* python
import pdb
pdb.set_trace()
* pycharm
Alt + Shift + 'e'
블록 씌워진 부분만 python console에서 실행
import pdb
pdb.set_trace()
* pycharm
Alt + Shift + 'e'
블록 씌워진 부분만 python console에서 실행
Keras 라이브러리를 이용하여 cifar 10 데이터를 기본적인 CNN 구조를 이용하여 수행 사용하는 레이어들을 추가한다. from keras.layers import Input, Dense, Dropout, Activation, Flatten from keras.layers import Conv2D, MaxPooling2D 모델도 추가한다. from keras.models import Model 구조는 기본적으로 아래와 같다. 이는 keras에서 제공하는 cifar10 예제를 참고하였다. conv2D -> conv2D -> maxpooling -> dropout -> conv2D -> conv2D -> maxpooling -> dropout -> flatten -> Dense -> dropout ->Dense(마지막은 분류하고자 하는 개수, 여기서는 10) 블럭을 생성하기 전에 Input layer에 형태를 넣어줘야한다. #Input inputs =Input((32,32,3)) # block1 x = Conv2D(32, (3,3), activation='relu', padding='same', name='block1_conv1')(inputs) x = Conv2D(32, (3,3), activation='relu', padding='valid', name='block1_conv2')(x) x = MaxPooling2D((2, 2), name='block1_pool')(x) x = Dropout(0.25)(x) # block2 x = Conv2D(64, (3,3), activation='relu', padding='same', name='block2_conv1')...
댓글
댓글 쓰기