패스트캠퍼스 환급챌린지 45일차 : Part4. 인공지능의 이해 Lv3 : 인공지능을 바탕으로한 실습

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

Ch08-01 VGGNet을 사용한 이미지 분류 - 구현을 위한 코드의 이해
- 2014년 이미지 분류대회 2위를 한 모델로, 상대적으로 구현이 간단핰 모델
- 컨볼루션, 풀링레이어 -> Dense 레이어
- 3x3 커널을 반복사영하여 리셉티브 필드를 늘릴 수 있음을 증명함
- 컨볼루션 레이어 2개 + 풀링레이어 1개의 조합으로 2세트, 컨볼루션레이어 3개 + 풀링레이어 1개의 조합으오 3세트, Dense 레이어 3개를 지난 후 출력함
- VGGNet의 구현
:__init__ 함수에 아웃풋 채널의 수를 정의한 컨피그레이션의 이름을 파라미터로 지정하여 신경망 구조를 사용함
: make layer를 정의

Ch08-02 실습
- 라이브러리 및 데이터셋 로드
- 데이터 전처리
- 하이퍼 파라미터 설정
- 데이터 로더 생성
- 모델의 구조 설정
- 모델 인스턴스 생성
- 모델 컴파일
- 학습 수행
- 테스트 수행

Ch09-01 이미지를 생성하는 오토 인코더 실습 - 주요 코드 미리보기
- Variational Auto Encoder (VAE) 사용
- 인코더와 디코더의 구조
- 데이터로 x 가 입력되었을 때, x의 확률 분포를 잘 나타낼 수 있는 잠재벡터를 구하고, 잠재벡터를 바탕으로 디코더를 사용해서 원본 데아터와 유사한 형태의 데이터를 만들어내는 것을 목표로함
- 잠재벡터를 잘 만들기 위해서 VAE를 사용
- 동잉한 mu와 sigma 사욭 시 항상 같은 형태의 데이터가 나오기 때문에 입실론을 넣어줌 -> 파라미터라이제이션
- 입실론은 출력결과를 다르게 만들어 주기위한 노이즈 값

Ch09-02 VAE 실습
- 인코드를 통해 mu, var 를 구함
- 리파아미터라이즈 : var를 스탠다드 데비에이션에 넣고 랜덤 데이터 셋을 생성함 -> 입실론 -> mu와 입실론 var의 값을 더함
- 로스함수
: 원본 데이터 x 와 출력의 결과의 차이를 계산한 값 + 확률 분포와의 차이를 계산한 결과를 최소화시킴