jaeserrr.log

🏃‍♂️ 해당 글은 Tensorflow를 사용하기에 환경이 구축되어야 합니다.Anaconda3 + tensorflow 키워드로 구글링해서 나오는 블로그들을 참고 바랍니다. :) 00. 목표드럼 악보 이미지를 넣었을 때, 음표(해당 글에서는 음정만 구분)를 구분하는 모델을 만듭니다. •  Input : 악보 이미지 •  Output : 음정 아래는 해당 글에서 사용할 데이터셋 샘플입니다. 각 마디에 대한 이미지와 라벨 데이터로 이루어져 있습니다.드럼 데이터 셋 데이터셋은 아래와 같습니다.특히, 라벨은 Alfaro가 단일음향 음악을 좌에서 우로 읽는 1차원 시퀀스로 나타내기 위해 제안한 형태입니다.이 인코딩은 각 차례대로 나타나는 note와 symbol 사이에 '+' 기호를 추가하고, 코드의 개별 음표를 ..

🏃‍♂️ 해당 글은 Tensorflow를 사용하기에 환경이 구축되어야 합니다. Anaconda3 + tensorflow 키워드로 구글링해서 나오는 블로그들을 참고 바랍니다! 00. 목표 드럼 소리 파일을 넣었을 때, 무슨 북을 쳤는 지 구분하는 모델을 만듭니다. input : output : Tom 01. 기본 지식 음향의 특성에 대한 기본 지식 📌 스펙트럼(Spectrum) 소리 신호를 주파수와 진폭으로 분석 푸리에 변환을 적용하여 시간 영역의 신호를 주파수 영역으로 변환 📌 멜 스펙트로그램(Mel Spectrogram) 인간의 청각 영역을 반영한 Mel scale을 적용 - 인간은 보통 저주파를 더 잘 인식함 📌 MFCC(Mel-Frequency Cepstral Coefficient) 오디오 신호에서..

아래 MiniHack docs를 참고하였습니다. Installation — MiniHack documentation © Copyright 2021, MiniHack Team @ Facebook AI Research, UCL, and Oxford. Revision e4d1f8bc. minihack.readthedocs.io 00. ⛏️ MiniHack MiniHack은 강화학습 환경을 위한 프레임워크입니다. NetHack 게임을 기반으로 하는 NetHack 학습 환경(NLE) 을 사용해서, NetHack 게임에 맞춰진 강화학습 테스트 환경을 위한 인터페이스를 제공합니다. 01. 설치 1. 가상환경을 생성 후, 활성화합니다. (아래 글 참고) [Linux] 아나콘다 설치 방법, 기초 사용법 📍 아나콘다(An..

🚩 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 봅시다. [인공지능/혼공머신] 07-1. 인공 신경망 (2) 🚩 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 봅시다. [인공지능/혼공머신] 07-1. 인공 신경망 (1) 🚩 딥러닝과 인공 신경망 알고리즘을 avoc-o-d.tistory.com 인공 신경망으로 패션 아이템 분류하기 케라스 모델은 훈련하기 전에 compile()로 하는 설정 단계가 있습니다. model.compile(loss="sparse_categorical_crossentropy", metrics="accuracy") 꼭!!! 지정해야 할 것은 ✨손실 함수의 종류✨입니다. 📍 loss = "sp..

🚩 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 봅시다. [인공지능/혼공머신] 07-1. 인공 신경망 (1) 🚩 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 봅시다. 패션 MNIST 데이터셋 👕 딥러닝에서는 MNIST 데이터셋이 유명합니다. 📌 MNIST : 손으 avoc-o-d.tistory.com 인공 신경망 (= 딥러닝) 패션 아이템 분류 문제를 인공 신경망으로 표현해보자면, 로지스틱 회귀를 표현한 그림과 매우 비슷합니다. ✨가장 간단한 인공 신경망은 아래와 같이 출력층 1개가 있는 신경망입니다. 10개의 패션 아이템 클래스 : 10개의 뉴런 z_티셔츠, z_바지, ... : z1, z2, ... 픽셀1..

