데이터 이미지증식기 클래스 불러오기 from keras.preprocessing.image import array_to_img, img_to_array, load_img # 이미지 증식 augGen=ImageDataGenerator(rescale=1./255, rotation_range=15, width_shift_range=0.1, height_shift_range=0.1, shear_range=0.5, zoom_range=[0.8,2.0], horizontal_flip=True, vertical_flip=True, fill_mode='nearest') ImageDataGenerator 내 속성이 랜덤으로 적용됌. rotation_range: 회전, 90(0-90)사이 랜덤 width_shift_ran..

텐서플로우 기반 데이터 불러오기 import random from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("MNIST_data/", one_hot=True) # 하이퍼 퍼러미터 lr = 0.001 epochs = 15 batch_size = 100 계층 생성 # 하이퍼 퍼러미터 lr = 0.001 epochs = 15 batch_size = 100 #그래프초기화 ( 변수선언 위에다 입력해야함) tf.reset_default_graph() # 입력층 keep_prob = tf.placeholder(tf.float32) # drop-out 추가 x = tf.placeholder(tf.float3..

라이브러리 호출 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns 케라스버전 데이터 불러오기 from keras.models import Sequential from keras.layers import Dense, Activation from keras.datasets import boston_housing (trainData, trainTarget),(testData, testTarget) = boston_housing.load_data() print(trainData.shape) # (404, 13) print(trainTarget.shape)..

IMDB 데이터 로드 from keras.datasets import imdb (trainData, trainLabel),(testData, testLabel)= imdb.load_data(num_words=10000) # 자주 사용된 1000개 단어 만 추출 사용 wordIndex= imdb.get_word_index() # 단어의 Index 호출 rev_wordIndex=dict([(value,key) for (key,value) in wordIndex.items() ]) # 단어, 갯수 dict 형태로 저장 # i가 0,1,2,3 일때는 "?"를 get (쓸모없는 데이터 제거 ) decReview= " ".join([rev_wordIndex.get(i-3,"?") for i in trainData[..

데이터 형태에 따른 시각화 함수 적용방법 1차원데이터: 실수값, 실수분포 플롯 (커널밀도, 러그, rugplot, kdeplot, distplot) countplot: 카테고리별 데이터가 얼마나 있는지 나타낼 때 사용 다차원데이터: 데이터변수가 여러개 2차원, 실수형 데이터 : 스캐터플롯 (jointplot) (만약 카테고리형 데이터가 포함되어 있다면 hue 속성을 지정) 2차원 카테고리형 데이터 : heatmap(열지도) 사용 2차원 실수값, 카테고리형 데이터가 섞여 있음 : bar, box, point, violin, swarm plot 이용 3차원이상의 실수형데이터 : pairplot (그리드형태로 출력) 데이터 import seaborn as sns tips = sns.load_dataset("t..

xdata = np.array([[0,0],[0,1],[1,0],[1,1]]) ydata = np.array([[0],[1],[1],[0]]) 텐서플로우 기반 단일 퍼셉트론 x = tf.placeholder(tf.float32, [None,2]) y = tf.placeholder(tf.float32, [None,1]) # 0~9 digit w = tf.Variable(tf.random_normal([2,1])) b = tf.Variable(tf.random_normal([1])) hf= tf.sigmoid(tf.matmul(x, w) + b) cost = -tf.reduce_mean(y * tf.log(hf) + (1 - y) * tf.log(1 - hf)) train = tf.train.Gradient..