본문 바로가기

DataScience59

딥러닝 :: OpenCV, Style Transfer를 활용한 이미지 처리_TIL53 ■ JITHub 개발일지 53일차 □ TIL(Today I Learned) :: OpenCV를 활용한 딥러닝 이미지 처리 ※ 딥 러닝 이미지 처리 기능 학습 내용과 들었던 생각 - 이번에 알게된 딥러닝 기술은 이미지 처리기술 중 style transfer이다. - 딥러닝을 활용해서 이미지를 처리할 때 다양한 기능들을 활용할 수 있었다. 예를들면 두 개의 이미지를 합치는 기능부터 이미지의 특정부분을 이미 학습한 딥러닝 모델을 통해 이식하는 기능, 특정 화풍을 입혀넛는 기능 등이 있다. - style transfer : 다른 그림의 화풍을 적용시키는 기술로써 2015년부터 나왔던 간단한 기술이라고 한다. - 이번에 학습한 기능은 style transfer와 가깝다. - 특강에서 사용했던 코드는 아래와 같다... 2022. 11. 18.
딥러닝 :: 이미지 처리 구현 _TIL#52 ■ JITHub 개발일지 52일차 □ TIL(Today I Learned) :: 딥러닝 : OpenCV, 이미지 처리 구현 - 딥러닝 모델을 사용하여 이미지 처리를 구현해보았다. 아래에 있는 사진의 액자부분만 유화처리를 하여 두 번째 사진처럼 변경해보았다. - 작성했던 코드는 아래와 같다. import cv2 import numpy as np net = cv2.dnn.readNetFromTorch('models/eccv16/composition_vii.t7') net2 = cv2.dnn.readNetFromTorch('models/eccv16/la_muse.t7') net3 = cv2.dnn.readNetFromTorch('models/eccv16/starry_night.t7') img = cv2.imr.. 2022. 11. 16.
파이썬 웹 프로그래밍 :: 10월 셋째주 WIL #07 ■ 개발일지 WIL #07 1. FACTS - 머신러닝 학습 : 머신러닝 강의를 들으며 학습하였다. - 인스타그램 클론코딩 코드 리뷰 진행 : 팀원들과 매일 하나씩 인스타그램 CRUD를 리뷰하였다. 2. FEELINGS - 팀원들과 인스타그램 클론코딩 코드 리뷰를 하면서 django의 부족한 부분을 보완할 수 있었다. 하지만 프로젝트를 통해 실력은 더 다져야 할 것 같다. - 머신러닝 이론은 재미있게 학습했다. 3. FINDINGS - 머신러닝 : 알고리즘 : 회귀와 분류 : 지도학습, 비지도학습, 강화학습 : 선형회귀 : 학습/검증/테스트 데이터 4. FUTURE - 머신러닝 Django 프로젝트 진행 2022. 10. 20.
머신러닝 :: 딥러닝 MNIST 실습_과일 종류 예측 딥러닝 MNIST 실습_과일 종류 예측 1. 딥러닝 과일 사진을 통한 종류 예측 · 영어 알파벳 수화 데이터셋 (※ 링크 : https://www.kaggle.com/moltean/fruits) 1) 데이터셋 다운로드 import os os.environ['KAGGLE_USERNAME'] = '' # username os.environ['KAGGLE_KEY'] = '' # key !kaggle datasets download -d moltean/fruits !unzip -q fruits.zip 2) 패키지 로드 from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Conv2D, MaxPoolin.. 2022. 10. 14.
머신러닝 :: 딥러닝 MNIST 실습_캐글 Sign Language 데이터셋(2)_CNN을 이용한 풀이 딥러닝 MNIST 실습_캐글 Sign Language 데이터셋(2)_CNN을 이용한 풀이 1. 딥러닝의 개념 · 영어 알파벳 수화 데이터셋 (※ 링크 : https://www.kaggle.com/datamunge/sign-language-mnist) 1) 데이터셋 다운로드 import os os.environ['KAGGLE_USERNAME'] = '' # username os.environ['KAGGLE_KEY'] = '' # key !kaggle datasets download -d datamunge/sign-language-mnist !unzip sign-language-mnist.zip 2) 패키지 로드 from tensorflow.keras.models import Model from tensor.. 2022. 10. 14.
