https://www.kaggle.com/code/uzairrj/beg-tut-intel-image-classification-93-76-accur/notebook
[BEG][TUT]Intel Image Classification[93.76% Accur]
Explore and run machine learning code with Kaggle Notebooks | Using data from Intel Image Classification
www.kaggle.com
여기에서 대회를 진행하게되었고 처음 neural network를 다뤄보았다.
GitHub - dohun-mat/dna_study_semina
Contribute to dohun-mat/dna_study_semina development by creating an account on GitHub.
github.com
자세코드는 여기에 있다.
image 불러오는 함수, label 설정
image를 불러온다음에 shape를 확인하고 이미지시각화
modeling
특징추출 : 컨볼루션 레이어(Convolution Layer) + 풀링 레이어(Pooling Layer)
MaxPolling은 2,2가 좋은거같고
필터사이즈는 3,3이 좋다.
batchnormalization : 가중치 초기화
한개의 connection마다 가중치 초기화를 해줘야 과적합을 일정부분 막을 수 있다.
마지막부분
분류기(Classifier) : Dense Layer + Dropout Layer(과적합을 막기 위한 레이어) 이다
Flatten으로 1차원으로 바꾸어준다. 분류기사용
epoch는 100으로 학습
model의 accuracy와 loss를 시각화
test셋 결과 84%
개선할점 : 모델을 더 깊게쌓았으면 더 안정적이게 학습을했을거같다.
'computer vision > dna_study' 카테고리의 다른 글
| 이미지 디렉토리 관리 (0) | 2023.03.16 |
|---|---|
| python train test vaild 폴더 생성 (0) | 2023.03.15 |
| CV(Computer Vision) 전이학습(Transfer Learning) (0) | 2023.03.03 |
| 딥러닝 인공신경망 (0) | 2023.03.03 |
| 이미지넷 챌린지 (0) | 2023.03.03 |
댓글