Classification 우선 공부하면서 사용할 예제 mnist를 가져와 봅시다. (환경은 주피터 노트북에서 하고 있어요) Mnist Mnist는 머신러닝의 헬로우 월드 같은 것 이라고 생각하면 된다. 이데이터는 고등학생과 미국 인구 조사국 직원들이 손으로 쓴 70,000개의 작은 숫자 이미지를 모은 데이터셋입니다. 각 데이터의 레이블은 1 ~ 10까지 어떤 숫자를 나타내는지 나와있다. 1. MnistData 받기 1. 우선 scikit learn과 keras를 이용해서 Mnist데이터를 가져와보겠습니다. (필자는 scikit learn으로 데이터를 가져오는 일에서 오류가 발생했습니다.) #keras from keras.datasets import mnist (x_train, y_train), (x_t..

lstm을 이요해서 악보 예측하기 이전의 코드들중 일부만 수정해서 lstm알고리즘을 실행시켜 보겠다. 수정된 코드들 trainData = dataset(seq, 4) X_data = trainData[:, :4]/float(13) X_data = np.reshape(X_data, (50, 4, 1)) Y_data = trainData[:, 4] Y_data = np_utils.to_categorical(Y_data) reshape를 통해 X_data를 50, 4, 1의 형태로 바꾸어 주었다. 그이유는 LSTM을 잘사용하기 위해선 타임 스텝, 속성, 배치사이즈, 상태유지모드 등이있다. 이중에서 타임스텝은 매 시퀀스마다 들어가게 되는 X_data의 개수 그러니깐 4개의 음표들이 들어가니깐 4가된다. 속성 값..

[keras]퍼셉트론을 사용하여 악보예측해보기 이번에는 퍼셉트론 딥러닝을 이용해서 악보를 훈련한 뒤 예측해보곘다. 나비야 악보 c(도), d(레), e(미), f(파), g(솔), a(라), b(시)4(4분음표), 8(8분음표) 저는 이 음표들을 이런식으로 훈련 시킬 것 입니다. note8 노트로 적었는데 글씨를 이쁘게 못적었네요 ㅠㅠ 4개의 음표들이 들어간 후 그때의 결과 그 때의 라벨값에 맞추어 훈련한다. 그리고 각 층은 Relu. softmax 같은 활성화 함수를 사용하고 12개의 결과 중 가장 높은 확률의 값의 idx를 반환한다. 에를 들어) 0, 1, 2, 3의 악보가 들어갔으면 4번째 음표의 값을 훈련 후 1, 2, 3, 4의 값이 들어간 후 5번째 값을 훈련한다, 이런식의 훈련이 끝나고 난뒤..

opencv로 얼굴 인식하기 이번에는 opencv를 설치하면 딸려오는 cascade파일을 사용하여 사진의 얼굴을 인실해보겠습니다. 예제 코드 import cv2 cascadefile = "haarcascade_frontalface_default.xml" img = cv2.imread('../images/arsenal.jpg') imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cascade = cv2.CascadeClassifier(cascadefile) facelist = cascade.detectMultiScale(imgray, scaleFactor=2.08, minNeighbors=1) print(facelist) if len(facelist) >= 1: for f..

색 있는 이미지 분류하기2 앞서 분류해놓은 이미지 데이터를 통해서 각 이미지의 카테고리를 판단해보는 프로그램을 만들어 보겠습니다. from keras.models import Sequential from keras.layers import Dropout, Activation, Dense from keras.layers import Flatten, Convolution2D, MaxPooling2D import h5py, os import numpy as np import cv2 categories = ["chair", "ant", "airplanes", "barrel", "bass", "crab", "camera", "butterfly", "elephant", "flamingo"] nb_classes = ..

[keras] 색상있는 이미지 분류하기 앞선 시간에서 다운 받은 categories101 이미지를 이용하여 사진의 카테고리를 분류 시켜보겠다. 데이터의 카테고리가 101개 카테고리 속에 60개가 넘는 데이터가 있다, 많은 양의 데이터를 사용하기는 부담스러우니깐 몇개의 카테고리 만으로 테스트를 해보겠다. 우선은 이 카테고리의 데이터를 바로 머신러닝에 사용할 수 있는 데이터 형태로 바꾸어 보면서 keras에 쓰인 함수가 무슨의미가 있는지 알아보겠다. 머신러닝용 데이터 만들기 import os, re, glob import cv2 import numpy as np from sklearn.model_selection import train_test_split imagePath = '../images/101' c..