[미니 프로젝트] Deep Learning
1.[미니 프로젝트] Deep Learning
• Framework는 PyTorch / Tensorflow 중 자유롭게 선택, 기타 패키지 자유롭게 이용• 실행 가능하며 로그가 남아 있는 Jupyter Notebook 파일과 pt 파일 그리고 이론을 요약(자유양식) 파일을 함께 제출Rice Classificatio
2.[미니 프로젝트] DL.1 Dataset의 Class 분포 확인하기
미니 프로젝트 문항 1. Dataset의 Class 분포 확인하기 (graph) > 1. 라이브러리 호출 그래프로 Dataset의 분포를 확인하기 위해서 필요한 라이브러리를 불러오자. 먼저 운영 체제와 연동하여 파일을 호출하기 위해 os 라이브러리와 표현할 graph를
3.[미니 프로젝트] DL.2 각 클래스의 이미지 확인하기
운영 체제와 연동하여 파일을 호출하기 위해 os 라이브러리이미지를 읽어올 opencv 라이브러리 cv2이미지를 표현해줄 matplotlib.pyplot 라이브러리 호출랜덤으로 이미지를 선정하여 표시해주기 위해 random 라이브러리 호출하위 폴더 안에 저장되어있는 Ri
4.[미니 프로젝트] DL 3. 네트워크를 이용하여 3epoch 학습 Loss Graph 확인 및 결과 확인하기 (1) 모델 확인하기
미니 프로젝트 3장 1. 내용 > 1) 진행내용 각 framework에서 기본으로 제공하는 모델을 사용하되, 마지막 레이어를 수정하는 방식으로 네트워크를 설계 해야한다. 이 때, 각 모델의 pretrained모델을 사용하여, 학습하였을 때와 아닌 경우를 비교하고, 각
5.[미니 프로젝트] DL 3. 네트워크를 이용하여 3epoch 학습 Loss Graph 확인 및 결과 확인하기 (2) Pytorch 모델
난수 생성을 고정하기 위한 함수로, 주어진 시드의 값을 사용하여 여러 라이브러리의 난수 생성을 설정합니다. 해당 함수를 통해서, 동일한 초기 조건으로 같은 실험을 여러번 실행하면, 동일한 결과를 얻을 수 있습니다.Rice 이미지 데이터셋을 불러와서 클래스를 추출하고,
6.[미니 프로젝트] DL 3. 네트워크를 이용하여 3epoch 학습 Loss Graph 확인 및 결과 확인하기 (3) Tensorflow 모델
각 종 라이브러리를 선언해 주는데, PreTrained 모델을 위해서, 각종 레이어 툴을 한번에 선언하여주었습니다.동일한 초기 조건에서 실험을 재현하거나 결과를 비교하기 위해 실험의 재현성을 위해 난수 생성을 제어하는 목적으로, Python, NumPy, TensorF
7.[미니 프로젝트] DL 3. 네트워크를 이용하여 3epoch 학습 Loss Graph 확인 및 결과 확인하기 (4) 결과 및 Graph 확인
Pytorch 에서 VGGNet의 Seed 고정의 결과를 가져온 것VGGNet은 다소 단순한 구조를 가지고 있기 때문에 Keras로 매우 단순하게 설계가 가능하다. 설계에는 그렇게 많은 시간이 들지 않았으며, 비록 Pretrained Keras 모델에서는 학습이 진행되
8.[미니 프로젝트] DL 4. Ensemble Model 과 Model Soup
1. Ensemble Model > 프로젝트 진행 초기, Model Soup에 관한 내용을 Ensemble Model으로 오인하여, 설계를 진행 만들어진 모델(VGGNet, ResNet, EfficientNet, DenseNet, MNASNet, VIT)에 대해 Ens
9.[미니 프로젝트] DL 5. Class Activation Map
CAM(Class Activation Map)은 딥러닝 모델의 특정 클래스에 대한 활성화 정도를 시각화하는 방법 중 하나입니다. 모델에 특정 입력 요소에 대해 얼마나 집중하고 있는 지, 그리고 출력을 생성할 때 어떤 입력을 참고하는 지 이해가능한 각 요소 간의 상호작용