IT 프로그래밍 관련/딥러닝12 Fine Tuning 코드 진행 Fine Tuning은 트랜스퍼러닝을 한 후에 조금 더 성능을 향상 시키고자 할 때 한다. 기존 모델을 실시한 후에 실시하는것이 핵심! basemodel 전체를 훈련시키는 것이 아닌 앞부분은 놔두고, 뒷부분을 설정해서 설정한 구간부터 끝까지 훈련을 실행한다. len( baseModel.layers ) start_layer = 120 baseModel.trainable=True for layer in baseModel.layers[ 0:start_layer ] : layer.trainable = False model.compile(optimizer=Adam( lr=0.0001 ), loss='categorical_crossentropy', metrics='accuracy') model.fit(trainGe.. 2021. 3. 4. Transfer Learning을 위한 코드와 설명 Transfer Learning은 기존에 잘 훈련되어 있는 모델을 base부분만 가져와 head부분은 따로 만들어서 이용 하는 것이다. 잘 만들어진 모델을 사용하여 새로운 모델을 만들시 학습을 빠르게 하며, 예측을 더 높일 수 있다. 모델을 가져올시 내가 지금 하려는 문제해결 방법과 유사한 문제해결 모델인지 확인해야 한다. keras에서 모델을 불러와 base_model로 . ex)MobileNetV2 base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE, include_top=False, weights="imagenet") IMG_SHAPE( 128, 128, 3)으로 처리 되어있다. include_top = False : 가져오는 .. 2021. 3. 4. CNN으로 이미지 파일 시험코드 코랩 환경. 다 만들어진 CNN 모델이 얼마나 잘 맞나 테스트를 위해, 내 컴퓨터에 있는 이미지 파일로 시험해본다. import numpy as np from google.colab import files from tensorflow.keras.preprocessing import image uploaded = files.upload() for fn in uploaded.keys() : path = '/content/'+ fn img = image.load_img( path, target_size=( 300, 300) ) x = image.img_to_array(img) print(x.shape) x=np.expand_dims( x, axis = 0 ) print(x.shape) images = np.v.. 2021. 3. 3. 타임시리즈 데이터분석용 Prophet 라이브러리 타임시리즈 데이터 분석을 하기위한 페이스북에서 제공하는 Prophet 라이브러리를 활용한다. 라이브러리 from fbprophet import Prophet #Prophet 사용을 위해서는 가공된 데이터 프레임이 필요하다. 1. 날짜가 적혀있는 column을 보기좋게 날짜 순으로 정렬 후. 2. 날짜 column과 본인이 예측하고자하는 column을 'ds', 'y'로 column명 변경 chicago_prophet.columns= [ 'ds', 'y' ] ## or chicago_prophet.rename (columns = {'Date':'ds', 'AveragePrice':'y'} ) 모델링 m = Prophet() #Prophet을 m으로 m.fit(avocado_df_sample) #fit fu.. 2021. 3. 3. 이전 1 2 3 다음 728x90