฌ๊ธฐ์๋ MNIST ๋ฐ์ดํฐ ์ธํธ๋ฅผ ์ฌ์ฉํฉ๋๋ค.
4.
from keras.datasets import
mnistโจ (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images์ train_labels ํํ์ ํ์ต ์ธํธ๋ก ๋ชจ๋ธ์์ ํ์ตํ ๋ฐ์ดํฐ๋ฅผ ๊ตฌ์ฑํฉ๋๋ค. ๊ทธ๋ฐ ๋ค์ ๋ชจ๋ธ์ test_images์ test_labels ์ ํ ์คํธ ์ธํธ์์ ํ ์คํธ๋ฉ๋๋ค. ์ด๋ฏธ์ง๋ Numpy ๋ฐฐ์ด๋ก ์ธ์ฝ๋ฉ๋์ด์๊ณ , ๋ ์ด๋ธ์ 0์์ 9๊น์ง์ ์ซ์ ๋ฐฐ์ด์ ๋๋ค. ์ด๋ฏธ์ง์ ๋ ์ด๋ธ์ ์ผ๋์ผ๋ก ๋์ํฉ๋๋ค. LISTING 2.1 KERAS์ ์๋ MNIST ๋ฐ์ดํฐ์ ๋ก๋ํ๊ธฐ
5.
ํ์ต ๋ฐ์ดํฐ ํ์ธ >>>
train_images.shape (60000, 28, 28) >>> len(train_labels) 60000 >>> train_labels array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)
6.
ํ ์คํธ ๋ฐ์ดํฐ ํ์ธ >>>
test_images.shape (10000, 28, 28) >>> len(test_labels) 10000 >>> test_labels array([7, 2, 1, ..., 4, 5, 6], dtype=uint8)
7.
์ ๊ฒฝ๋ง์ ํต์ฌ ๋น๋ฉ๋ธ๋ก์
๋ฐ์ดํฐ ํํฐ๋ผ๊ณ ์๊ฐํ ์ ์๋ ๋ฐ์ดํฐ ์ฒ๋ฆฌ ๋ชจ๋์ธ ๋ ์ด์ด์ ๋๋ค. ๋ ์ด์ด๋ ์ ๋ ฅ๋ฐ์ ๋ฐ์ดํฐ์์ ํํ์ ์ถ ์ถํฉ๋๋ค. ๋ฅ๋ฌ๋์ ๋๋ถ๋ถ์ ์ ์ง์ ์ธ ๋ฐ์ดํฐ ์ฆ๋ฅ์ ํํ๋ฅผ ๊ตฌํํ ๊ฐ๋จํ ๋ ์ด์ด๋ค์ ์ฐ๊ฒฐํ๋ ๊ฒ์ผ๋ก ๊ตฌ์ฑ๋ฉ๋๋ค. ๋ฅ๋ฌ๋ ๋ชจ๋ธ์ ๋ง์น ์ ์ฐจ ๋ณต์กํด์ง๋ ํํฐ๋ก ๊ตฌ์ฑ๋ ์ฒด์ ๊ฐ์ต๋๋ค. LISTING 2.2 ๋คํธ์ํฌ ๊ตฌ์กฐ
8.
from keras import
models from keras import layers network = models.Sequential() network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) network.add(layers.Dense(10, activation='softmax')) ์ฌ๊ธฐ์์ ์ฐ๋ฆฌ์ ๋คํธ์ํฌ๋ ์์ฐจ์ ์ธ ๋ ๊ฐ์ Dense ๋ ์ด์ด๋ก ๊ตฌ์ฑ ๋ฉ๋๋ค. ๋ง์ง๋ง ๋ ์ด์ด๋ 10-way softmax ๋ ์ด์ด์ด๋ฉฐ, ์ด๋ 10 ๊ฐ ์ ํ๋ฅ ์ ์ ๋ฐฐ์ด์ ๋ฐํํ๋ค๋ ๊ฒ์ ์๋ฏธํฉ๋๋ค (ํฉ์ฐํ๋ฉด 1). ๊ฐ ์ ์๋ ํด๋น ์ซ์ ์ด๋ฏธ์ง๊ฐ 10๊ฐ์ง์ ์ซ์ ์ค ํ๋์ ์ํ ํ๋ฅ ์ ๋๋ค. LISTING 2.2 ๋คํธ์ํฌ ๊ตฌ์กฐ
9.
ํ์ต์ฉ ๋คํธ์ํฌ๋ฅผ ๋ง๋๋ ค๋ฉด,
์ปดํ์ผ ๋จ๊ณ๋ก ์ธ ๊ฐ์ง๋ฅผ ์ ํํด์ผํฉ๋๋ค. โข a loss function(์์ค ํจ์) - ๋คํธ์ํฌ๊ฐ ํ๋ จ ๋ฐ์ดํฐ์ ์ฑ๋ฅ์ ์ธก์ ํ ์์ ๋ ๋ฐฉ๋ฒ๊ณผ ์ด๋ป๊ฒ ์ฌ๋ฐ๋ฅธ ๋ฐฉํฅ์ผ๋ก ์์ง์ผ ์ ์๋์ง๋ฅผ ํ๋จํ๋ ํจ์. โข an optimizer(์ตํฐ ๋ง์ด์ ) - ๋คํธ์ํฌ๊ฐ ๋ฐ์ดํฐ์ ์์คํจ์ ๊ธฐ๋ฐ์ผ๋ก ๋คํธ์ ํฌ๋ฅผ ์ต์ ํ ํ๋ ๋ฉ์ปค๋์ฆ์ ๋๋ค. โข ํ๋ จ ๋ฐ ํ ์คํธ ์ค ๋ชจ๋ํฐ๋ง ํ ์ธก์ ๊ธฐ์ค - ์ ํํ๊ฒ ๋ถ๋ฅ ๋ ์ด๋ฏธ์ง์ ๋น์จ LISTING 2.3 ์ปดํ์ผ ๋จ๊ณ network.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
10.