🚩 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 봅시다. 패션 MNIST 데이터셋 👕 딥러닝에서는 MNIST 데이터셋이 유명합니다. 📌 MNIST : 손으로 쓴 숫자(0~9)들로 이루어진 대형 데이터베이스 📍 텐서플로 특히, 패션 MNIST 데이터는 워낙 유명하기 때문에 다양한 라이브러리가 있는데, 이 중 텐서플로(TensorFlow)라는 라이브러리를 사용해 이 데이터를 불러오겠습니다! 📍 케라스 우리가 이용할 데이터셋은 10종류의 패션 아이템으로 구성되어 있습니다. 그럼, 텐서플로의 케라스 패키지를 임포트한 후, 패션 MNIST 데이터를 다운로드합니다. 📌 케라스 keras.datasets.fashion_mnist 모듈의 load_data() : 훈련 데..

아래 첨부한 글은 확률적 경사 하강법 개념에 대해 작성한 글입니다. [인공지능/혼공머신] 04-2. 확률적 경사 하강법 (1) 점진적인 학습을 위한 문제 인식 모델이 매번 훈련 데이터를 다시 새롭게 훈련하는 데에는 아래와 같은 문제들이 있습니다. 훈련 데이터가 한 번에 준비되는 것이 아니라 조금씩 전달된다면, 고 avoc-o-d.tistory.com 아래 작성한 글은 확률적 경사 하강법 개념 및 실습 과정에 대해 작성한 글입니다. 🚀 데이터 준비하기 다중 분류를 위한 데이터 준비하는 방법을 참고합니다. [인공지능/혼공머신] 04-1. 로지스틱 회귀 📌 로지스틱 회귀 선형 방정식을 사용한 분류 알고리즘 선형 회귀와 달리, 시그모이드 함수나 소프트맥스 함수를 사용하여 클래스 확률을 구함 📍목표! 여러 종류의..

점진적인 학습을 위한 문제 인식 모델이 매번 훈련 데이터를 다시 새롭게 훈련하는 데에는 아래와 같은 문제들이 있습니다. 훈련 데이터가 한 번에 준비되는 것이 아니라 조금씩 전달된다면, 고작 조금 추가된 데이터로 새롭게 훈련하는 건 비효율적이니까 데이터가 쌓일 때까지 기다려야 하는데, 그렇다고 또 무작정 기다리기만 할 수는 없습니다. 기존의 훈련 데이터에 새로운 데이터를 추가하여 매일 다시 훈련하는 방법은? 이것도 문제입니다. 시간이 지날수록 데이터가 늘어나기 때문입니다. 데이터셋의 크기를 유지하기 위해, 새로운 데이터를 추가할 때 이전 데이터를 버리는 방법은? 이것도 문제입니다. 중요한 데이터를 버려버린다면 아주 큰일이죠. 해당 데이터가 없다면, 앞으로 모델이 그 데이터에 대해 제대로 예측할 수 없기 때..

📌 로지스틱 회귀 선형 방정식을 사용한 분류 알고리즘 선형 회귀와 달리, 시그모이드 함수나 소프트맥스 함수를 사용하여 클래스 확률을 구함 📍목표! 여러 종류의 생선이 있을 때, 해당 생선이 무슨 종류의 생선인지 확률을 알아보도록 하겠습니다. * 즉, 타깃 데이터에 2개 이상의 클래스가 포함된 문제 ex) [A, B, C] 클래스 별 이웃의 비율 -> A:10%, B : 50%, C : 40% => 예측 : B 데이터 준비하기 판다스로 데이터를 준비하는 방법을 참고합니다. [인공지능/혼공머신] 03-3. 특성 공학과 규제 📌다중 회귀 (Multiple Regression) 여러 개의 특성을 사용한 선형 회귀 아래는 선형 회귀에 대해 작성한 글입니다. 😁 [인공지능/혼공머신] 03-2. 선형 회귀 우선 데이..

📌다중 회귀 (Multiple Regression) 여러 개의 특성을 사용한 선형 회귀 아래는 선형 회귀에 대해 작성한 글입니다. 😁 [인공지능/혼공머신] 03-2. 선형 회귀 우선 데이터 준비 후 훈련까지.. (03-1 내용 참고) [인공지능/혼공머신] 03-1. k-최근접 이웃 회귀 지도 학습 알고리즘은 분류와 회귀로 나뉩니다. 이 글은 회귀에 대해 작성했습니다. 회귀 임의의 숫 avoc-o-d.tistory.com 선형 회귀에서는 농어의 길이 데이터만 가지고 훈련을 했기 때문에, 여전히 과소적합 문제가 남았습니다. 높이, 두께 등 특성을 많이 사용하여 훈련하면 성능이 좋아질 것으로 생각합니다. 📌특성 공학 (Feature Engineering) 기존의 특성끼리 조합해서 새로운 특성을 뽑아내는 (추가..