딥딥딥

OCR model for reading Captchas Author: A_K_Nain Date created: 2020/06/14 Last modified: 2020/06/26 Description: CNN과 RNN 그리고 CTC loss를 활용한 OCR 모델 만들기 - Keras - Colab - Github 소개 케라스의 함수형 API를 활용하여 간단한 OCR 모델은 만들어 봅시다. CNN과 RNN을 결합하는 것 외에도 새로운 레이어 클래스를 만들고, 이를 CTC 손실 구현을 위한 "Endpoint Layer"로 사용하는 방법도 보여줍니다. 새로운 레이어를 만드는 방법에 관한 자세한 설명은 여기를 확인하세요. This example demonstrates a simple OCR model built ..

케라스: 가공하지 않은 텍스트로부터 감정분류 Text classification from scratch Authors: Mark Omernick, Francois Chollet Date created: 2019/11/06 Last modified: 2020/05/17 Description: Text sentiment classification starting from raw text files. - Keras - Github - Colab 소개 Introduction 이 예제는 가공하지 않은 텍스트로부터 텍스트 분류를 수행하는 방법을 보여줍니다. 가공되지 않은 IMDB 감정 분류 데이터 셋을 어떻게 처리하는지 보여줍니다. 단어 분할 및 색인 생성을 위해 TextVectorization 레이어를 사용하겠습..

케라스 번역: 클래스간 데이터 수가 불균형한 데이터셋에서의 분류 캐글 신용카드 사기 탐지 데이터셋 사례를 통해서 Imbalanced classification: credit card fraud detection Author: fchollet Date created: 2020/05/31 Last modified: 2020/05/31 Description: 클래스 간 데이터 수가 매우 불균형한 데이터를 다루는 방법에 대해 배워봅시다. (클래스 간 데이터 수가 매우 불균형한 데이터를 이하에서는, imbalanced data라고 하겠습니다.) Demonstration of how to handle highly imbalanced classification problems. - Keras - Github - Co..

Image segmentation with a U-Net-like architecture Author: fchollet Date created: 2019/03/20 Last modified: 2020/04/20 Description: Image segmentation model trained from scratch on the Oxford Pets dataset. keras.io/examples/vision/oxford_pets_image_segmentation/ colab.research.google.com/github/keras-team/keras-io/blob/master/examples/vision/ipynb/oxford_pets_image_segmentation.ipynb github.com/k..

설명 텐서가 GradientTape(미분 계산 값을 기록하는 객체)에 의해 추적되도록 합니다. 인자 값으로는 텐서 또는 텐서가 담긴 리스트를 받습니다. 만약, 텐서가 아닐 경우, valueError를 띄웁니다. Ensures that tensor is being traced by this tape. g.watch(y)가 없는 경우 x = tf.constant(3.0) y = tf.constant(3.0) with tf.GradientTape(persistent=True) as g: g.watch(x) z0 = x ** 2 z1 = y ** 2 dz_dx = g.gradient(z0, x) # x^2의 미분값은 2*x (x는 위에서 3이기에 결과는 6) print(dz_dx) # tf.Tensor(6.0,..

사용 이유 1. 메모리 용량의 한계 때문에 - 이미지, 텍스트 데이터 등을 메모리에 올려 놓은 후 작업을 진행할 수 있지만, 수많은 파일이 있을 경우 이를 모두 메모리에 올려놓지 못하기에, generator로부터 1개 또는 배치단위만큼 파일을 불러와야 합니다. 2. 다양한 가공 처리를 위해서 - 간혹 이미지 채널을 기존 RGB 3채널에서 4,5 채널로 늘리는 경우 또는 이미지의 특정 부분을 자른다거나 겹치게 하는 등의 다양한 처리를 generator를 통해서 할 수 있기 때문입니다. 필수 사항 1. 모델의 Input shape, Output shape 2. generator: 이미지와 해당 라벨을 추출하는 제너레이터 3. 모델에 넣을 데이터의 자료형과 라벨의 자료형(Int, Float, String 등)..

Keras 예제 번역: Next-frame prediction with Conv-LSTM Next-frame prediction with Conv-LSTM Author: jeammimi Date created: 2016/11/02 Last modified: 2020/05/01 Description: Conv-LSTM을 활용해, sequence의 다음 프레임을 예측해봅시다. Source: keras.io/examples/vision/conv_lstm/ colab.research.google.com/github/keras-team/keras-io/blob/master/examples/vision/ipynb/conv_lstm.ipynb github.com/keras-team/keras-io/blob/maste..

Simple MNIST convnet 간단한 Convolutional Network를 활용하여 MNIST 데이터셋 분류 모델 만들기 Author: fchollet Date created: 2015/06/19 Last modified: 2020/04/21 Description: A simple convnet that achieves ~99% test accuracy on MNIST. Setup # 라이브러리 로드 import numpy as np from tensorflow import keras from tensorflow.keras import layers Prepare the data # 클래스 개수 및 input_shape 지정하기 num_classes = 10 input_shape = (28, 2..

tf.data.Dataset 기초 repeat(), batch(), take() 코드와 출력문을 보면 이해가 더 빠릅니다. def count(stop): i = 0 while i

1. 이미지 features 추출하고, Feature map을 그리기. (with VGG16) keras.io/api/applications/#extract-features-with-vgg16 from tensorflow.keras.applications.vgg16 import VGG16 from tensorflow.keras.preprocessing import image from tensorflow.keras.applications.vgg16 import preprocess_input import matplotlib.pyplot as plt model = VGG16(weights='imagenet', include_top=False) # include_top = False를 하면 Flatten하기 전..