쿠와와의 하루정리

주석을 봐도 모르겠으면 알려주세요 # Day_23_01_17flowers.py # 17flowers_origin import tensorflow as tf import os import glob from PIL import Image from sklearn import preprocessing, model_selection import numpy as np # 이미지를 224 * 224 로 바꿔야함 # 17flowers_origin -> 224로 줄여서 def resize_17flowers(src_folder, dst_folder, new_size): # 폴더 없으면 만들어줌 if not os.path.exists(dst_folder): os.mkdir(dst_folder) files = glob.glo..

주석을 봐도 모르겠으면 알려주세요 # Day_22_02_VGG.py import tensorflow as tf def model_vgg_dense(): # slim 라이브러리에 있는 vgg 파일을 활용해서 케라스 vgg 모델을 구현하세요 # 결관 summary 함수를 통해 shape 로 확인합니다. model = tf.keras.Sequential() model.add(tf.keras.layers.Input(shape=[224, 224, 3])) # input 바꾸지 않을 것임 # 1번째 conver 완료 model.add(tf.keras.layers.Conv2D(64, [3, 3], 1, 'same', activation='relu')) model.add(tf.keras.layers.Conv2D(64,..

# Day_22_01_LeNet5.py import tensorflow as tf import numpy as np # LeNet5 모델을 구현해서, 최초 만들었던 cnn 모델과 정확도를 비교하세요 # summary 함수에서 출력한 total params 항목이 61,706으로 되어있는데 왜 그렇게 되는지 직접 계산해보세요 def LeNet5(): (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() x_train = x_train / 255 x_test = x_test / 255 # 4차원으로 변환 x_train = x_train.reshape(-1, 28, 28, 1) x_test = x_test.reshape(-1, 2..

각각의 주석이 #1에서 사용했던 것이고 그것을 keras를 이용해서 바꾼 코드입니다. import tensorflow as tf # compat 때문에 써줘야함 중간중간의 shape 추적하기 위해 # ph_x = tf.placeholder(tf.float32, shape=[None, 28, 28, 1]) # x_train 형식 # ph_y = tf.placeholder(tf.int32) # # c1 = tf.nn.conv2d(ph_x, # 행렬 곱셈이라고 생각하면 편함 # filter=w1, # strides=[1, 1, 1, 1], # 가온데 2개만 사용하고 앞(배치 size) 뒤(채널)는 사용 안함, 한번에 얼만큼 움직이는지 # padding='SAME') # 파라미터의 수를 줄여나가는 과정 = pa..

주석에 부족한 내용이 있으면 물어보세요 CNN은 Convolution과 Pooling을 반복적으로 사용하면서 불변하는 특징을 찾고, 그 특징을 입력데이터로 신경망에 보내 Classification을 수행합니다. Convolution Layer : 필터를 통해 이미지의 특징을 추출. Pooling Layer : 특징을 강화시키고 이미지의 크기를 줄임 Padding은 Convolution을 수행하기 전, 입력 데이터 주변을 특정 픽셀 값으로 채워 늘리는 것입니다. # Day_21_01_CNNFirst.py import tensorflow.compat.v1 as tf tf.disable_eager_execution() # compat 때문에 써줘야함 이말은 3차원을 여러개 사용하는것 즉 4차원을 다루는 것이다..

인공지능 코드를 테스트해보기 위한 데이터셋 용량이 너무 커서 필요하다면 글에 이메일 남겨주세요

주석이 부족한 부분이 있으면 말해주세요. import csv import re import nltk import collections import matplotlib.pyplot as plt # https://github.com/e9t/nsmc # x, y 데이터를 반환하는 함수를 만드세요 # 김윤 박사 cnn sentence 검색하면 깃헙 나옴 # 해당 사이트에서 clean_str 함수를 찾아서 우리 코드에 적용하세요 # 모든 문서의 토큰 갯수를 그래프로 그려보세요 def clean_str(string, TREC=False): """ Tokenization/string cleaning for all datasets except for SST. Every dataset is lower cased exce..

import nltk import collections import matplotlib.pyplot as plt # 세익스피어의 헴릿에 등장하는 주인공들의 출현 빈도로 막대 그래프를 그려보세요 # gutemberg # 햄릿, 거트루드, 오필리어, 클로디어스, 레어티스, 호레이쇼 # print(nltk.corpus.gutenberg.fileids()) # 1. 햄릿 읽기 txt = nltk.corpus.gutenberg.raw('shakespeare-hamlet.txt') # text 전체 # 2. actors 찾기 names = ['hamlet', 'gertrude', 'claudius', 'laertes', 'ophelia', 'polonius', 'horatio'] txt = txt.lower() d..

# Day_06_01_gensim.py import gensim import nltk import collections import pprint # 건강한 사람과 암에 걸렸을 확률을 계산 # 암에 걸릴 비율 (0.1%), 건강할 확률 (99.9%) # 암 판정을 받았을 때의 정확도: 95% # 암이 아니라고 판정했을 때의 오진율 : 2% # 암 판정 # 실제 암에 걸렸을 확률: (암에 걸릴 확률 * 정확도)(암에 걸리지 않았을 확률 * 오진률) # 0.001 * 0.95 = 0.00095 -> 0.04538939321548 판정 시 / 전체 확률 # 0.999 * 0.02 = 0.01998 -> 0.954610610678452 아닐 시 / 전체 확률 # -------------------------- #..

import nltk import random import collections import time # word to vector -> 단어를 숫자로 바꾸겠다. document to vector 다큐먼트를 벡터로 바꿈 # ex 영화 리뷰를 그 안의 단어를 가지고 충분히 학습 후 -> 긍정, 부정을 나눔 => doc to vec # doc 분석해서 어떤 분류인지 알아내겠다. def make_vocab(vocab_size=2000): # 사실 2천개는 너무 적음 만개는 해야함 # nltk.download('movie_reviews') words = nltk.corpus.movie_reviews.words() # print(len(words)) # print(nltk.corpus.movie_reviews.c..