딥러닝
1.딥러닝 정리(1) - 종류
딥러닝, 머신러닝 차이딥러닝은 어떤 방식으로 신경망을 구성하는지에 따라 여러 종류로 구분된다. LeNET-5, AlexNet, ZFNet, VGGNet, GoogLeNet, ResNet, DenseNet인코더, 디코더 \- 인코더: 입력 문장을 벡터로 변환디코더: 벡
2.CNN
모델 목표: 더 깊은 네트워크를 만들면서, 성능을 높여간다. 모델 목표를 위해 중요한 것: 어떻게 학습능력을 높여서 더 깊은 네트워크를 학습했는가학습능력을 높이는 방법: 1\. LeNet-5: CNN 적용하면서, 깊은 네트워크(4 layer) 학습하여 성능 상승2\.
3.딥러닝 정리(2) - 딥러닝 기초, 역사
신경망 -> Neural Net뉴런뉴런은 입력, 가중치, 활성화함수, 출력으로 구성하나의 뉴런 끝에 activation 붙어있음뉴런에서 학습할 때 변하는 것은 가중치. 처음에는 초기화를 통해 랜덤값을 넣고, 학습과정에서 일정한 값으로 수렴layer, 망(net), 딥러
4.딥러닝 정리(3) - 회귀 분석
from (라이브러리) import (함수)from tensorflow.keras.models import Sequentialtensorflow: 라이브러리keras: APImodel: 클래스Sequential(): 함수 딥러닝의 층 구조 (출처: 모두의 딥러닝)딥러닝
5.[모두의 딥러닝] 모델 설계, 성능 검증, 성능 향상
Layer: 층의 이름, 유형Dense_1층: 입력층과 첫 번째 은닉층 연결Dense_2층: 첫 번째 은닉층과 두 번째 은닉층 연결Dense_3층: 두 번째 은닉층과 출력층 연결Output Shape: 각 층에 몇 개의 출력이 발생하는지 나타냄(행(샘플)의 수, 열(속
6.[모두의 딥러닝] CNN
데이터 전처리학습셋 이미지 수: 60000개테스트셋 이미지 수: 10000개딥러닝 모델 - 기본 프레임총 784개의 속성, 10개의 클래스입력 값(input_dim)이 784개, 은닉층이 512개, 출력이 10개활성화 함수로 은닉층에서 relu, 출력층에서 softma