패스트캠퍼스 환급챌린지 44일차 : Part4. 인공지능의 이해 Lv3 : 인공지능을 바탕으로한 실습

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스

Ch06-01 인공신경망 코드를 위한 주요 코드의 이해

- torchvision데이터 셋을 사용하여 이미지 분류기를 생성

- 생성한 모델을 저장하고 저장된 모델을 다시 불러와서 사용 

- Ch05의 인공신경망 작성 코드와 동일한 코드 로직 

1) Load Libraries & Datasets

- torch.nn 신경망을 생성하기 위한 기본 재료 제공 (Modules, Sequential Layer, Activations, Loss, Dropout..)

- torchvision.datasets : torchvision.transforms를 사용해 변형이 가능한 형태, feature, label 

- torchvision.transforms

Ch06-02 인공신경망 설계하기

2) Create DataLoader

3) Set Nework Structure

4) Create Model Instance

Ch06-03 인공신경망 학습하기

5) Model Compile

6) Set Train Loop

7) Set Test Loop

8) Run Model

9) Save & Load Model

- 파라미터만 저정하고 불러오기 /  모델 전체를 저장하고 불러오기 방법이 있음

- torch.save 함수를 사용함

Ch07-01. AlexNet을 사용한 이미지 분류기 실습 - 구현을 위한 코드의 이해

- Convolution Neural Network (CNN)을 구성하는 주요 연산을 이해하고, 신경망을 설계

- AlexNet을 사용하여 이미지를 학습하고 10개의 카테고리를 갖는 이미지 분류기 생성

- 이미지 증강을 수행하여 모델의 성능을 높이는 방법을 이해

- Confution Matrix를 생성하여 분류 정확도 확인

1) AlexNet

- 컨볼루션을 사용함

- 피처 추출, 분류기로 구분됨

2) 주요 코드

- nn.Conv2d() : 2d 이미지에 컨볼루션 연산 수행 (인풋 채널, 아웃풋 채널, 커널 사이즈, 스트라이드, 패딩 설정)

- nn.MaxPool2d() : 컨볼루션을 통해 최대 값을 선택함 (커널 사이즈, 스트라이드, 패딩 설정)

- tensor.view() : reshape의 기능을 함, 배열의 크기 변경 

- 이미지 증강 : 학습 데이터를 조금씩 변경하면서 학습되는 이미지의 수를 늘림

- Confusion Matrix 사용