Skip to content

Latest commit

 

History

History

Chapter04

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

README.md

> 4장:

유력한 분류 모델

4장은 VGG, Inception, ResNet 같은 유력한 CNN 아키텍처를 다루고 일반적으로 컴퓨터 비전과 머신러닝에 기여한 바가 무엇인지 알아본다. 더 복잡한 분류 작업을 소개하면서, CNN이 다양한 데이터셋에서 얻은 지식을 어떻게 활용할 수 있는지(전이 학습) 설명한다. 다음 노트북에서는 이러한 유력한 모델 중 몇 가지를 자세히 구현하고, 다양한 플랫폼에서 공유하고 있는 사전에 구현되고 훈련된 모델이 어떻게 효율적으로 재사용될 수 있는지 보여준다.

📓 노트북

(팁: 노트북을 시각화할 때 nbviewer를 사용하는 것이 좋다: nbviewer.jupyter.org에서 계속하려면 여기를 클릭하라.)

  • 4.1 - ResNet을 처음부터 구현하기
    • 상당히 깊은 ResNet 아키텍처 (ResNet-18, ResNet-50, ResNet-152)를 블록 단위로 구현하고 tensorflow-datasets를 통해 얻은 큰 데이터셋 (CIFAR-100)의 분류에 적용한다.
  • 4.2 - 케라스 애플리케이션의 모델 재사용하기
    • keras.applications에서 얻을 수 있는 사전 구현된 모델을 재사용하고 _ResNet-50_의 다른 버전을 훈련시키는 방법을 알아본다.
  • 4.3 - 텐서플로 허브에서 모델 가져오기
    • tfhub.dev에서 사전 훈련된 모델에 대한 온라인 카탈로그를 탐색하고, tensorflow-hub를 사용해 사전 훈련된 모델을 가져와 인스턴스화한다(바로 사용할 수 있게 준비된 _Inception_과 MobileNet 모델을 실험한다).
  • 4.4 - 전이 학습 적용하기
    • 다양한 데이터셋에서 사전 훈련된 모델을 미세하게 조정하거나 고정해보면서 _전이 학습_을 실험한다.
  • 4.5 - (Appendix) ImageNet과 Tiny-ImageNet 살펴보기
    • _ImageNet_과 _Tiny-ImageNet_에 대해 더 자세히 알아보고, 더 복잡한 데이터셋에서 모델을 훈련시키는 방법을 배운다.

📄 추가 파일

  • cifar_utils.py: tensorflow-datasets을 사용한, CIFAR 데이터셋을 위한 유틸리티 함수 (코드: 노트북 4.1)
  • classification_utils.py: 분류 작업(이미지를 로드하거나 예측을 표시하는 등)을 위한 유틸리티 함수 (코드: 노트북 [4.1] (./ch4_nb1_implement_resnet_from_scratch.ipynb)).
  • keras_custom_callbacks.py: 모델 훈련 과정을 모니터링하기 위한 맞춤형 케라스 콜백 함수 (코드: 노트북 4.1).
  • resnet_functional.py: 케라스 함수형 API를 사용해 _ResNet_을 구현 (코드: 노트북 4.1).
  • resnet_objectoriented.py: 케라스 함수형 API를 사용해 _ResNet_을 구현하되, 이번에는 객체 지향 패러다임을 따라 구현함 (코드: 노트북 4.1).
  • tiny_imagenet_utils.py: Tiny-ImageNet 데이터셋을 위한 유틸리티 함수(코드: 노트북 4.5).