머신러닝 :: 딥러닝_전이학습, 순환신경망(RNN), 생성적 적대 신경망(GAN) 딥러닝_전이학습, 순환신경망(RNN), 생성적 적대 신경망(GAN) 1. 전이학습(Transfer Learning) · 과거에 문제를 해결하면서 축적된 경험(유명한 네트워크들과 같이 미리 학습시킨 모델을 가져오는 등)을 토대로 유사한 문제를 해결하도록 신경망을 학습시키는 방법 · 학습 속도가 빠르고(빠른 수렴), 상대적으로 적은 데이터셋으로 좋은 결과를 낼 수 있음 2. 순환 신경망(RNN, Recurrent Neural Networks) · 은닉층이 순차적으로 연결되어 순환구조를 이루는 인공신경망의 한 종류로 음성, 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델이다. · 길이에 관계없이 입/출력을 받아들일 수 있는 구조로, 다양하고 유연하게 구조를 만들수 있다. · 주식이나 암호화폐의 시세를 .. 2022. 10. 13.
머신러닝 :: 합성곱 신경망(CNN, Convolutional Neural Networks) 딥러닝_합성곱 신경망(CNN) 1. 합성곱 신경망(CNN) · 컴퓨터 비전(Computer Vision, CV) 분야에서 사용되는 이미지 처리 방식으로 입력데이터와 필터의 각각의 요소를 서로 곱한 후 모두 더하여 출력값을 생성한다. ※ 참고. 합성곱 관련 논문자료 中 · 합성곱 출력결과는 아래와 같이 순차적으로 생성된다. · Filter, Strides and Padding 아래 왼쪽 그림에서 보면 5x5크기의 입력이 주어졌을 때 3x3크기의 필터(Filter 또는 Kernel)를 사용하여 합성곱을 계산하면 3x3크기의 특성맵(Feature map)을 생성할 수 있다. 이 때 필터가 이동하는 간격을 스트라이드(Stride)라고 부른다. 그런데 이러한 연산을 진행하면 연산 특성상 출력값인 맵의 크기가 줄어.. 2022. 10. 13.
머신러닝 :: 딥러닝 MNIST 실습_캐글 Sign Language 데이터셋 딥러닝 MNIST 실습_캐글 Sign Language 데이터셋 1. 딥러닝 MNIST 실습 · 영어 알파벳 수화 데이터셋 (※ 링크 : https://www.kaggle.com/datamunge/sign-language-mnist) 1) 데이터셋 다운로드 import os os.environ['KAGGLE_USERNAME'] = '' # username os.environ['KAGGLE_KEY'] = '' # key !kaggle datasets download -d datamunge/sign-language-mnist !unzip sign-language-mnist.zip 2) 패키지 로드 from tensorflow.keras.models import Model from tensorflow.keras.. 2022. 10. 13.
머신러닝 :: 딥러닝 XOR 예측 실습(이진 논리회귀, MLP, keras functional API) 머신러닝 XOR 예측 실습(이진 논리회귀, MLP, keras functional API) 1. XOR 예측 · 아래의 그림을 참고로 XOR 경우의 예측모델을 만들어본다. 1) 환경 지정 · 아래와 같이 필요한 모듈들을 클래스로부터 불러오기한다. import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.optimizers import Adam, SGD x_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=np.float32) y_data = np.array([[0], [1], [1].. 2022. 10. 13.
머신러닝 :: 딥러닝 주요 개념(배치, 활성화 함수, 과적합, 앙상블) 딥러닝 개념(배치, 활성화 함수, 과적합, 앙상블) 1. 딥러닝의 개념 · 자연계에는 직선으로 설명할 수 없는 문제들이 훨씬 많다. 이러한 문제들은 선형회귀를 반복한다고 해결이 되지 않기 때문에 선형회귀에 비선형 계산식을 추가하여 문제를 해결할 수 있다. · 위와 같이 선형 회귀 사이에 비선형 들어간 여러개의 층(layer)으로 구성된 것을 딥러닝(Deep learning)이라고 한다. 딥러닝(Deep learning)은 Deep neural networks, Multilayer Perceptron(MLP)라고도 표현한다. 2. 딥러닝, Deep neural networks의 구성 · MLP는 아래 3개의 층으로 구분할 수 있다. - Input layer(입력층): 네트워크의 입력. 학습시키고자 하는 값.. 2022. 10. 13.
반응형

티스토리툴바