데블스캠프2017/DeepLearningDay - Revision history

Maintenance script: Repair batch-0005 pages from live compare

2026-03-27T00:44:56Z

Repair batch-0005 pages from live compare

← Older revision		Revision as of 00:44, 27 March 2026
Line 249:		Line 249:
	labels_placeholder)		labels_placeholder)

	_, loss_value = sess.run([train_op, loss],		_, loss_value = sess.run([train_op, loss],
	feed_dict=feed_dict)		feed_dict=feed_dict)

Line 344:		Line 344:

	FLAGS, unparsed = parser.parse_known_args()		FLAGS, unparsed = parser.parse_known_args()
	tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)		tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
	=== mnist.py ===		=== mnist.py ===
	from __future__ import absolute_import		from __future__ import absolute_import
Line 363:		Line 363:
	with tf.name_scope('hidden1'):		with tf.name_scope('hidden1'):
	weights = tf.Variable(		weights = tf.Variable(
	tf.truncated_normal([IMAGE_PIXELS, hidden1_units],		tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
	stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),		stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),
	name='weights')		name='weights')
	biases = tf.Variable(tf.zeros([hidden1_units]),		biases = tf.Variable(tf.zeros([hidden1_units]),
	name='biases')		name='biases')
	hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)		hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)
Line 372:		Line 372:
	with tf.name_scope('hidden2'):		with tf.name_scope('hidden2'):
	weights = tf.Variable(		weights = tf.Variable(
	tf.truncated_normal([hidden1_units, hidden2_units],		tf.truncated_normal([hidden1_units, hidden2_units],
	stddev=1.0 / math.sqrt(float(hidden1_units))),		stddev=1.0 / math.sqrt(float(hidden1_units))),
	name='weights')		name='weights')
	biases = tf.Variable(tf.zeros([hidden2_units]),		biases = tf.Variable(tf.zeros([hidden2_units]),
	name='biases')		name='biases')
	hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)		hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)
Line 381:		Line 381:
	with tf.name_scope('softmax_linear'):		with tf.name_scope('softmax_linear'):
	weights = tf.Variable(		weights = tf.Variable(
	tf.truncated_normal([hidden2_units, NUM_CLASSES],		tf.truncated_normal([hidden2_units, NUM_CLASSES],
	stddev=1.0 / math.sqrt(float(hidden2_units))),		stddev=1.0 / math.sqrt(float(hidden2_units))),
	name='weights')		name='weights')
	biases = tf.Variable(tf.zeros([NUM_CLASSES]),		biases = tf.Variable(tf.zeros([NUM_CLASSES]),
	name='biases')		name='biases')
	logits = tf.matmul(hidden2, weights) + biases		logits = tf.matmul(hidden2, weights) + biases
Line 474:		Line 474:
	* 원하는 결과를 빠르게 만들어야 할 경우		* 원하는 결과를 빠르게 만들어야 할 경우
	== 인공지능의 미래 ==		== 인공지능의 미래 ==

imported>smksyj at 15:32, 1 July 2017

2017-07-01T15:32:19Z

← Older revision		Revision as of 15:32, 1 July 2017
Line 461:		Line 461:
	*** Output : 긍정/부정 분류 결과(binary classification)		*** Output : 긍정/부정 분류 결과(binary classification)
	*** Model : 1-D CNN + max pool + fully connected		*** Model : 1-D CNN + max pool + fully connected


	==== 전체 구성 ====		==== 전체 구성 ====
	# 데이터 준비 : (x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)		# 데이터 준비 : (x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)

imported>smksyj at 15:31, 1 July 2017

2017-07-01T15:31:55Z

← Older revision		Revision as of 15:31, 1 July 2017
Line 446:		Line 446:

	* 언어를 특성이 다른 데이터(그림, 음성)와 같은 표현(vector)으로 나타냄으로 여러 데이터를 같이 사용한(multimodal model)의 구축이 쉬워짐		* 언어를 특성이 다른 데이터(그림, 음성)와 같은 표현(vector)으로 나타냄으로 여러 데이터를 같이 사용한(multimodal model)의 구축이 쉬워짐


	=== Keras 실습 ===		=== Keras 실습 ===
	* Theano/tensorflow를 이용한 상위 레벨의 deep learning library		* Theano/tensorflow를 이용한 상위 레벨의 deep learning library

imported>smksyj at 15:02, 1 July 2017

2017-07-01T15:02:26Z

← Older revision		Revision as of 15:02, 1 July 2017
Line 447:		Line 447:
	* 언어를 특성이 다른 데이터(그림, 음성)와 같은 표현(vector)으로 나타냄으로 여러 데이터를 같이 사용한(multimodal model)의 구축이 쉬워짐		* 언어를 특성이 다른 데이터(그림, 음성)와 같은 표현(vector)으로 나타냄으로 여러 데이터를 같이 사용한(multimodal model)의 구축이 쉬워짐

	~~==== ESTsoft의 사례 ====~~
	* 문제 : 다양한 종류의 비정형적 주문 이력들로부터 올바른 상품명 찾기
	~~"생표고버섯 KG 국내산" -> 표고버섯, 국내산, KG~~
	~~=> 문자열 비교? 전통적인 방식~~
	~~건표고버섯 KG 국내산, 상품~~
	~~느타리버섯 KG 국내산, 상품~~
	~~새송이버섯 KG 국내산, 상품~~
	~~양송이버섯 KG 국내산, 상품~~
	~~표고버섯(생) KG KG 국내산~~
	~~엄지새송이버섯 KG 국내산, D-2 KG~~
	~~느타리버섯 KG 찌개용 KG 국내산~~
	~~전체 350,000 건~~

