![]()
def build_model(tm): inputs = Input(shape=(28, 28, 1)) x = inputs x = Conv2D(32, 3, strides=(1, 1), padding='same', kernel_initializer='he_normal', activation='relu')(x) x = MaxPooling2D(strides=(2, 2))(x) x = Dropout(0.25)(x) x = Conv2D(64, 3, activation='relu')(x) x = MaxPooling2D((2, 2))(x) x = Dropout(0.25)(x) x = Conv2D(128, 3, activation='relu')(x) x..
1. 데이터 가져오기 이미지 데이터셋 가져오기 import pandas as pd DATA_PATH = '../../clothes_dataset' train_df = pd.read_csv(DATA_PATH + '/clothes_classification_train.csv') val_df = pd.read_csv(DATA_PATH + '/clothes_classification_val.csv') test_df = pd.read_csv(DATA_PATH + '/clothes_classification_test.csv') print(train_df.head()) 2. 이미지 제너레이터 정의 및 모델 구상하기 이미지 제너레이터 정의 # 이미지 제너레이터를 정의합니다. train_datagen = ImageDat..
보스턴 주택 가격 예측 연속적인 값을 예측하는 회귀 문제이다. 1970년대 보스턴 지역의 범죄율, 토지 지역의 비율, 방의 개수 등 정답을 포함한 14개의 특성으로 이루어져 있다. 1. 데이터 다운 및 전처리 from tensorflow.keras.datasets.boston_housing import load_data # 데이터를 다운받습니다. (x_train, y_train), (x_test, y_test) = load_data(path='boston_housing.npz', test_split=0.2, seed=777) print(x_train.shape, y_train.shape) print(x_test.shape, y_test.shape) import numpy as np # 데이..
![]()
본 포스팅은 다음 포스팅으로부터 이어집니다 : keras를 이용한 mnist 데이터 분류(1) 모델 평가하기 evaluate = model.evaluate(x_test, y_test) print(evaluate) # [0.1212036104369623, 0.9739] [손실값, 정확도] 학습된 모델을 통해 값 예측하기 results = model.predict(x_test) print(results.shape) np.set_printoptions(precision=7) # numpy 소수점 제한(7자리) print(f'test[0]이 각 클래스에 속할 확률 : \n{results[0]}') arg_results = np.argmax(results, axis=-1) # 가장 큰 값의 인덱스를 가져온다. p..
