22강 - 합성곱 신경망의 시각화 가중치 시각화 합성곱 신경망 시각적으로 보기 좋음. 입력에 작은 필터(가중치)를 곱해서 출력 특성 맵을 만듦. 가중치가 높은 부분과 곱해지면 높은 출력 값 가짐. 가중치가 낮은 부분과 곱해지면 낮은 출력 값 가짐. 층의 가중치 분포 model.layers #//[, #// , #// , #// , #// , #// , #// , #// ] conv = model.layers[0] print(conv.weights[0].shape, conv.weights[1].shape) #//(3, 3, 1, 32) (32,) 필터의 가중치와 절편. conv_weights = conv.weights[0].numpy() plt.hist(conv_weights.reshape(-1, 1)) ..

21강 - 합성곱 신경망을 사용한 이미지 분류 패션 MNIST 데이터 (train_input, train_target), (test_input, test_target) = keras.datasets.fashion_mnist.load_data() train_scaled = train_input.reshape(-1, 28, 28, 1) / 255.0 train_scaled, val_scaled, train_target, val_target = train_test_split( train_scaled, train_target, test_size=0.2, random_state=42) 이전과 다르게 합성곱 신경망을 사용하여 이미지 그대로 사용함. 28*28 -> 28*28*1의 3차원 배열 차원이 1 추가되어도 ..

20강 - 합성곱 신경망의 개념과 동작 원리 배우기 밀집층 dense 층 각 특성에 뉴런의 가중치 곱하고 절편을 더해서 출력. 그런데 이 방식은 2차원 -> 1차원이 되면서 기존 이미지가 다 사라짐. 도장을 찍는 형태로 이미지 특징을 유지할 수 없을까? 합성곱 합성곱 - 가중치의 개수가 입력 개수 전체에 대응하지 않고 일부만 존재함. 위 그림에서는 3개의 가중치만 존재. 입력보다 훨씬 작은 개수의 가중치 3~5 정도 사용. 커널=필터=가중치 합성곱에서는 뉴런이라고 표현을 잘 하지 않음. 입력층의 모든 특성이 다 곱해져서 다음 층으로 전달되어서 뉴런이란 말을 썼던 것인데, 여기서는 슬라이드식으로 입력층의 특성이 곱해짐. 보통은 필터라는 말을 많이 사용함. 필터 = 커널 = 가중치 2차원 합성곱 4*4 입력..