	* Deep learning 모델을 이용해 상품명을 찾음(= classification 문제)
	*** CNN 모델 사용(?)
	*** RNN : 연속적 데이터들의 처리에 좋음, 불연속적인 심볼의 나열, 샘플(문장)별로 길이가 다를 수 있음

	~~# 입력 문자열의 자모 분해~~

	~~# Neural network model~~

	* 식자재 검색 : 썬단무지 3kg 원형썰기
	~~썬단무지, 무우, 국내산, 싱그랑 3KG PAC, 원형썰기~~
	~~썬단무지, 무 국내산, NB 한아름 3KG PAC, 원형썰기~~
	~~썬단무지, 무, 국내산, 일미, 3KG PAC, 원형썰기~~
	~~썬단무지, 무, 국내산, 일미, 3KG PAC, 반달썰기~~
	~~썬단무지, 무우, 국내산, 싱그랑, 3KG PAC, 반달썰기~~

	=== Keras 실습 ===		=== Keras 실습 ===

165.194.35.21 at 13:22, 1 July 2017

2017-07-01T13:22:30Z

← Older revision		Revision as of 13:22, 1 July 2017
Line 501:		Line 501:

	==== Keras 를 쓰기 좋은 경우 ====		==== Keras 를 쓰기 좋은 경우 ====

	* 이미 알려진 모델을 사용하는 경우		* 이미 알려진 모델을 사용하는 경우
	* 베이스 라인이 없는 경우		* 베이스 라인이 없는 경우

165.194.35.21 at 13:22, 1 July 2017

2017-07-01T13:22:21Z

← Older revision		Revision as of 13:22, 1 July 2017
Line 499:		Line 499:
	# 평가: model.evaluate(x_test, y_test)		# 평가: model.evaluate(x_test, y_test)
	# 예측: model.predict(x)		# 예측: model.predict(x)

			==== Keras 를 쓰기 좋은 경우 ====

			* 이미 알려진 모델을 사용하는 경우
			* 베이스 라인이 없는 경우
			* 원하는 결과를 빠르게 만들어야 할 경우
	== 인공지능의 미래 ==		== 인공지능의 미래 ==

165.194.35.21 at 13:18, 1 July 2017

2017-07-01T13:18:03Z

← Older revision		Revision as of 13:18, 1 July 2017
Line 499:		Line 499:
	# 평가: model.evaluate(x_test, y_test)		# 평가: model.evaluate(x_test, y_test)
	# 예측: model.predict(x)		# 예측: model.predict(x)

	== 인공지능의 미래 ==		== 인공지능의 미래 ==

165.194.35.21 at 13:05, 1 July 2017

2017-07-01T13:05:25Z

← Older revision		Revision as of 13:05, 1 July 2017
Line 471:		Line 471:
	썬단무지, 무우, 국내산, 싱그랑 3KG PAC, 원형썰기		썬단무지, 무우, 국내산, 싱그랑 3KG PAC, 원형썰기
	썬단무지, 무 국내산, NB 한아름 3KG PAC, 원형썰기		썬단무지, 무 국내산, NB 한아름 3KG PAC, 원형썰기
	썬단무지, 무, 국내산, 일하, 3KG PAC, 원형썰기		썬단무지, 무, 국내산, 일미, 3KG PAC, 원형썰기
	썬단무지, 무, 국내산, 일하, 3KG PAC, 반달썰기		썬단무지, 무, 국내산, 일미, 3KG PAC, 반달썰기
	썬단무지, 무우, 국내산, 싱그랑, 3KG PAC, 반달썰기		썬단무지, 무우, 국내산, 싱그랑, 3KG PAC, 반달썰기

165.194.35.21 at 13:04, 1 July 2017

2017-07-01T13:04:58Z

← Older revision		Revision as of 13:04, 1 July 2017
Line 499:		Line 499:
	# 평가: model.evaluate(x_test, y_test)		# 평가: model.evaluate(x_test, y_test)
	# 예측: model.predict(x)		# 예측: model.predict(x)


	== 인공지능의 미래 ==		== 인공지능의 미래 ==

165.194.35.21 at 12:45, 1 July 2017

2017-07-01T12:45:36Z

← Older revision		Revision as of 12:45, 1 July 2017
Line 490:		Line 490:
	*** Output : 긍정/부정 분류 결과(binary classification)		*** Output : 긍정/부정 분류 결과(binary classification)
	*** Model : 1-D CNN + max pool + fully connected		*** Model : 1-D CNN + max pool + fully connected


			==== 전체 구성 ====
			# 데이터 준비 : (x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)
			# Neural network 모델의 디자인 : model.add(......)
			# 학습 프로세스 정의 : model.compile(optimizer, loss)
			# 학습: model.fit(x_train, y_train)
			# 평가: model.evaluate(x_test, y_test)
			# 예측: model.predict(x)


	== 인공지능의 미래 ==		== 인공지능의 미래 ==