# (text) 텍스트를 읽어주는 라이브러리 from gtts import gTTS import numpy as np texte = "Hi, everybody, Playing with TF is fun" tts = gTTS(text=text , lang="en") tts.save("hi.mp3") textk = "안녕하세요. 여러분 텐서플로우 재미있어요" tts = gTTS(text=text , lang="ko") tts.save("hiko.mp3") ttsEn=gTTS(text=texte, lang="en") ttsKr=gTTS(text=textk, lang="ko") f = open("enkr.mp3","wb") ttsEn.write_to_fp(f) ttsEn.write_to_fp(f) ttsKr.w..

데이터 코드 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import pandas as pd import seaborn as sns def MinMaxScaler(data): denom=np.max(data,0)-np.min(data,0) nume=data-np.min(data,0) return nume/denom #정규화 path = "C:\\Users\\student\\Desktop\\DY\\★ 데이터\\105. deep-learning-dataset\\" xy=np.loadtxt(path+"data-02-stock_daily.csv", delimiter=",", skiprows=0+1+1) xy=xy[::-1]..

단어 정의 """ S : 인코딩 입력의 시작 E : 디코딩 출력의 끝 P : 현재 배치되는 데이터의 time step 크기보다 작은 경우 빈 시퀀스를 채우는 심볼 배치 데이터의 최대 크기 4 인경우, word = > ['w','o','r','d'] to => ['t','o','P','P'] """ char_arr=[c for c in "SEPabcdefghijklmnopqrstuvwxyz단어나무놀이소녀키스사랑"] num_dic={n:i for i, n in enumerate(char_arr)} dic_len=len(num_dic) seq_data=[['word','단어'], ['wood','나무'], ['game','놀이'], ['girl','소녀'], ['love','사랑'], ['kiss','키스']..

개념 참고 포스팅 RNN과 LSTM 기본 구조 포스팅 코드 # wood -> 학습 -> 모델 # woo 입력 -----> 모델 -> d 예측 # wop 입력 -----> 모델 -> d 예측 (인공지능) # 알파벳 문자 리스트 대입 char_arr = [] for i in range(97,123): char_arr.append(chr(i)) char_arr num_dic = { char_arr[n] : n for n in range(26) } # 다른방법 num_dic = { n : i for i , n in enumerate(char_arr)} dic_len = len(num_dic) 학습 데이터 생성 seq_data =['word', 'wood', 'deep', 'dive', 'cold', 'cool'..

기술기획 ex) 성수대교, 아이리버, G-Pang 기획 : Planning 일을 꾀하여 계획함 목표, 내용, 체계, 평가, 돈, 사람, 타당성, 활용 기술기획의 방법 1. 개발하고자 하는 기술의 분류 2. 해당 기술의 발전 방향 예측 3. 해당 기술이 활용되는(될 것으로 예상하는) 시장 수요 예측 4. 외부환경( 정부정책, 경제, 사회, 문화) 분석 5. 내부환경( 보유기술, 돈, 사람 등 ) 분석 6, 위의 결과로, 개발할 비교우위 기술 도출 7. 도출된 기술의 목표 설정 ( 구체적, 계량적으로) 8. 기술 개발 방법 설정 ( 같이, 스스로, 사오거나) 9. 연도별 기술개발 일정 만들기 10. 모니터링/ 평가/ 피드백 기술로드맵 시장에서 필요한 제품(기술)을 개발하기 위해 필요한 핵심기술(요소기술)을 ..

데이터 불러오기 from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("./mnist/data/",one_hot=True) 변수정의 lr = 0.01 total_epoch = 30 batch_size = 128 n_input = 28 # 한번에 입력받는 데이터 갯수 n_step = 28 # 28줄 n_hidden = 128 # 셀에서 나가는 출력의 갯수 n_class = 10 # 숫자의 종류 (0~9) w = tf.Variable(tf.random_normal([n_hidden , n_class ])) b = tf.Variable(tf.random_normal([n_class])) 모델 구성 # ..