transfer_learning (3) 썸네일형 리스트형 이미지 인식과 분류 이미지 또는 객체 인식은 이미지 또는 비디오 시퀀스에서 객체를 확인하는 작업을 말한다. 딥러닝 기반의 이미지 분류 다음 이미지는 전형적인 CNN의 실제 사례를 보여준다. 벤치마킹 데이터 세트 이미지 분류와 같은 분류 과제는 본질적으로 지도 학습 과제다. 지도 학습 과제는 이용 가능한 기본 훈련 세트를 통해 다른 클래스를 학습한다. CNN이 가중치를 공유하는 전방 전달 네트워크에 최적화돼 있다고 하더라도 합성곱 네트워크에서 훈련할 파라미터의 수는 훨씬 더 많을 수 있다. 그러기 위해선 거대한 훈련 세트가 필요하다. 다음은 이미지 분류에서 널리 인정되는 벤치마킹 데이터 세트의 목록이다. ImageNet 80 Million Tiny Images dataset CIFAR-10 CIFAR-100 Common Ob.. 전이 학습 - CNN 전이학습에서 사전 훈련된 CNN 모델 활용하기 사전 훈련된 모델로 새 모델을 구축할 때나 재사용할 때는 일반적으로 다음 두 가지 방법을 이용한다. 특성 추출기로 사전 훈련된 모델 이용 사전 훈련된 모델의 미세 튜닝 사용할 사전 훈련 모델ㅇ느 VGG-16 모델로 대규모 시각 인지를 위한 심층 합성곱 네트워크 구축에 특화되어 있다. VGG-16 모델의 이해 16계층 네트워크로 이미지 인식과 분류를 목적으로 제작되었다. 여기서 마지막 세 개의 층을 지우고, 처음 5개 블록을 통해 특성 추출기로 활용한다. 특성 추출기를 위한 모델은 가중치를 동결시키고 블록을 추가, 미세 튜닝을 위한 모델의 경우 끝의 두 블록에 미세 튜닝을 적용하여 가중치를 업데이트한다. 특성 추출기로 사전 훈련된 CNN 모델 from kera.. 전이 학습의 기초 전이학습 소개 전통적인 머신러닝은 다음 그림과 같이 특정 도메인, 데이터, 작업에 국한해 각 모델을 훈련한다. 전이학습은 사람이 지식을 활용하는 것보다 직접적이고 발전된 방식으로 데이터를 배워 나간다. 따라서 전이학습은 다른 관련된 과제에 대한 지식이나 모델을 재사용하는 하나의 방법이 된다 .때때로 전이학습을 기존 머신러닝 알고리즘의 확장으로 간주하기도 한다. 전이학습의 정의는 다음과 같다. 한 설정에서 학습한 것을 다른 설정의 일반화를 개선하기 위해 활용하는 것 예를 들면, 주어진 과제가 레스토랑이라는 한정된 도메인의 이미지에서 객체를 확인하는 것이라고 하자. 정의된 범위 안에 있는 이 과제를 T1으로 표시하자. 주어진 데이터 세트를 받아서 모델을 훈련하고 같은 도메인에서는 학습하지 않은 데이터 포인트.. 이전 1 다음
