oneonlee / fundamentals-of-deep-learning

NVIDIA DLI "딥러닝의 기초" 워크숍 레포지토리

Fundamentals-of-Deep-Learning

NVIDIA DLI의 "Fundamentals of Deep Learning (딥러닝의 기초)" 워크숍 레포지토리

개발 환경

• NVIDIA NGC
• JupyterLab

목차

1. MLP을 사용한 MNIST 데이터세트로 이미지 분류

MLP : Multi-Layer Perceptron (다중 퍼셉트론)

• (1) 데이터 로드 및 시각화
• (2) 데이터 편집(재구성, 정규화, 범주형)
• (3) 모델 생성
• (4) 모델 컴파일
• (5) 데이터에 대해 모델 트레이닝

2. MLP을 사용한 미국 수화(ASL) 데이터세트 이미지 분류

ASL : American Sign Language (미국 수화)

• (1) 밀집(Fully-connected) 뉴럴 네트워크 모델 학습
• (2) 트레이닝 정확도가 높음
• (3) 검증 정확도가 낮음
• (4) 과적합의 증거

3. CNN을 사용한 미국 수화 데이터세트 이미지 분류

CNN : Convolutional Neural Networks (합성곱 신경망)

• (1) 분석
  • CNN으로 검증 정확도를 높임
  • 여전히 트레이닝 정확도가 검증 정확도보다 높음
• (2) 솔루션
  • 정제 데이터가 더 나은 예시를 제공
  • 데이터세트의 다양성이 모델의 일반화에 도움이 됨

4. 데이터 증강을 통한 ASL 이미지 분류 모델 개선 & 모델 배포 및 예측

A. 데이터 증강 (Data Augmentation)

• Keras의 ImageDataGenerator라는 이미지 증강 클래스를 사용
  • from tensorflow.keras.preprocessing.image import ImageDataGenerator
• 데이터 증강 기법
  • 이미지 반전 (Image Flippimg)
  • 회전 (Rotation)
  • 확대/축소 (Zooming)
  • 너비 및 높이 이동
  • 호모그래피 (Homography)
  • 밝기 (Brightness)
  • 채널 전환 (Channel Shifting)

B. 모델 배포 (Model Deployment)

• (1) 트레이닝한 모델을 디스크에서 로드
• (2) 다른 형식의 이미지에 대해 트레이닝된 모델의 이미지 형식 변경
• (3) 트레이닝된 모델이 처음 접하는 새로운 이미지로 추론을 수행하고 성능을 평가

5. 사전 학습된 모델

A. 사전 학습된 모델(VGG16)을 통해 개구멍 자동문 만들기

• (1) Keras를 사용하여 사전 학습된 모델(VGG16) 로드
• (2) 자체 이미지를 전처리하여 사전 학습된 모델로 작업
• (3) 사전 학습된 모델을 사용하여 자체 이미지에 대한 정확한 추론 수행

B. 전이 학습(Transfer Learning)을 통해 Bo를 위한 맞춤형 개구멍 자동문 만들기

• 전이 학습을 위한 사전 학습된 모델(ImageNet Model) 준비
• 사전 학습된 모델로 자체적인 소규모 데이터세트에 대해 전이 학습 수행
• 훨씬 더 나은 성능을 위해 모델을 추가로 파인 튜닝

6. New York Times 헤드라인에 기반한 텍스트 자동 완성하기 (시퀀스 데이터)

• (1) RNN(Recurrent Neural Network)에 사용할 시퀀스 데이터 준비
• (2) 단어 예측을 수행할 모델 구축 및 트레이닝

7. 신선한 과일과 썩은 과일 분류기 (Assessment)

---

Certificates