🏃 이전 글 # 생성적 적대 신경망, GAN이란? [핸즈온 머신러닝] 17장(4) - GAN, 생성적 적대 신경망 [AI/Hands-on ML] - [핸즈온 머신러닝] 17장(3) - 변이형 오토인코더, Variational AutoEncoder [핸즈온 머신러닝] 17장(3) - 변이형 오토인코더, Variational AutoEncoder [AI/Hands-on ML] - [핸즈온 머신러닝].. kdeon.tistory.com 17. 9. 2 심층 합성곱 GAN, DCGAN 2014년 원본 GAN 논문에서는, 합성곱 층을 통해 작은 이미지만 생성하였다. 그 후, 큰 이미지를 위해 깊은 합성곱 층 기반의 GAN을 만들기 위해 노력하였고, -> 2015년, 여러 구조와 하이퍼파라미터 실험 끝에 심층 합성..
[AI/Hands-on ML] - [핸즈온 머신러닝] 17장 - 오토인코더와 GAN을 사용한 표현 학습과 생성적 학습 [핸즈온 머신러닝] 17장 - 오토인코더와 GAN을 사용한 표현 학습과 생성적 학습 17. 오토인코더와 GAN 오토인코더 지도 없이도 잠재 표현 또는 코딩이라 부르는 입력 데이터의 밀집 표현을 학습할 수 있는 신경망 - 코딩은 일반적으로 입력보다 훨씬 낮은 차원을 가지므로 오토 kdeon.tistory.com 17. 4 합성곱 오토인코더, Convolutional AutoEncoder 이미지를 다룰 때는, 합성곱 신경망이 밀집 네트워크보다 잘 맞음 -> 이미지에 대한 오토인코더를 위한 합성곱 오토인코더 인코더는 합성곱 층과 풀링 층으로 구성된 일반적인 CNN - 입력에서 공간 방향의 차원..
15. 순환 신경망 RNN - 시계열 데이터를 분석해서 주식 가격 등을 예측하고, 자율 주행 시스템에서는 차의 이동 경로를 예측하여 사고를 피하도록 도움 - 일반적으로 이 신경망은 고정 길이 입력이 아닌 임의 길이를 가진 시퀀스를 다룰 수 있다. 문장, 문서, 오디오 샘플을 입력으로 받을 수 있고, 자연어 처리(NLP)에 매우 유용 15. 1 순환 뉴런과 순환 층 지금까지는 활성화 신호가 입력층에서 출력층 한 방향으로 흐르는 피드포워드 신경망 위주였지만, 순환 신경망은 뒤쪽으로 순환하는 연결도 있다는 차이점이 있음 - 입력을 받아 출력을 만들고, 자신에게도 출력을 보내는 뉴런 하나로 구성된 가장 간단한 RNN 구조 - 각 타임스텝 t(또는 프레임) 마다 이 순환 뉴런은 물론 x(t)와 이전 타임 스텝의 ..
[AI/Hands-on ML] - [핸즈온 머신러닝] 14장(3) -케라스를 통한 CNN 구현 및 모델 사용 14. 8 분류와 위치 추정 사진에서 물체의 위치를 추정하는 것은 회귀 작업으로 가능 - 물체를 둘러싸는 바운딩 박스를 추정하는 방법 - 바운딩 박스를 예측하는 일반적인 방법은 물체 중심의 수평, 수직 좌표와 높이, 너비를 예측하는 것 (= 네 개의 숫자 예측) 일반적으로 전역 평균 풀링 층 위에 네 개의 유닛을 가진 두 번째 밀집 출력층을 추가하고 MSE 손실을 사용해 훈련 base_model = keras.applications.xception.Xception(weights="imagenet", include_top=False) avg = keras.layers.GlobalAveragePool..
