David의 개발 이야기!

CNN 을 활용하여 MNIST 분류 모델을 구현해보자. 우선, CNN에 대한 개념 정리를 다시 보면, 1. filter(==kernel) 개념 - 실제로 각 필터는, 특정한 (feature)를 인식하기 위한 목적으로 사용된다. - 각 필터는 특징이 반영된 특징 맵(feature map)을 생성한다. - 얕은 층에서는 local feature, 깊은 층에서는 global feature를 인식하는 경향이 있다. 2. Pooling 개념 합성곱 계층의 출력데이터를 입력으로 받아, 출력 데이터의 크기를 줄이거나, 특정 데이터를 강조하는 용도로 사용 stride 가 2인 경우의 예시임. 3. Padding 개념 패딩이 필요한 이유 -> 이미지 데이터의 축소를 막기 위해(해상도를 유지하기 위해) -> Edge pi..

DNN == Deep Neural Network 심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다. 이를 이용하여, 손글씨 숫자이미지를 분류하는 모델을 구현해보고자 한다. 1. 필요한 모듈 불러오기 import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchvision import datasets, transforms device = torch.device("cuda:0" ..

1. MNIST 데이터셋 MNIST 는 기계학습 분야에서 아주 유명한 데이터셋으로 0-9까지 숫자 이미지로 구성된다. 훈련이미지가 6만장, 시험이미지가 1만장 준비되어 있다. 이러한 데이터를 통해 모델을 학습하고, 학습한 모델로 시험 이미지들을 얼마나 정확하게 분류하는지를 평가한다. load_mnist 함수는 읽은 MNIST 데이터를 (훈련이미지, 훈련레이블), (시험이미지, 시험레이블) 형식으로 반환한다. 인수로는 3가지를 설정할 수 있는데, normalize 는 입력 이미지의 픽셀 값을 0.0 ~ 1.0 사이의 값으로 정규화할지를 정한다. flatten 는 입력이미지를 평탄하게, 즉 1차원 이미지로 만들지를 결정한다. FALSE 설정하면 1*28*28의 3차원의 배열로, True로 하면 784개의 원..