머신러닝/딥러닝 메모하기

상황 : 오늘도 파이참을 켜서 평화롭게 딥러닝 모델을 학습시키려는데, 아니이게 무슨일인가 cpu로 돌렸더니 너무 느리다. gpu를 사용하면 텐서플로우(TF) 연산을 빠르게 할 수 있다고 하여 cuda를 깔아서 딥러닝에 gpu 사용하는 방법을 정리하기로 하였다.나의 TF

1.딥러닝 모델 만드는 상황 딥러닝 모델을 만드는 과정을 생각해보면, 원본 데이터를 Model Train을 하려고 Xtrain과 ytrain을 마련해 둔 상황이다. 배치 사이즈를 500, 특징 개수가 10개, 출력 특징 개수는 1개 입력 시퀀스(Input sequenc

단순한 예측 모델을 사용하는 것에도 활성화함수가 중요한 역할을 한다. 활성함수를 어떻게 배치시키고 추가/삭제 하는 가에 따라서 예측하고자하는 트랜드, 패턴을 더욱 정확하게 찾아낼 수 있다.활성화함수(Activation Functions)는 신명망에 입력된 데이터를 가중

오늘은 딥러닝 모델을 만들다 보니까.. Loss가 Null이 발생했다...1.너무 높은 Learning rate를 낮춘다.내 경우에는 Learning rate 같은 경우에는 0.001로 했다가 0.0001까지 내려갔지만 효과 없었고..2.Optimizer를 변경Opti

오늘은 시계열 데이터를 예측하는 모델을 만들면서, 시간주기성에 대한 생각을 해보았다. 시계열 인덱스는 그 상태 그대로 예측 모델에 넣을수 없어서 보통을 잘라내고 사용한다. 하지만, 시간은 주기성을 가지기 때문에 그 특징을 입력 값으로 사용하면 예측 성능을 높여줄 수 있

오늘은 앙상블과 세부 기법들에 대해서 정리해본다. 각각의 기법들의 특징들을 정리해보면 어떤 것을 방향과 목적으로 인공지능 모델들이 학습되는지에 대한 좀 더 깊은 생각을 할 수 있지 않을까하고 정리해보았다.앙상블 학습은 개별 결정 트리(Decision tree)를 다양한

이번 글에서는 텐서플로우 모델을 RestAPI를 사용하여 배포하는 방법에 대해서 설명한다. Docker-hub에 있는 tensorflow/serving을 만든다.Poweshell을 관리자 모드로 켠다search 명령어로 tensorflow/serving 이미지가 있는지