| self.DL.(03-1). CNN (합성곱 신경망)실습_MNIST (0) | 2023.01.18 |
|---|---|
| self.DL.(03). CNN (Convolution Neural Network) (0) | 2023.01.18 |
| self.DL.(02-2). classification (분류신경망)실습 (0) | 2023.01.18 |
| self.DL.(02-1). tensorflow 소개, model 저장, batch size, epoch, iteration (0) | 2023.01.17 |
| self.DL.(02). Artificial Neural Network. &. Deep Learning (0) | 2023.01.17 |
| self.DL.(03). CNN (Convolution Neural Network) (0) | 2023.01.18 |
|---|---|
| self.DL.(02-3). regression (회귀신경망)실습 (0) | 2023.01.18 |
| self.DL.(02-1). tensorflow 소개, model 저장, batch size, epoch, iteration (0) | 2023.01.17 |
| self.DL.(02). Artificial Neural Network. &. Deep Learning (0) | 2023.01.17 |
| self.DL.(01). Perceptron (0) | 2023.01.17 |
🤔 tensorflow로 신경망 구조를 만드는 방법
1. sequence API를 사용하는 방법
- Sequential()를 선언한 이후 model.add()함수를 입력하여 층을 쌓는다.
2. 함수형 API를 사용하는 방법
- Sequential()로 tensorflow에 익숙해진 후 사용을 권장하는 방법
🤔 model 저장 _ save() 함수
model.save('cnn_model_1.h5')
위와 같이 save메소드를 이용해 hdf5 파일로 저장한다.
(hdf5파일은 대용량 데이터 저장을 위한 파일 포맷이다.)
🤔 model 불러오기
from tensorflow.keras.models import load_model cnn_model_2 = load_model('cnn_model_1.h5')
위와 같이 save메소드를 이용해 hdf5 파일로 저장한다.
(hdf5파일은 대용량 데이터 저장을 위한 파일 포맷이다.)
🧐 batch size
- 전체 training data를 여러개의 mini-batch로 나눴을 때, mini-batch에 속하는 data의 개수
- mini-batch로 나눠서 학습시간을 줄이고 효율적으로 자원을 활용할 수 있게 된다.
🧐 epoch
- 전체 training data가 신경망을 통과한 횟수
- 1 epoch은 모든 data가 신경망을 한번 통과했다는 것을 의미
🧐 iteration
- 1 epoch을 마치는데 필요한 mini-batch 수
- weight parameter는 mini-batch당 한번 update를 한다.
∴ 파라미터 update 횟수 = iteration 횟수
| self.DL.(03). CNN (Convolution Neural Network) (0) | 2023.01.18 |
|---|---|
| self.DL.(02-3). regression (회귀신경망)실습 (0) | 2023.01.18 |
| self.DL.(02-2). classification (분류신경망)실습 (0) | 2023.01.18 |
| self.DL.(02). Artificial Neural Network. &. Deep Learning (0) | 2023.01.17 |
| self.DL.(01). Perceptron (0) | 2023.01.17 |
정답과 오답 등과 같은 답이 있는 train dataset (학습데이터)로 학습시키는 것
§ 지도학습 알고리즘
정답과 오답 등과 같은 답이 없는 train dataset (학습데이터)로 학습시키는 것
장점: 사용하기 쉽고 설명력이 있다. (popular and easy to use, explain with prediction)
단점: 정확도와 linear 관계성을 설명해야 한다. (redundant features, irrelevant features)
▶ 목적: how to predict y-values (continuous values)
§ β값은 어떻게 찾을 것인가?
- input과 output사이의 관계성이 선형(nonlinear)일 때
장점: 사용하기 쉽고 설명력이 있다. (popular and easy to use, explain with prediction)
단점: 정확도와 linear 관계성을 설명해야 한다. (redundant features, irrelevant features)
장점: 해석력이 괜찮고 사용하기 편하다. (Interpretability, Easy to use)
단점: 예측력(prediction)이 다른 모델에 비해 뛰어난 편에 속하지는 않는다. (Performance)
| [Machine Learning].Bayesian Classifier_이론 (0) | 2022.11.04 |
|---|
