> Chapter 7:
새로운 인식 모델을 개발하기 위한 첫 번째 작업은 훈련 데이터셋을 수집하고 준비하는 것이다. 예전에는 무거운 훈련 단계 동안 적절하게 데이터가 흐르게 하는 파이프라인을 구성하는 것이 예술의 경지에 있는 일이었지만, 7장 첫 번째 노트북에서 보여주듯이 최근 텐서플로 기능은 이러한 복합적인 데이터를 가져와 전처리하는 일을 매우 단순화했다. 그렇지만 종종 훈련 데이터를 사용하지 못할 수 있다. 나머지 노트북은 이러한 시나리오를 다루고 다양한 해법을 제시한다.
(팁: 노트북을 시각화할 때 nbviewer를 사용하는 것이 좋다: nbviewer.jupyter.org에서 계속하려면 여기를 클릭하라.)
- 7.1 -
tf.data로 효율적인 입력 파이프라인 구성하기tf.dataAPI의 최신 기능을 활용해 최적화된 입력 파이프라인을 설정해 모델을 학습시킨다.
- 7.2 - TFRecord 생성 및 파싱
- 전체 데이터셋을 TFRecords로 전환하고 이 파일은 효율적으로 파싱하는 방법을 알아본다.
- 7.3 - 3D 모델의 이미지를 렌더링하기
- 3D 데이터로부터 다양한 이미지를 생성하기 위해, OpenGL 기반의
vispy를 사용해 3D 렌더링하는 방법을 간단히 훑어본다.
- 3D 데이터로부터 다양한 이미지를 생성하기 위해, OpenGL 기반의
- 7.4 - 합성 이미지에서 분할 모델 훈련시키기
- 사전에 렌더링된 데이터셋을 사용해 모델을 훈련하고, 모델 최종 정확도에 대한 현실성과의 격차의 효과를 검증한다.
- 7.5 - 단순한 도메인 적대 신경망(Domain Adversarial Network) 훈련시키기
- 유명한 도메인 적응 기법인 DANN을 살펴보고 구현한다.
- 7.6 - DANN을 적용해 합성 데이터에 분할 모델을 훈련하기
- 현실성과의 격차 문제가 있는 분할 모델의 성능을 개선하기 위해 앞에서 구현한 DANN을 적용한다.
- 7.7 - VAE로 이미지 생성하기
- 첫 번째 생성 신경망으로, 숫자 이미지를 생성하는 간단한 변분 오토인코더(Variational Auto-Encoder, VAE)를 만든다.
- 7.8 - GAN으로 이미지 생성하기
- 생성 신경망으로 유명한 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 살펴본다.
- cityscapes_utils.py: Cityscapes 데이터셋을 위한 유틸리티 함수 (코드: 노트북 6.4).
- fcn.py: FCN-8s 아키텍처를 함수형으로 구현 (코드: 노트북 6.5).
- keras_custom_callbacks.py: 모델 훈련 과정을 모니터링하기 위한 맞춤형 케라스 콜백 함수 (코드: 노트북 4.1 and 6.2).
- plot_utils.py: 결과를 표시하는 유틸리티 함수 (code presented in notebook 6.2).
- renderer.py: 3D 모델로부터 이미지를 렌더링하는 객체 지향형 파이프라인 (코드: 노트북 7.3).
- synthia_utils.py: SYNTHIA 데이터셋을 위한 유틸리티 함수 (코드: 노트북 7.4).
- tf_losses_and_metrics.py: CNN을 훈련/검증하기 위한 맞춤형 손실과 지표 (코드: 노트북 6.5과 노트북 6.6).
- tf_math.py: 다른 스크립트에서 재사용되는 맞춤형 수학 함수 (코드: 노트북 6.5과 노트북 6.6).