정착소

책(밑바닥부터 시작하는 딥러닝 2) 3

1.5.2 GPU(쿠파이) * 딥러닝의 계산은 대량의 곱하기 연산으로 구성됩니다. 이 대량의 곱하기 연산은 병렬로 계산할 수 있는데, 이 점에서 CPU보다 GPU가 유리합니다. - 쿠파이를 사용하면 엔비디아 GPU를 사용해 간단하게 병렬 계산을 수행할 수 있습니다. (쿠파이는 넘파이와 호환되는 API를 제공합니다.) import cupy as cp x = cp.arange(6).reshape(2, 3).astype('f') x → array([[0., 1., 2.], [3., 4., 5.]], dtype=float32) x.sum(axis=1) → array([ 3., 12.], dtype=float32) 위와 같이 쿠파이의 사용법은 기본적으로 넘파이와 같습니다. ※ config GPU = True ※ ..

책(밑바닥부터 시작하는 딥러닝 2) 2

아래 링크가 시작입니다~ 2020/02/06 - [분류 전체보기] - 책(밑바닥부터 시작하는 딥러닝 2) 1.4.1 스파이럴 데이터셋 - spiral: 나선형의 데이터 # import 방식 from google.colab import drive drive.mount('/content/gdrive') # %cd Drive/ # 이 부분엔 현재 경로 넣기 from dataset import spiral import matplotlib.pyplot as plt x, t = spiral.load_data() print('x', x.shape) # (300, 2) print('t', t.shape) # (300, 3) # 데이터점 플롯 N = 100 CLS_NUM = 3 markers = ['o', 'x', '^..

책(밑바닥부터 시작하는 딥러닝 2)

정리 * 자연어 처리 : 우리가 평소 말하는 언어를 컴퓨터가 이해하도록 만드는 기술 * 브로드캐스팅 : └ 배열의 모양이 특정 제한 조건을 충족 할때 제한 조건을 완화합니다. └ 계산을 느리게하는 비효율적인 메모리 사용합니다. * dot / matmul ? * 미니배치(minibatch) : 데이터를 작은 그룹으로 나눠 그룹 단위로 반복 학습하는 방식을 미니배치 학습이라 하며, 이때 각각의 그룹을 미니배치라 합니다. * 순전파 : 입력층에서 출력층으로 향하는 전파 * 역전파 : 데이터(기울기)를 순전파와는 반대 방향으로 전파 * params : 가중치와 편향 같은 매개변수를 담는 리스트(매개변수는 여러개가 있을 수 있으므로 리스트에 보관) * grads : params에 저장된 각 매개변수에 대응하여, ..

SVHN

image 3개 %tensorflow_version 2.0x import tensorflow as tf from tensorflow import keras from google.colab import files # 구글 드라이브에 파일을 업로드해두고 읽는 방식 from google.colab import drive drive.mount('/content/drive') import numpy as np from scipy.io import loadmat import matplotlib.pyplot as plt import os os.chdir('drive/My Drive/Colab Notebooks') mat = loadmat('test_32x32.mat') mat.keys() # 데이터 획득 x = ma..

.mat 파일 읽어오기

▶ 방법 1 %tensorflow_version 2.0x import tensorflow as tf from tensorflow import keras from google.colab import files # 구글 드라이브에 파일을 업로드해두고 읽는 방식 from google.colab import drive drive.mount('/content/drive') import numpy as np from scipy.io import loadmat import matplotlib.pyplot as plt from google.colab import drive drive.mount('/content/drive') mat = loadmat('test_32x32.mat') mat.keys() ▶ 방법 2 %t..

numtest

▶ 미션 : 데이터획득: .mat 에서 x, y 를 가져옵니다 전처리 : x, y 를 학습할 수 있게 만듭니다 x : (h,w,c,m) > (m,h,w,c) 로 수정 y : (m,1) > (m) 로 수정 y 의 라벨을 확인하세요. 숫자 0 의 라벨이 '10'입니다. 이것을 0으로 수정하세요 모델 생성: CNN, RNN, CRNN 등의 모델을 만듭니다 학습 및 평가: 데이터를 학습시키고 성능을 측정합니다 %tensorflow_version 2.0x import tensorflow as tf from tensorflow import keras from google.colab import files # 파일 업로드 방식 uploaded = files.upload() from scipy import io mat..

rnn_2_number_with_blank

%tensorflow_version 2.x import tensorflow as tf from tensorflow import keras import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_digits tf.keras.backend.set_floatx('float32') x, y = load_digits(return_X_y=True) x.shape, y.shape, set(y) ▶ 학습데이터와 테스트 데이터를 나눕니다 m = len(y)//2 x_train = x[:m] y_train = y[:m] x_test = x[m:m*2] y_test = y[m:m*2] x_test.shape, y_test.sha..

cnn_2_number_with_blank

※ 2 자리수 숫자, 공백 CNN 분류기 %tensorflow_version 2.x import tensorflow as tf from tensorflow import keras import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_digits tf.keras.backend.set_floatx('float32') x, y = load_digits(return_X_y=True) x.shape, y.shape, set(y) → ((1797, 64), (1797,), {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}) ▶ 학습데이터와 테스트 데이터를 나눕니다 m = len(y)//2 x_train = x[:..