Deep Learning/keras7 패션데이터를 이용한 활성화함수, 최적화함수 비교 패션데이터를 불러와 train, test 데이터로 나눠준후 .shape로 크기확인 답데이터 인코딩 model1 : 활성화함수에 sigmoid / 최적화 함수에 SGD model2 : 활성화함수에 relu / 최적화 함수에 softmax model3 : 활성화함수에 relu / 최적화 함수에 adam - model2가 학습이 제대로 되지 않은 것은 우리의 데이터에 비해 활성화함수와 최적화함수가 맞지 않아 learning rate가 데이터에 비해 크게 잡혔기 때문 (최적값으로 수렴하는게 아니라 오히려 발산해서 학습이 불가능해짐 >> loss : nan 뜨는 것을 보고 추론해볼 수 있음 ) - 최적화함수의 learning rate(학습률)을 낮춰서 안정적으로 학습을 시도해보면 됨 EarlyStopping : .. 2022. 9. 16. 사람 얼굴 데이터 분류 실습 [ 이미지 / 이진분류 ] 이미지 파일을 불러오기 위한 from PIL import Image Image.open('디렉토리').convert('L / RGB') : L로 convert 할경우 흑백 / RGB로 convert 할 경우 컬러 해당 이미지 파일 array 객체로 받기 for문으로 array화한 이미지 파일들을 list에 담아주기 두개의 이미지 모두 200개씩 정상적으로 리스트에 담김 pd.concat([df1,df2...]) np.concatenate((arr1,arr2,...)) 결합함수 이진분류의 출력층 units = 1 / activation = 'sigmoid'로 고정 검증셋을 만들어주는 함수 validation_split 2022. 9. 15. 패션데이터 분류 실습 [ 이미지 / 다중분류 ] 답데이터 : 0~9가 6000개씩 있음 (6만장) plt.imshow(data명, cmap = '색깔') 을 이용해서 이미지 출력 레이블이 3 이상일 경우 기계가 이해하기위해 0 또는 1로 변경 필요 sklearn.model_selection 의 train_test_split을 이용하여 훈련셋 / 검증셋 분리 from tensroflow.keras.layers import Flatten 이미지를 1차원데이터로 가공해주는 Flatten Flatten( input_shape =( ) )으로 이미지파일 1차원 데이터로 가공 이후 Dense로 층 쌓기 ( 활성화함수 activation Relu) 출력층 activation 활성화 함수 softmax model.evaluate 로 모델 평가하기 2022. 9. 8. 손글씨 숫자데이터 분류 실습 [ 이미지 / 다중분류 ] plt,imshow() : 이미지 살펴보기 2022. 9. 7. 이전 1 2 다음
