A Head Full Of Dreams

케라스 어플리케이션스는 ImageNet 데이터셋(1400만 개 이상의 이미지, 2만 개 이상의 클래스)으로 학습한 이미지 분류 모델들을 사용할 수 있도록 해줌 ImageNet 데이터셋으로 학습한 가중치를 사용하지 않고 새로운 데이터로 학습시킬 수 있음 입력 및 출력 레이어를 변경할 수 있고, 다른 신경망을 이어붙일 수 있음 성능이 뛰어난 모델들이지만 파라미터 수가 워낙 많기 때문에(1M~100M) 학습 시간이 매우 오래 걸리거나 오버피팅되는 모델을 만들 수 있음 모델의 구조를 본따서 직접 만든 모델이 효율적일 수 있음 사용 방법 모델 목록 : https://keras.io/api/applications/ Keras documentation: Keras Applications Keras Applicatio..

신경망을 구축하기 위해 Keras에서 제공하는 방법 세 가지에 대해 정리했습니다. 1. Sequential API 매우 간단하지만 단일 입력, 단일 출력 레이어 스택으로 제한됨 Sequential 안에 layer 목록을 전달하는 방법 model = keras.Sequential( [ layers.Dense(2, activation="relu", name="layer1"), layers.Dense(3, activation="relu", name="layer2"), layers.Dense(4, name="layer3"), ] ) x = tf.ones((3, 3)) y = model(x) layer들을 직접 연결하는 방법 layer1 = layers.Dense(2, activation="relu", name=..

딥러닝 Model Trainer를 개발할 때 참고하기 위해 필요한 구성 요소들을 간단하게 정리했습니다. Model Trainer의 구성은 데이터 불러오기, 모델 만들기, 모델 학습 및 평가, 모델 저장 등 크게 네 가지로 나눌 수 있습니다. 세부사항은 개발자의 요구사항에 따라 다를 것으로 생각됩니다. Model Trainer 구성 요소 1. 데이터 불러오기 이미지 데이터 또는 TFRecord 데이터 불러오기 tf.data API를 이용해 Generator 형식으로 데이터셋 만들기 일정 비율(6:2:2)에 따른 학습용, 검증용, 시험용 데이터셋 분할하기 데이터셋에 대한 shuffle, batch 등 설정하기 2. 모델 생성 TensorFlow 또는 Keras를 활용하여 신경망 만들기 레이어 종류 및 개수,..