개미의 개열시미 프로그래밍

저번 5주차를 마무리하며 작성했던 Trainer코드를 작성하고 리팩토링까지 완료하여 회의시간에 루카스님께 필요한 부분을 점검받았다. Notion 5주차 스프린트 Trainer.py 구조 서명하기 쉽게 정리 Trainer.py 전체 동작 최종 구현 Densenet_trainer의 분류기 부분이 카테고리에 맞춰서 원활한 학습이 가능하도록 구현 구현된 Trainer 설계 및 동작을 문서화 구현된 코드의 전체적인 설계와 동작구조를 문서화하거나 그림으로 표현 먼저, 과제를 구체적으로 설명하자면 '유사 이미지 분류' 라는 주제이며 코드는 아래와 같은 구조로 되어있다. 하나씩 간략히 설명하자면 - /dataset : 이미지 데이터들이 들어가는 디렉토리 - /model_property : 학습 후 저장될 모델의 가중치..

먼저, 전이학습을 공부하려는 이유는 이번 백마인턴의 주제가 유사 이미지 분류 개발이며 코드의 큰 틀은 전이학습구조로 이루어지기에 과제를 진행하기 위해 꼼꼼히 이해하는 단계가 필요하다고 생각했습니다. 전이학습이란(=Transfer Learning) 정의 : '특정 Task 또는 도메인에서 얻은 모델을 다른 Task에 적용하는 기술을 뜻함' 즉, 이미 dataset(A Task)에 학습이 진행된 pretrained model의 가중치(weight)를 가져와서 다른 dataset(B Task)에 적용을 하는 것으로 이해할 수 있습니다. 전이학습을 사용하는 특징으로는 세가지가 있습니다. 적은 데이터셋을 사용하여 모델 학습 대부분의 경우 전이학습한 모델이 처음부터 쌓은 모델보다 성능이 좋다. 시간이 절약이 된다...

원래는 전이학습을 정리하기 전에 먼저 올려야 순서가 맞지만 이미 Jupyer notebook으로 정리를 했기때문에 빨리 올려보려고 합니다.(복습도 할겸..!) DenseNet정리도 마찬가지로 구글링, 유투브 그리고 논문과 학교에서 지원해준 FastCampus강의를 참고했습니다.. 이번에 백마인턴쉽에서 맞게된 주제는 '유사 이미지 분류'이며 전이학습을 기반으로 하고 전에 설명했던 전이학습의 pre-trained model을 DenseNet을 씁니다. DenseNet은 이전 layer의 feature map을 계속해서 다음 layer의 입력과 연결(Concatenation)하는 방식으로 ResNer과 매우 유사합니다. ResNet과 같이 Pre-Activation구조를 사용하는데(이 구조는 아래에서 더 자세..