"분류:딥러닝 기능 구현"의 두 판 사이의 차이

Pywiki
둘러보기로 가기 검색하러 가기
 
(같은 사용자의 중간 판 2개는 보이지 않습니다)
2번째 줄: 2번째 줄:
  
 
== 층을 어떻게 구현할 것인가? ==
 
== 층을 어떻게 구현할 것인가? ==
 +
특정 기능을 구현하기 위해 어떤 층을 몇개나 준비해야 하나 고민에 빠지게 된다.
  
−
=== 무조건 크게? ===
+
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.
−
너무 많은 파라미터는 과적합의 원인이 되기도 한다. 과적합을 막기 위해 네트워크의 크기를 줄이는 것도 전략이다. 손실이 감소할때까지 점차 유닛의 수를 늘려가는 것이 일반전략.(일반적으로 네트워크가 크면 작은 네트워크보다 더 빠르게 과적합 되었다.) 네트워크가 크면 오히려 성능이 안좋아진다.
 
  
−
== 다양한 사례의 연구결과 공유 ==
+
세세한 조정값까진 이곳에서 다루긴 어렵지만, 대강 어떤 문제에서 어느정도 크기의 층을 사용하는지 참고하면 시작지점을 찾을 수 있다.
−
특정 기능을 구현하기 위해 어떤 층을 몇개나 준비해야 하나 고민에 빠지게 된다.
 
  
 
* 다양한 경험이 주는 강점은... 대강 어느 정도면 어떤 기능을 구현할 수 있겠다는 감각을 얻는 것. 대략적인 경험의 사례공유는 커다란 도움이 된다.
 
* 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 ==
 
*  
 
*  
  
17번째 줄: 18번째 줄:
 
!성과
 
!성과
 
!링크
 
!링크
−
|-
 
−
|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]
 
 
|-
 
|-
 
|영화 리뷰 분류.
 
|영화 리뷰 분류.
47번째 줄: 42번째 줄:
 
|
 
|
 
|[https://github.com/gilbutITbook/006975/blob/master/3.5-classifying-newswires.ipynb 링크]
 
|[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 | 원본 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 공유[편집 | 원본 편집]

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 이미지[편집 | 원본 편집]

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

하위 분류

다음은 이 분류에 속하는 하위 분류 2개 가운데 2개입니다.

ㄷ

원본 주소 "http://id8436.iptime.org:2786/mediawiki/index.php?title=분류:딥러닝_기능_구현&oldid=1010"