Skip to content

Latest commit

 

History

History

Chapter07

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

README.md

> Chapter 7:

복합적이고 불충분한 데이터셋에서 훈련시키기

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.

📓 노트북

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

📄 추가 파일

  • 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).