딥러닝과 퍼셉트론의 이해
※ 코랩 사용시 초기 설정 3가지
런타임 유형변경 - GPU
드라이브 마운트
런타임 - 모두실행
model1 > model2
출력층 활성화함수 변경
베스트 모델 저장 (Model Check Point)
: 전 학습보다 결과가 개선되면 개선된 모델을 저장
학습 중단(Early Stopping)
: 일정 epoch동안 결과가 개선되지 않으면 학습을 중단
epochs를 크게 적고 기다려도 중간에 모델이 개선되지 않으면 학습이 중단
이미지를 학습하지 않는 이유
- MLP > 이미지 학습은 가능 > 판단을 엄청 못함
- 위치를 기반으로 학습 > 위치가 조금만 달라져고 다른 값으로 파악
- 크기도 중요한 변수 > 임지들의 크기가 거의 다 같아야함
- 이미지의 모양은 학습이 불가능
OPENCV(라이브러리)
- 이미지를 다루는 방법
CNN(딥러닝 모델) RNN LSTM YOLO BERT
- 이미지를 학습할 수 있음 > 판단을 잘함
- Conv: 이미지에서 특징을 찾는 역할
- pool: 이미지에서 특징을 제외한 부분 삭제
CNN -이미지 학습 가능
컨볼루션 : 특징을 추출하는 층
풀링 : 특징이 아닌부분 삭제
- 특징 : 기준영역에서 가장 큰 것
CNN 모델을 돌렸을때,
Train 데이터의 오차(Loss) 정확도(Accuracy) / Val 데이터의 오차(Loss) 정확도(Accuracy)
- Train데이터보다 Val 데이터가 오차(Loss), 정확도(Accuracy)가 떨어진것을 알 수 있다. -> 과대적합
※ 과대적합을 해결하기 위해서는
- 과대적합이 관찰되었음
- 학습데이터 증가
- 딥러닝 모델 재설계 -> dropout()
- 학습데이터 augmentation(확장) : 기존의 이미지에 변화를 줘서 이미지를 사용(회전, 확대, 기울이기 등등)
'개발 공부 > 머신러닝, 딥러닝' 카테고리의 다른 글
| 분류 모델을 평가하는 방법(Classification model) (1) | 2023.10.17 |
|---|---|
| 코랩 사용시 체크 방법 GPU, 속도 향상 방법 (0) | 2023.10.17 |
| 딥러닝의 이해 (0) | 2023.10.17 |
