공대생 도전 일지

우리는 여태까지 FCN으로 tensorflow에서 Dense만 사용해왔다. 그러나 사진과 같은 경우엔 해상도가 만만치 않아 대충 1000*1000이라고 하면 일렬로 나열하면 1000000이 된다. 이게 Dense layer 하나만 거쳐서 100개로 줄어든다해도 100,000,000 1억개의 파라미터가 존재하게 된다. 이 것은 확실한 컴퓨터소스를 잘 활용하지 못하는 것이다. 그래서 위와 같이 필터를 사용하여 파라미터 9개만 사용하여 피쳐수도 줄이고, 중요한 정보만 가져오는 방식을 만들었다. 피쳐 수를 줄이고 싶지 않을 때 padding을 사용하게 된다. 그럼 0으로 padding 수 만큼 겹겹히 쌓아서 필터를 거쳐도 피쳐 수가 줄지 않게 해준다. 필터 크기가 3이면 패딩은 1, 필터 크기가 5이면 패딩은 ..

https://github.com/Yoon-Jeong-ho/re-start/blob/main/%EC%88%98%EC%97%85/%EC%9D%B8%EA%B3%B5%EC%A7%80%EB%8A%A5/README.md 여기에 접속하면 인공지능 시험에 대한 자료를 모아놨다. RNN, GAN, LSTM, AUTOENCODER, CAM 등 다양한 인공지능을 모아놨다. 자료 정리는 토요일 안으로 할 예정이다. 이렇게 되어있어 보기 불편한데 빠른 시일 내에 정리해서 올리겠다.

하필 마크다운 사진이 안옮겨 지는 바람에 캡쳐로 다다닥

데이터는 말씀해주시면 언제든지 보내드리겠습니다. import pandas as pd import tensorflow as tf from keras.models import Model from keras.layers import Input, Dense, Flatten, Dropout, LSTM from keras.utils import plot_model, to_categorical import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split data = pd.read_csv('AAPL.csv') 라이브러리와 데이터를 읽습니다. def normalization(x): x_min = ..

여기에 작성하진 않았지만 인코딩 엔코딩으로 모델을 생성하는 것에서 발전된 모델이다. 생성하는 모델이 있고, 그 것을 판단하는 모델이 있다. 생성한 모델에서 나온 것은 판단하는 모델에서 진짜라고 만들어야 하고, 판단하는 모델은 생성된 것은 가짜(0)으로, 진짜 데이터는 진짜(1)로 판단해야한다. 이 과정을 토대로 학습한다. 이번엔 mnist를 활용하여 바로 colab, kaggle 등 사용하기 편한 곳에서 하면 된다. import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Batch..

2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 -3 스케쥴러 센서신호, FFT, STFT data를 통해 하중 예측하기 -3 스케쥴러 2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 yoonschallenge.tistory.com 이전 코드와 달라진 것은 batchNormalization이 추가되었다. 이 함수의 역할은 밑에 사진과 같다. sigmoid를 사용하다보면 널리 퍼져있는 값들은 무시하는 것이 컸다. 그래..

import torch import torch.nn as nn import torch.nn.functional as f import torch.optim as optim from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import numpy as np import matplotlib.pyplot as plt import pandas as pd import torchvision.datasets as dsets import torchvision.transforms as transforms import time device= "cuda" if torch.cuda.is_available() else "cpu" p..

이번에는 CNN을 통한 FCN과 비교이다. CNN코드는 밑에 작성하겠다. import torch import torch.nn as nn import torch.nn.functional as f import torch.optim as optim from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import numpy as np import matplotlib.pyplot as plt import pandas as pd import torchvision.datasets as dsets import torchvision.transforms as transforms import time device= "cuda" ..

저번에 했던 MNIST가 과제로 또 나왔다... 이번에는 발전 과정 까지 다 보고 싶어하셔서 천천히 다 해보았다. pytorch는 어색해서 좀 주저했는데 이김에 많은 방법을 써봤다. import torch import torch.nn as nn import torch.nn.functional as f import torch.optim as optim from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import numpy as np import matplotlib.pyplot as plt import pandas as pd import torchvision.datasets as dsets import tor..

2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 센서신호, FFT, STFT data를 통해 하중 예측하기 import tensorflow as tf import numpy as np import pandas as pd from keras.datasets.mnist import load_ yoonschallenge.tistory.com 아직 LSTM에 대해 전문적으로 아는 것은 아니라 글을 적긴 애매하고 스케쥴러에 대해 알아왔다. 아무리 adam이 learnin..