일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
- 파이썬 동시성
- 그라파나
- 스칼라 강좌
- hyperledger fabric
- 스칼라
- Golang
- 하이퍼레저 패브릭
- akka 강좌
- Adapter 패턴
- play2 강좌
- play 강좌
- Akka
- 블록체인
- 스칼라 동시성
- Actor
- 파이썬
- 플레이프레임워크
- 파이썬 강좌
- 이더리움
- 스위프트
- 파이썬 데이터분석
- Play2
- 주키퍼
- Hyperledger fabric gossip protocol
- Play2 로 웹 개발
- 파이썬 머신러닝
- 엔터프라이즈 블록체인
- CORDA
- 하이브리드앱
- 안드로이드 웹뷰
- Today
- Total
목록통계 & 머신러닝 & 딥러닝 (39)
HAMA 블로그
“Flickr Style” 데이터를 이용한 스타일 인식을 위해 CaffeNet 모델을 파인튜닝해보자. 파인튜닝은 이미 학습된 모델을 기반으로 / 아키텍처를 새로운 목적으로 변형하고 / 이미 학습된 모델 weights 로부터 학습을 업데이트한다. BVLC-distributed CaffeNet 모델을 통한 100가지 객체 카테고리 인식을 대신해서 20 가지 이미지 스타일을 예측 하기위해 다른 데이터셋 ( Flickr Style ) 을 이용하여 파인튜닝해보자.설명스타일 데이터셋의 Flickr 이미지들은 보기에는 이미지넷 데이터셋 (bvlc_reference_caffenet 모델) 과 매우 유사하다. caffenet 모델은 개체분류에는 잘 작동하며, 우리는 그것을 우리의 스타일 분류에도 이용하고싶다. 우리의 목..
* 미리 만들어 놓은 모델 모음집 Network in Network model이 모델은 여기 자세히 나와있다. ICLR-2014 paper:Network In Network M. Lin, Q. Chen, S. Yan International Conference on Learning Representations, 2014 (arXiv:1409.1556) please cite the paper if you use the models. Models from the BMVC-2014 paper "Return of the Devil in the Details: Delving Deep into Convolutional Nets"이 모델은 ILSVRC-2012 데이타셋으로 학습되었다. 자세한건 project page..
일단 Caffe 를 이미지분류를 위한 목적으로 설치 했다고 치면 아래와 같은 2가지가 핵심입니다.1. 내 이미지 (혹은 샘플이미지)를 학습시켜서 나만의 모델을 만들자. 2. 나의 모델 (혹은 샘플 모델) 을 이용하여 이미지를 잘 이해(분류)하는지 보자. 용어 정리 ) * 모델 정의 하기: 데이터를 학습 시키기위한, 네트워크 과정 및 파라미터등을 총칭. 그 결과로 '모델' 을 만듬.* 파인 튜닝 하기: 더 적당한 모델을 만들거나, 더 나은 분류를 위해 조작하면서 최적값을 찾는 행위 1. 내 데이터를 학습시켜라 가. 일단 Caffe 내에는 이미 학습된 모델들이 여러개 있습니다. 그 중 ImageNet 의 이미지를 이용하여 학습시킨 예를 살펴봅니다./path/to/imagenet/train/n01440764/..
http://caffe.berkeleyvision.org/gathered/examples/imagenet.html 번역 Brewing ImageNetThis guide is meant to get you ready to train your own model on your own data. If you just want an ImageNet-trained network, then note that since training takes a lot of energy and we hate global warming, we provide the CaffeNet model trained as described below in the model zoo.Data PreparationThe guide specifies ..
The network defines the entire model bottom-to-top from input data to loss. As data and derivatives flow through the network in the forward and backward passes Caffe stores, communicates, and manipulates the information as blobs: the blob is the standard array and unified memory interface for the framework. The layer comes next as the foundation of both model and computation. The net follows as ..
시나리오 1 질문 : 이게 머하는건지 문서를 봐도 찾지를 못하겠어. 좀 알려주라 ㅠㅠ나는 지금 이전에 나의 이미지데이터를 학습시킨 모델을 예측을 위해 사용하려고 하고 있어. 모델을 만들때 ImageNet 코드을 템플릿으로 차용했었고''' 내가 말할수 있는건 , 예측을 하기 위한 유일한 방법은 wraper.py 를 사용하는것인데, 그건 ilsvrc_2012_mean.npy 파일을 참조한다는거지. 알다시피 이건 명백히 imagenet mean 을 포함한 numpy 파일이란건데 , 생각컨데 이미지넷 데이터셋을 위해 미리 계산시켜 놓은 파일일 꺼잖아. 근데 내 데이터를 위해 내가 가지고있는 유일한 mean 파일은 imagenet_mean.binaryproto 야. make_imagenet_mean.sh 를 통해..
Ubuntu + CUDA + CAFFE 설치 (2016 년 3월 05일 정리) *환경 - Ubuntu 14.04 데스크탑 (x64) - NVIDIA GTX 980 - 기가바이트 H170-GAMING 3 - Intel i5-6600 cpu @ 3.30GHz (core 4) * 특이사항 - 듀얼 모니터 인식을 못하더라~ - Ubuntu 내의 소프트웨어 업그레이드에서 그래픽카드 바꾸면 맛가기도 함. - 앞으론 Ubuntu 서버로 깔거나 Docker 를 잘 활용하자. * 본 포스트 특이사항 - 외부에서 접근해서 사용하기 위한 내용들이 포함됨. 1. Ubuntu (14. 04 ) / Samba / 그래픽 드라이버 설치 * Ubuntu 14.04 를 usb 부팅으로 만들어서 설치함. 1.1 한글입력도구(키보드 등)..
http://www.deeplearningbook.org/ Table of ContentsAcknowledgementsNotation1 IntroductionPart I: Applied Math and Machine Learning Basics2 Linear Algebra3 Probability and Information Theory4 Numerical Computation5 Machine Learning BasicsPart II: Modern Practical Deep Networks6 Deep Feedforward Networks7 Regularization8 Optimization for Training Deep Models9 Convolutional Networks10 Sequence Model..
https://cmusatyalab.github.io/openface/딥러닝을 이용한 얼굴인식기
http://docs.opencv.org/3.1.0/d7/d8b/tutorial_py_face_detection.html#gsc.tab=0 번역 목적 이 세션에서는 얼굴 탐지의 기본을 살펴볼것입니다. ( Haar Feature-based Cascade 분류기를 통한) 눈 탐지 등 다양한 탐지를 위한 확장에 대해서도 알아볼것입니다.기본 Haar feature-based cascade 분류기를 이용한 객체 탐지는 Paul Viola 와 Michael Jones 의 논문 ( "간단한 피처의 Boosted Cascade 를 이용한 빠른 객체 탐지" - 2001년) 에서 제안된 매우 효율적인 객체 탐지 방법이다. 많은 수의 옳고 그른 이미지들로 부터 학습된 cascade function 에 의한 접근 기반의 머신..