지금까지 실험해본 학습결과를 정리해보자. 01 Softmax Classification 84.69% 02 Keras Sequential Dense Net 89.66% 03 Keras CNN 92.31% 4순위 04 Keras CNN (batch_size, Epoch 값 조정) 94.7% 2순위 05 Keras CNN( 레이어 값 조정) 92.85% 3순위 06 Random Erasing Net 95.8% 1순위 이 결과를 통해 얻은 결론과 소감 배운점을 정리해보면 여러가지 모델들을 사용해보고 모델의 레이어나 batch_size, Epoch, 활성화 함수 등을 수정해보면서 모델의 깊이를 더 깊게 하거나 성능이 더 좋은 모델을 사용하면 정확도를 향상시킬 수 있다는 것을 알 수 있었고... 제일 중요하게 생각..

정확도 개선을 위해 새로운 딥러닝 모델을 탐색하기 시작했다.. 물론 VGGNet도 앞 글에서 소개를 했지만 좀 더 다른 모델이 없을까 탐색해보는 것도 나쁘지 않다는 생각을 하게 되었다. 그러다 찾은 모델이 하나가 있는데 https://github.com/zalandoresearch/fashion-mnist zalandoresearch/fashion-mnist A MNIST-like fashion product database. Benchmark :point_down: - zalandoresearch/fashion-mnist github.com 벤치마크 기중 정확도 0.963으로 2등이다. 이 WRN-28-10 + Random Erasing은 좀 특이한 방법을 사용하여 CNN연산을 수행한다. 순서는 다음과..

이전 글들에서 했었던 실습내용을 정리를 해봐야겠다... 첫번째, 나는 Fashion MNIST데이터 셋을 Load하여 학습모델에 변화를 주고, (최적화함수, 활성화함수, 손실함수, epoch, Crossentropy)의 값들만 변화를 주어 정확도를 비교를 하고 있었다. 모델별로 정확도를 최종적으로 정리하면 ---------------------------------------------------------------------------------------------------------------------- 1) Softmax Classification Model -Layer 2개의 가벼운 모델 -최적화 함수 : Adam -활성화 함수 : Softmax -손실 함수 : Crossentropy -E..

이전 테스트에서는 keras Sequential Dense Net 학습모델의 정확도 비교 분석을 해보았다. 이번에는 Keras CNN을 사용하여 비교분석을 진행해보자 적용 파라미터 값은 다음과 같다. Layer : 16개 최적화함수 : Adam 활성화 함수 : Relu, Softmax 손실함수 : Crossentropy Epoch : 100 Batch_Size : 1000 Maxpooling, Dropout : 50% Conv network 사용(32, 6, 128, 256)으로 필터 증가 이전 테스트와 차이를 둔게 있다면 Maxpooling과 dropout을 각각 50% 적용했다. 지금 정리하는 결과는 정확도가 개선 된 것만 적는 중이다... 이 글을 정리하기 전에 많은 테스트를 해봤지만 정확도가 개선..

이 전 글에서 Softmax Classification Model로 테스트를 진행했지만 얕은 레이어로 낮은 정확도가 나오는 것을 확인할 수 있었다. 이번에는 keras Sequential Dense Net을 사용하여 이전 테스트보다 정확도가 높아졌는지 그리고 배치사이즈와 활성화함수, 손실함수, epoch에도 변화를 주어 차이점을 비교분석해보고자 한다. keras Sequential Dense Net을 적용과 각 파라미터(배치사이즈와 활성화함수, 손실함수, epoch)는 다음과 같다. Layer 9개 사용 최적화함수 : Adam 활성화함수 : Relu, Softmax 손실함수 : Crossentropy Epoch : 100 Batch_size : 1000 이전테스트와 비교하기 위해 epoch와 Batch_..

단순히 학습모델을 정해 놓고 테스트를 돌려보는 것은 의미가 없다.. 진짜 딥러닝이 왜 필요한지를 알고 시작하는 것이 중요하다고 생각한다.. 일단 단순히 SVM(SVC) 서포트 벡터 머신(support vector machine)으로 데이터 셋을 분류해 보았다. 5~6행 : Fashion MNIST 데이터 셋 LOAD 9~10행 : X_train (60000, 784), X_test (10000, 784)으로 Reshape 12~14행 : Train alc Test 실행 분석 결과 DashBoard(89.7%)(VGGnet을 돌렸을 때) 보다 다소 낮은 정확도를 보인다. (88%) 얼마 차이는 안나지만... 즉, 이차이를 통해서 우리는 두가지를 알 수 있다. 데이터 전처리의 차이와 sklearn SVM의 ..