"분류:딥러닝 기능 구현"의 두 판 사이의 차이
| (같은 사용자의 중간 판 4개는 보이지 않습니다) | |||
| 1번째 줄: | 1번째 줄: | ||
다양한 기능을 어떻게 구현할 것인가에 대한 문서를 분류하기 위한 분류. | 다양한 기능을 어떻게 구현할 것인가에 대한 문서를 분류하기 위한 분류. | ||
| + | |||
| + | == 층을 어떻게 구현할 것인가? == | ||
| + | 특정 기능을 구현하기 위해 어떤 층을 몇개나 준비해야 하나 고민에 빠지게 된다. | ||
| + | |||
| + | 사실,모델의 성능은 준비된 데이터, 데이터 증폭법, 활성화함수 등에 영향을 받아 짧은 글 안에 그 지혜를 담기 어렵지만, 이런 논의는 그 지혜로 다가가는 문이 되어주리라 기대한다. | ||
| + | |||
| + | 세세한 조정값까진 이곳에서 다루긴 어렵지만, 대강 어떤 문제에서 어느정도 크기의 층을 사용하는지 참고하면 시작지점을 찾을 수 있다. | ||
| + | |||
| + | * 다양한 경험이 주는 강점은... 대강 어느 정도면 어떤 기능을 구현할 수 있겠다는 감각을 얻는 것. 대략적인 경험의 사례공유는 커다란 도움이 된다. | ||
== 다양한 사례의 연구결과 공유 == | == 다양한 사례의 연구결과 공유 == | ||
| − | + | * | |
| − | |||
{| class="wikitable" | {| class="wikitable" | ||
!사례 | !사례 | ||
| 10번째 줄: | 18번째 줄: | ||
!성과 | !성과 | ||
!링크 | !링크 | ||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
|- | |- | ||
|영화 리뷰 분류. | |영화 리뷰 분류. | ||
| 29번째 줄: | 31번째 줄: | ||
|[https://github.com/gilbutITbook/006975/blob/master/3.4-classifying-movie-reviews.ipynb 링크] | |[https://github.com/gilbutITbook/006975/blob/master/3.4-classifying-movie-reviews.ipynb 링크] | ||
|- | |- | ||
| + | |뉴스 분류 | ||
| + | |||
| + | 46개의 토픽으로 뉴스를 분류한다. | ||
| + | |<syntaxhighlight lang="python"> | ||
| + | model = models.Sequential() | ||
| + | model.add(layers.Dense(16, activation='relu', input_shape=(10000,))) | ||
| + | model.add(layers.Dense(16, activation='relu')) | ||
| + | model.add(layers.Dense(1, activation='sigmoid')) | ||
| + | </syntaxhighlight> | ||
| | | | ||
| − | | | + | |[https://github.com/gilbutITbook/006975/blob/master/3.5-classifying-newswires.ipynb 링크] |
| − | | | + | |} |
| − | | | + | |
| + | === 이미지 === | ||
| + | {| class="wikitable" | ||
| + | !사례 | ||
| + | !시도 | ||
| + | !성과 | ||
| + | !링크 | ||
| + | |- | ||
| + | | rowspan="2" |0~9의 아라비아 숫자를 구분하는 것. | ||
| + | |렐루 활성화함수로 512개, 소프트맥스 활성화함수로 10개. | ||
| + | 2개 층만으로도 충분하다... 놀랍네; 고작 2층으로! | ||
| + | |정확도는 97.8% | ||
| + | |[https://github.com/gilbutITbook/006975/blob/master/2.1-a-first-look-at-a-neural-network.ipynb 링크] | ||
| + | |- | ||
| + | |CNN 3층과 일반 신경망 2층. | ||
| + | |99.2% | ||
| + | |[https://github.com/gilbutITbook/006975/blob/master/5.1-introduction-to-convnets.ipynb 링크] | ||
| + | |- | ||
| + | |개와 고양이 이진분류 | ||
| + | |CNN 4층과 신경망 2층. | ||
| + | |약 85% | ||
| + | |[https://github.com/gilbutITbook/006975/blob/master/5.2-using-convnets-with-small-datasets.ipynb 링크] | ||
|} | |} | ||
[[분류:인공지능 기능구현]] | [[분류:인공지능 기능구현]] | ||
2021년 12월 7일 (화) 17:38 기준 최신판
다양한 기능을 어떻게 구현할 것인가에 대한 문서를 분류하기 위한 분류.
1 층을 어떻게 구현할 것인가?편집
특정 기능을 구현하기 위해 어떤 층을 몇개나 준비해야 하나 고민에 빠지게 된다.
사실,모델의 성능은 준비된 데이터, 데이터 증폭법, 활성화함수 등에 영향을 받아 짧은 글 안에 그 지혜를 담기 어렵지만, 이런 논의는 그 지혜로 다가가는 문이 되어주리라 기대한다.
세세한 조정값까진 이곳에서 다루긴 어렵지만, 대강 어떤 문제에서 어느정도 크기의 층을 사용하는지 참고하면 시작지점을 찾을 수 있다.
- 다양한 경험이 주는 강점은... 대강 어느 정도면 어떤 기능을 구현할 수 있겠다는 감각을 얻는 것. 대략적인 경험의 사례공유는 커다란 도움이 된다.
2 다양한 사례의 연구결과 공유편집
| 사례 | 시도 | 성과 | 링크 |
|---|---|---|---|
| 영화 리뷰 분류.
긍정리뷰와 부정리뷰 분류. |
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
|
정확도는 약 90% | 링크 |
| 뉴스 분류
46개의 토픽으로 뉴스를 분류한다. |
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
|
링크 |
2.1 이미지편집
| 사례 | 시도 | 성과 | 링크 |
|---|---|---|---|
| 0~9의 아라비아 숫자를 구분하는 것. | 렐루 활성화함수로 512개, 소프트맥스 활성화함수로 10개.
2개 층만으로도 충분하다... 놀랍네; 고작 2층으로! |
정확도는 97.8% | 링크 |
| CNN 3층과 일반 신경망 2층. | 99.2% | 링크 | |
| 개와 고양이 이진분류 | CNN 4층과 신경망 2층. | 약 85% | 링크 |