TensorFlow Developer Professional Certificate [3]-2

해당 내용은 Laurence Moroney 교수님의 Coursera의 TensorFlow Developer Professional Certificate의 3주차 강의 Enhancing Vision with Convolutional Neural Networks 를 듣고 정리한 내용이다.

 

자격증 쿠폰이 있는데 왜 따질 못하니...!!! ㅇ0ㅇ

화이팅 빠샤

 

 

조금만 더....ㅜ

 

 

 

1. 실험실 1

 

fashion mnist datasets 사용

 

(1)dnn 사용

 

(2) 이전과 동일한 신경망이지만 이번에는 Convolution 및 MaxPooling 레이어 추가

# Define the model
model = tf.keras.models.Sequential([
                                                         
  # Add convolutions and max pooling
  tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)),
  tf.keras.layers.MaxPooling2D(2, 2),
  tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
  tf.keras.layers.MaxPooling2D(2,2),

  # Add the same layers as before
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])

# Print the model summary
model.summary()

# Use same settings
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# Train the model
print(f'\nMODEL TRAINING:')
model.fit(training_images, training_labels, epochs=5)

# Evaluate on the test set
print(f'\nMODEL EVALUATION:')
test_loss = model.evaluate(test_images, test_labels)

매개변수는 다음과 같습니다. 생성하려는 컨볼루션 수입니다. 여기의 값은 순전히 임의적이지만 32부터 시작하여 2의 거듭제곱을 사용하는 것이 좋습니다. 컨볼루션의 크기입니다. 이 경우에는 3x3 그리드입니다. 사용할 활성화 함수입니다. x이 경우 ReLU를 사용했는데, 이는 when 을 반환하고 x>0, else return 과 동일하다는 것을 기억하실 수 있습니다 0. 첫 번째 레이어에서는 입력 데이터의 모양입니다. MaxPooling을 지정하면 (2,2)이미지 크기가 4분의 1로 줄어드는 효과 이를 이미지 전체에 반복하여 수평 및 수직 픽셀 수를 절반으로 줄여 이미지를 원본 이미지의 25%로 효과적으로 줄입니다.

 

 

 

컨볼루션 수 1

컨볼루션 수 10

컨볼루션을 그래픽으로 보여주는 방법을 알아보겠습니다. 아래 셀은 테스트 세트에서 처음 100개의 레이블을 인쇄하고, 인덱스 0, 인덱스 23 및 인덱스 28에 있는 레이블은 모두 동일한 값입니다(즉, 9). 모두 신발입니다. 컨볼루션을 각각 실행한 결과를 살펴봅시다. 그러면 두 레이블 사이의 공통점이 드러나기 시작할 것입니다. 밀도가 높은 레이어가 해당 데이터를 학습할 때 훨씬 적은 작업을 수행하고 있으며, 이 컨볼루션/풀링 조합을 기반으로 신발 간의 공통점을 찾는 것일 수도 있습니다.

 

오늘은 집중이 안 돼서 여기까지..!