♣ 대회: Kaggle Fruit Classification(https://www.kaggle.com/datasets/sshikamaru/fruit-recognition) ♣ Data set 설명 - Trainig set: 16854 images - Test set: 5641 images - Number of classes: 33(fruits and vegetables) - Image Size: 100*100 pixels ♣ Process from torchvision.datasets import ImageFolder torchvision.datasets 모듈에서 ImageFolder 클래스를 가져옴. ImageFolder 클래스는 이미지 데이터와 함께 작업하기 위해 특별히 설계된 파이토치 데이터셋 클래..

♣ 최적화(옵티마이저) 손실함수 값을 최소화하는 파라미터를 구하는 과정 즉 모델이 예측한 값과 실제값의 차이를 최소화하는 신경망 구조의 파라미터를 찾는 과정 손실함수 값의 변화에 따라 가중치(weight)나 편향(bias)을 업데이트함 딥러닝에서는 최적의 파라미터(가중치)를 찾기 위해 가장 기본이 되는 알고리즘으로 경사하강법(Gradient Descent)를 사용함. ♣경사하강법(Gradient Descent) 손실 함수 그래프에서 값이 가장 낮은 지점으로(손실 함수의 최솟값이 되는 방향으로) 경사를 타고 하강하는 기법 수행 과정 - 어느 지점에서든지 시작한다(initial guesses에서) - cost를 줄이는 방향으로 W와 b를 조금씩 바꿈 - parameter(W와 b)를 바꿀 때마다 경사도 계산..

♣♣ 완전연결계층(Fully-connected multi-layered neural network: MLNN) vs CNN 기존에는 완전연결계층을 이용하여 이미지를 분류함 완전연결계층 = 한 층의 모든 뉴런이 다른 층의 모든 뉴런과 연결되어 있는 형태. 2차원의 흑백 이미지를 1차원 배열로 평탄화시킨 후 연산 작업을 진행함. Affine계층: 한 층의 모든 뉴런이 다음 층의 모든 뉴런과 연결된 계층(완전연결된 계층) 완전연결신경망에서는 Affine 계층 뒤에 ReLU나 sigmoid 계층이 이어짐. 마지막 계층에서는 Affine 계층에 이어 Softmax 계층에서 최종 결과를 출력함. CNN 계층 합성곱계층(Conv)과 풀링(Pooling 계층이 추가됨. Affine-ReLU 연결이 Conv-ReLU 로..

VGG16 Architecture 구성 - 13 Convolution Layers + 3 Fully-connected Layers with ReLu (합성곱과 함께 활성함수 ReLu도 사용) - 3*3 convolution filters - stride: 1&padding:1 - 2*2 max pooling(stride:2) => 위의 표에서는 'M'이 MaxPooling임 - conv3: 3X3 필터 - conv1: 1X1 필터 - conv3-N: N은 필터의 개수. conv3-64라고 하면 64개의 3X3 필터를 학습 매개변수로 사용했다는 의미 ------------------------------------------------------------------여기까지가 Feature Extracto..

♣ Purpose - 과일 이미지 분류하기(Kaggle Fruits 360 dataset 사용): 아보카도, 바나나, 체리, 코코넛, 키위, 망고, 오렌지 - 입력 이미지에 필터 또는 특징 검출기를 적용하여 이미지의 가장 중요한 특징을 감지함으로써 과일을 분류함 - 이를 통해 활성화 함수를 사용하여 특징 맵 또는 활성화 맵을 생성함 - 특징 검출기나 필터는 에지, 수직선, 수평선, 구부러짐 등 이미지에 존재하는 다양한 특징을 식별하는 데 도움됨 ♣ Total process - Resizing: 100X100 사이즈로 만듦 - Augmentation(증강): resizing 이후 이미지 데이터 증강 기술이 사용되어 훈련 데이터셋을 확장하여 성능을 향상시키고 모델의 일반화 능력을 향상시킴 ※ - Convol..