반응형 Machine Learning14 [인공지능] CNN 구현, 코드 및 아키텍처 구조 설명 이 블로그는 국민대학교 김영욱 교수님의 "인공지능" 교과목을 듣고 과제를 리뷰로 작성한 블로그입니다. 오늘은 인공지능 수업의 두 번째 과제인 Multi-layer perceptron, Convolution Neural Netwrok 구현을 해보았다. 그 중에서도 CNN 구현을 한것에 대해 리뷰를 해보겠다. ResNet을 사용하여 성능을 끌어올렸다코드와 아키텍처 구조, 작동 매커니즘에 대해 알아보자. 다음 모델은 CIFAR-100 데이터셋의 복잡한 이미지 분류 작업을 효과적으로 처리하기 위해 설계되었으며, 깊은 네트워크 구조를 통해 우수한 성능을 보였다. # PyTorch 라이브러리 import *** 해당 cell을 수정하지 말 것 ***import torchimport torch.n.. 2024. 11. 11. 컨볼루션 신경망(CNN)(2) 오늘은 CNN의 구조에 대해 수식과 알고리즘을 통해 자세히 들여다 보겠다. 이를 위해서 변수 정리를 완벽히 하고 가자. 숙지 하고 넘어가자. im2col, col2im 컨볼루션층과 풀링층 코드를 단순하게 유지해 실행속도를 빠르게 하기 위해 두 알고리즘을 이용하겠다. im2col(image to column)은 4차원 배열을 행렬로 변환하고 col2ima(column to image)는 행렬을 이미지를 나타내는 4차원 배열로 변환한다. 2024. 2. 23. 컨볼루션 신경망(CNN)(1) 저번 시간엔 각 신경망에 따라 코드로 딥러닝 구현을 해보았다. 이번 시간엔 컨볼루션 신경망(CNN)에 대해 알아보자. CNN에서는 컨볼루션층, 풀링층, 전결합층이 등장한다. 또한 이미지를 유연하고 정밀하게 인식하기 위해 CNN은 일반적인 신경망과는 구조가 조금 다르다. 일반적으로 이미지는 각 픽셀이 인접한 픽셀과 강한 연관성이 있어, 컨볼루션층에서는 출력값이 입력값의 일부로부터만 영향을 받는 국소성(local connectivity, locality)이 강한 처리가 수행된다. 또한 풀링층에서는 인식하는 대상의 위치를 유연하게 처리할 수 있는 구조로 구성되어있다. 이제 CNN의 원리와 구조를 배워보자. 시각 처리 세계 CNN은 생물체의 시각 구조를 모델링한 것으로 우선은 CNN.. 2024. 2. 14. 딥러닝 구현 및 시각화 해보기 저번 시간에 딥러닝 구현에 대한 디테일을 살펴보았다. 이번에는 코드로 구현해보자. #붓꽃 품종 분류 문제(전체 코드))#은닉층 활성화 함수: ReLU#출력층 활성화 함수: 소프트맥스 함수#손실 함수: 교차 엔트로피 오차#최적화 알고리즘: 확률적 경사 하강법#배치 사이즈: 8#은닉층의 뉴런 수: 25#코드 흐름#1. 데이터 입력과 전처리#2. 각 층 구현#3. 신경망 구축#4. 미니 배치법으로 학습#5. 정답률 측정import numpy as npimport matplotlib.pyplot as pltfrom sklearn import datasetsiris_data = datasets.load_iris()input_data = iris_data.datacorrect = iris_data.targetn.. 2024. 2. 14. 이전 1 2 3 4 다음 반응형
