728x90
반응형
CNN 분석
- CNN으로 검증 정확도를 높임
- 여전히 트레이닝 정확도가 검증 정확도보다 높음
CNN 솔루션
- 정제 데이터가 더 나은 예시를 제공
- 데이터세트의 다양성이 모델의 일반화에 도움이 됨
데이터 증강 (Data Augmentation)
데이터를 증강하여 추가 예시를 제공하는 방법
- 이미지 반전 (Image Flipping)
- 이미지 회전 (Image Roatation)
- 이미지 확대/축소 (Image Zooming)
- 이미지 너비 및 높이 이동
- 이미지 밝기 (Brightness)
- 이미지 채널 전환 (Channel Shifting)
증강 처리 과정
- 크기 조정
- 회색조
- '배치'
데이터 증강 클래스 : ImageDataGenerator
flow_from_directory
- 폴더 형태로 된 데이터를 바로 가져와서 사용 가능
- 무작위 샘플에 대해 트레이닝 가능
flow method
- 증강 데이터의 배치 생성(iterator)
- img_iter = datagen.flow(x_train, y_train, batch_size=batch_size)
데이터 증강 설정
from tensorflow.keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
rotation_range=10, # randomly rotate images in the range (degrees, 0 to 180)
zoom_range=0.1, # Randomly zoom image
width_shift_range=0.1, # randomly shift images horizontally (fraction of total width)
height_shift_range=0.1, # randomly shift images vertically (fraction of total height)
horizontal_flip=True, # randomly flip images horizontally
vertical_flip=False, # Don't randomly flip images vertically
)
https://www.tensorfl
https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator
tf.keras.preprocessing.image.ImageDataGenerator | TensorFlow v2.14.0
Generate batches of tensor image data with real-time data augmentation.
www.tensorflow.org
증강 데이터를 이용한 학습
트레이닝 데이터세트를 생성기에 맞추기
datagen.fit(x_train)
• 증강 데이터세트로 트레이닝
batch_size = 32
img_iter = datagen.flow(x_train, y_train, batch_size=batch_size)
model.fit(img_iter,
epochs=20,
steps_per_epoch=len(x_train)/batch_size,
validation_data=(x_valid, y_valid)
)
실습
- 데이터 증강 방법
- 미국 수화 데이터를 증강하여 학습
- 학습결과 분석
728x90
반응형
'대학생활 > 수업' 카테고리의 다른 글
레벨디자인심화 13주차 - 존과 이벤트 (0) | 2023.12.07 |
---|---|
리얼타임엔진 14주차 - 종강 공지 (2) | 2023.12.05 |
게임밸런스및시뮬레이션 13주차 - 검 강화 게임 만들기 (1) | 2023.12.04 |
게임그래픽프로그래밍심화 13주차 (0) | 2023.12.04 |
게임배경음악과효과음 11주차 - 칼 소리, 인트로 루프 + 자연스러운 배경음악 전환 (0) | 2023.11.30 |