Clarify_Way

종종 긴 횡단보도나 교차로를 신호등 시간 내에 이동하지 못하시거나, 이동하시는데 위험한 상황을 격으시는 교통약자분들을 본 적이 있었다. 이런 경험을 없애고 교통약자분들도 안전한 야외활동을 할 수 있도록 도와주자는 생각으로 이번 프로젝트를 진행하였다. 처음 시작할 때의 목표는 대표적인 교통약자분들을 모두 인식하여 도움을 주자는 생각을 하였지만, 부족한 데이터로 인해 낮은 정확도를 보일 바에는 우선 많은 데이터를 가져올 수 있는 label만 가지고 모델을 구성해보자는 목표를 변경하여 진행했다. 프로젝트 목표 휠체어와 목발 이용자들이 횡단보도를 이동하면 카메라가 인식하여, 신호등 시간을 추가시키도록 도와주자. 프로젝트 계획 1. 휠체어와 목발 데이터를 google에서 크롤링한다. 2. 이미지 데이터에 인식할 ..

convolution layers는 Dense layer와 비슷하지만 연산이 조금은 다른 구성을 하고 있다. 보통 convolution layers는 이미지 데이터를 활용하는데 사용되고 있어 image tensors의 구성으로 공부를 해보았다. Dense Layer에서도 그랬듯이, data가 layer를 통과했을때, 연산을 통해 shape가 어떻게 변화하는지 확인해보자. correlation과 Dot Product 와 Convolution의 차이점을 확인해보자. Correlation correlation은 Convolutional Neurons Network 에서 사용하는 대부분의 연산이다. [Classical Correlation] 우리가 다루게 되는 것은 convolution 이라 부르지만, 실제로는..

Multiclass Classifiers는 앞 글에서 배운 Binary Classifiers와 다르게 다양한 class로 구별하려 할 때 사용한다. sigmoid와 softmax의 개념들을 공부해서 알겠듯이, Multiclass Classifiers는 softmax를 layer로 활용하여 분류한다. Softmax Layers IO of softmax 우선 softmax의 input과 output을 확인해보자. import tensorflow as tf from tensorflow.keras.layers import Activation logit = tf.random.uniform(shape = (1,5),minval=-10, maxval=10) softmax_value = Activation('softm..

Digit Recognizer Learn computer vision fundamentals with the famous MNIST data Goal : 이 대회의 목표는 손으로 쓴 한 자리 숫자의 이미지를 가져와 그 숫자가 무엇인지 확인하는 것입니다. 테스트 세트의 모든 항목에 대해 올바른 레이블을 예측합니다. Metric : 이 경쟁은 예측의 분류 정확도(정확한 이미지의 비율)로 평가됩니다. 마지막 제출파일 : sample.submission.csv 평가용 픽셀 데이터-> 구축한 모델에 구동 -> 나온 예측값 -> label열에 넣어 제출 Label을 가장 잘 예측한 모델이 승자인 대회. 1 . Import Libraries & Load Data import numpy as np import pand..

Programming3 Project : 노트북 데이터를 활용하여 사용자가 원하는 조건의 노트북들을 비교 분석하기 >프로젝트 주제 선정 이유 : 노트북과 같이 다양한 스펙을 갖는 데이터가 있는 제품을 구매하고자 할때,내가 원하는 스펙의 조건중 가장 합리적인 제품인 무엇인지 결정하는데에는 많은 어려움이 있다. 현재 네이버나 다나와 쇼핑몰에서는 cpu와 제조사, 화면 크기, 메모리, 저장 용량, 무게까지는 원하는 스펙을 선택하여그에 맞는 제품을 확인할 수 있도록 구성되어 있지만, GPU나 배터리, HDMI 포트 유무, 두께, 웹캠 유무처럼섬세한 스펙은 선택하여 볼 수 없다. 따라서 이런 부족한 부분을 보완하여 소비자가 자신에게 적합한 노트북을 선택할 수 있도록도와주는 시스템을 구축하는 것이 본 프로젝트 주제..

터미널에 가상환경을 activate하려 했는데 아래와 같은 오류가 뜨는 경우가 있다. 이럴때는 % conda init zsh 를 터미널에 입력한 후, %conda activate 가상환경이름 을 실행하면 잘 해결된다.

Binary는 두 유형, 두 조각, 두 부분을 의미하여, Binary Classifiers는 두 유형으로 분류하는 모델이다. 예를 들어 강아지 또는 고양이, 흰색또는 검은색과 같은 것들을 분류할 때 사용한다. 그러면, 눈치 챘을 것이다. Binary Classifiers는 sigmoid 를 사용하겠구나...! 이 모델로 보통 입력데이터가 강아지인지 아닌지, 또는 고양이인지 아닌지 분류할 때 사용된다. 이미지 인식의 기초라고 생각할 수도 있겠다. 자 그럼 Binary Classification에 사용되는 알고리즘인 Logistic Regression을 구현해보자. Logistic Regression Models 회귀를 사용하여 데이터가 어떤 범주에 속할 확률을 0에서 1사이의 값으로 예측하고 그 확률에 따..

Activation Function에서 활용한 sigmoid와 Softmax가 어떤 역할을 하는 지 배워보자. sigmoid와 softmax는 어떤 차이가 있는지, 각각 어떻게 활용되는지 확인해보자. sigmoid는 왜 탄생되었을까라는 생각도 해볼 수 있다. Sigmoid Function sigmoid를 알기 전에 Logit을 알아야하고, Logit을 알기 전에 odds 를 알아야한다. 그 이유는 sigmoid는 odds에서 변형되어, 탄생됐기 때문이다. Odds ratio odds ratio는, 한 사건이 일어날 확률 대비 한 사건이 일어나지 않을 확률의 비율?이라고 생각하면 된다. 예를 들어, 동전을 던질 때, 뒷면이 나올 확률 대비 앞면이 나올 확률은 1이다. 두 확률이 동일하기 때문이다. odds..

dense layers 진행과정과 진행하면서 변화되는 입력데이터의 shape와 weight, bias의 shape도 확인해보자. 1. x입력데이터는 tf.random.normal로 shape를 설정하여 만들자. 2. dense 패키지를 활용하여 affine과 activation을 동시에 연산을 진행하는 객체를 만들고 거기에 x입력값을 넣자. 3. 연산 다 된 상태에서 이제 W, B와 마지막으로 나온 출력값의 shape들을 확인해보자. Dense Layers 우선 Layer가 하나 있는 형태를 통해 각 파라미터와 출력값의 shape를 확인해보자. 필요한 패키지들을 불러오고, 입력데이터를 만들자. import tensorflow as tf from tensorflow.keras.layers import De..

Dense Layers를 설명하기 앞서, Layers가 무엇인지 설명하겠다. Layer란, 음향 장비중에 믹서에서 이퀄라이저와 비슷한 역할을 한다. 이퀄라이저도 하나의 음성이 들어오면, 각각의 High, mid, low의 기존에 입력된 parameter들을 통해, layer들을 통과하여, 변형된 음성을 출력한다. 이와같이 layer도 동일하다. 데이터 세트 X를 입력하면, 각 neuron들의 parameter를 통해 새로운 결괏값을 도출해낸다. 이 부분도 데이터세트와 뉴런, 결괏값들의 차원이 중요하다. Dense Layers Layer는 서로 다른 Parameter(Weight, Bias)들을 가지고 있는 Parametric Function들의 모임이다. 즉, 저번 개시글에서 배운 Neuron들의 집합이..