ํ์ต ์ ์ ๋ฐ์ดํฐ๋ฅผ
๋คํธ์ํฌ์์ ์์ํ๋ ๋ชจ์์ผ๋ก ์ฌ๊ตฌ์ฑํ๊ณ ํฌ๊ธฐ ๋ฅผ ์กฐ์ ํ์ฌ ๋ชจ๋ ๊ฐ์ด [0, 1] ๊ฐ๊ฒฉ์ด๋๋๋ก ๋ฐ์ดํฐ๋ฅผ ์ฌ์ ์ฒ๋ฆฌํฉ๋๋ค. ์ด์ ์ ํ๋ จ ์ด๋ฏธ์ง๋ [0, 255] ๊ฐ๊ฒฉ์ ๊ฐ์ ๊ฐ์ง uint8 ํ์ ์ (60000, 28, 28)๋ฐฐ์ด์ ์ ์ฅ๋์ด ์์ต๋๋ค. ์ด๊ฒ์ 0์์ 1 ์ฌ์ด์ ๊ฐ ์ ๊ฐ์ง float32ํ์ ์ (60000, 28 * 28)๋ฐฐ์ด๋ก ๋ณํํฉ๋๋ค. LISTING 2.4 ์ด๋ฏธ์ง ๋ฐ์ดํฐ ์ค๋นํ๊ธฐ uint8 : ๋ถํธ ์๋(unsigned) 8๋นํธ ์ ์ train_images = train_images.reshape((60000, 28 * 28)) train_images = train_images.astype('float32') / 255 test_images = test_images.reshape((10000, 28 * 28)) test_images = test_images.astype('float32') / 255
11.
๋ ์ด๋ธ์ categorically encodeํด์ผํฉ๋๋ค. LISTING
2.5 ๋ ์ด๋ธ ์ค๋นํ๊ธฐ keras.utils.to_categorical(y, num_classes=None) : ํด๋์ค ๋ฒกํฐ(์ ์)๋ฅผ ์ด์ง ํด๋์ค ํ๋ ฌ๋ก ๋ณํ from keras.utils import to_categorical train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels)
12.
๋ชจ๋ธ์ ํ์ต๋ฐ์ดํฐ์ ๋ง์ถ๊ธฐ >>>
network.fit(train_images, train_labels, epochs=5, batch_size=128)โจ Epoch 1/5โจ 60000/60000 [==============================] - 9s - loss: 0.2524 - acc: 0.9273 Epoch 2/5 51328/60000 [========================>.....] - ETA: 1s - loss: 0.1035 - acc: 0.9692 ํ์ต ์ค์๋ ํ์ต ๋ฐ์ดํฐ์ ๋ํ ๋คํธ์ํฌ์ ์์ค๊ณผ ํ์ต ๋ฐ์ดํฐ์ ๋ํ ๋คํธ์ํฌ์ ์ ํ์ฑ์ด๋ผ๋ ๋ ๊ฐ์ง ์๋์ด ํ์๋ฉ๋๋ค. ํ์ต ๋ฐ์ดํฐ์์ ๋น ๋ฅด๊ฒ 0.989 (98.9 %)์ ์ ํ๋์ ๋๋ฌํ์ต๋๋ค.
13.
>>> test_loss, test_acc
= network.evaluate(test_images, test_labels) >>> print('test_acc:', test_acc) test_acc: 0.9785 ํ ์คํธ ์ธํธ ์ ํ๋๋ ํ์ต ์ธํธ ์ ํ๋๋ณด๋ค ์๋นํ ๋ฎ์ 97.8 %๋ก ๋ ํ๋ฌ์ต๋๋ค. ์ด๋ฌํ ํ์ต ์ ํ๋์ ํ ์คํธ ์ ํ๋ ๊ฐ์ ์ฐจ์ด๋ ๊ณผ์ ํฉ (overfitting)์ ํ ์์ ๋๋ค. ๊ธฐ๊ณ ํ์ต ๋ชจ๋ธ์ ๊ต์ก ๋ฐ์ดํฐ๋ณด๋ค ์ ๋ฐ ์ดํฐ์์ ์ฑ๋ฅ์ด ๋จ์ด์ง๋ ๊ฒฝํฅ์ด ์์ต๋๋ค.
14.
๋ค์ ์ฅ์์๋ ๋ฐฉ๊ธ
์ดํด๋ณธ ๋ถ๋ถ์ ๋ํด ์์ธํ ์ค๋ช ํ๊ณ ์ฅ๋ฉด ๋ค์์ ์ผ์ด๋๋ ์ผ์ ๋ช ํํ ์ค๋ช ํฉ๋๋ค. ๊ทธ๋ฆฌ๊ณ ๋คํธ์ํฌ์์ ์ฌ์ฉํ๋ ๋ฐ์ด ํฐ ์ ์ฅ ๊ฐ์ฒด ์ธ tensors์ ๋ํด ๋ฐฐ์๋๋ค.
15.
THANK YOUPartPrime. Kim
YoungJun. sangsanj@partprime.com Deep learning with python(Franรงois Chollet)์ ๋ด์ฉ์ ์ฐธ๊ณ ํ์์ต๋๋ค.
Download now