♣ 데이터 탐색 ♣ 데이터 시각화 ♣ 베이스라인 모델 * 데이터셋 및 데이터 로더 생성 이번 장에서는 데이터셋 클래스를 정의하지 않음 -> 타깃값이 같은 이미지끼리 디렉토리로 구분되어 있으면 ImageFolder 클래스를 이용하여 바로 데이터셋을 만들 수 있음 NORMAL 디렉토리에 담긴 이미지의 타깃값은 0, PNEUMONIA 디렉토리에 담긴 이미지의 타깃값은 1로 간주함. ImageFolder 클래스는 root 파라미터에 전달한 경로에 있는 이미지들로 곧바로 데이터셋을 만들어줌. 데이터셋 클래스를 별도로 정의하지 않아도 되어서 편리함! 항상 사용할 수 이는 것은 아니고 타깃값이 같은 데이터들이 같은 디렉토리에 모여 있어야 사용할 수 있음. ♣ 모델 생성 numel( ) 은 텐서 객체가 갖는 구성요소의..

♣ 개념 적은 파라미터 대비 압도적인 성능이 특징인 모델 모델 성능 = resolution*depth*width(= 이미지 크기*네트워크의 깊이*필터 수) 기존에는 위의 세 가지 요소를 수동으로 조절했지만, 깊이와 필터 수, 이미지 크기가 일정한 관계가 있다는 것을 알고 수식으로 만듦(=compound scaling) EfficientNet은 compound scaling이 가장 잘 적용되는 모델구조임. EfficientNet이 다른 모델과 비교했을 때 보다 높은 정확도와 적은 파라미터를 가지고 있음. compound scaling 덕분 왼쪽부터 시작해서 baseline, 필터 수만 스케일링, 네트워크 깊이만 스케일링, 이미지 크기만 스케일링, 세 가지를 모두 조절한 compound scaling을 나타..

♣ 데이터 둘러보기(4가지 label 중 하나로 다중분류) ♣ 데이터 시각화 ♣ 이미지 출력 ♣ 베이스라인 모델 1. 시드값 고정 및 GPU 장비 설정: 재현성을 위해 랜덤 시드를 고정. 2. 데이터 준비: train, valid로 나누기 타깃값이 골고루 분포되도록 분리하기 위해 stratify 파라미터에 타깃값 4개를 전달함. 3. 데이터셋 클래스 정의하기 4. 이미지 변환기 정의하기 이 전까지 주로 torchvision 모듈에서 제공하는 변환기를 사용했지만, 이번 대회에서는 albumentations 모듈의 변환기 사용 albumentations는 이미지 증강을 위한 파이썬 라이브러리임. Resize: 이미지 크기를 조절하는 변환기. 여기서는 임의로 450, 650으로 설정. RandomBrightn..