ぶんかつ
11475 ワード
AIは体格によって小中学生を区別できますか?
ニューラルネットワークの構造
FNN
層数タイプサイズ活性化関数1層FNN 3無2層FN 128 RELU 3層FNN 3 Softmax
深さ学習モデル符号化
"""
Author : Byunghyun Ban
Date : 2020.07.24.
"""
from tensorflow import keras
import data_reader
# 몇 에포크 만큼 학습을 시킬 것인지 결정합니다.
EPOCHS = 20 # 예제 기본값은 20입니다.
# 데이터를 읽어옵니다.
dr = data_reader.DataReader()
# 인공신경망을 제작합니다.
model = keras.Sequential([
keras.layers.Dense(3),
keras.layers.Dense(128, activation="relu"),
keras.layers.Dense(3, activation='softmax')
])
# 인공신경망을 컴파일합니다.
# optimizer는 인공신경망의 가중치를 조절하기 위한 알고리즘 'adam'을 사용하면 대체로 좋은 결과를 얻는다.
# loss는 인공신경망을 학습시키기 위한 기준이 되는 함수, 로스가 작으면 작을수록 성능이 높다.
# 분류 문제에서는 '크로스 엔트로피(cross-entropy)를 사용하는 것이 적절하다.
# metrics은 성능 검증을 위한 척도를 의미하며 정확도를 의미하는 accuracy를 사용한다.
model.compile(optimizer="adam", metrics=["accuracy"],
loss="sparse_categorical_crossentropy")
# 인공신경망을 학습시킵니다.
print("************ TRAINING START ************")
# monnitor는 학습을 조기 중단하기 위한 기준으로 삼을 지표를 의미한다.
# patience에는 해당 숫자만큼 에포크가 성능 개선이 없으면 중단한다.
# 너무 짧으면 충분한 학습이 진행되기 전에 종료되어버린다
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
history = model.fit(dr.train_X, dr.train_Y, epochs=EPOCHS,
validation_data=(dr.test_X, dr.test_Y),
callbacks=[early_stop])
# 학습 결과를 그래프로 출력합니다.
data_reader.draw_graph(history)
AIは花を区別できますか?
ニューラルネットワークの構造
層数タイプサイズ活性化関数1層FNN 4無2層FN 128 Relu-Droputrate=0.5-3層FNN 3 Softmax
ドロップ
"""
Author : Byunghyun Ban
Date : 2020.07.24.
"""
from tensorflow import keras
import data_reader
# 몇 에포크 만큼 학습을 시킬 것인지 결정합니다.
EPOCHS = 20 # 예제 기본값은 20입니다.
# 데이터를 읽어옵니다.
dr = data_reader.DataReader()
# 인공신경망을 제작합니다.
model = keras.Sequential([
keras.layers.Dense(4),
keras.layers.Dense(128, activation="relu"),
keras.layers.Dropout(rate=0.5),
keras.layers.Dense(3, activation='softmax')
])
# 인공신경망을 컴파일합니다.
model.compile(optimizer="adam", metrics=["accuracy"],
loss="sparse_categorical_crossentropy")
# 인공신경망을 학습시킵니다.
print("\n\n************ TRAINING START ************ ")
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
history = model.fit(dr.train_X, dr.train_Y, epochs=EPOCHS, batch_size=5,
validation_data=(dr.test_X, dr.test_Y),
callbacks=[early_stop])
# 학습 결과를 그래프로 출력합니다.
data_reader.draw_graph(history)
合奏学習
これは、
Reference
この問題について(ぶんかつ), 我々は、より多くの情報をここで見つけました https://velog.io/@dragonsky2357/분류Classificationテキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol