'MNIST' 태그의 글 목록

MNIST

[tensorboard] MNIST 그래프 2017.08.02
[pyplot] MNIST 글자 이미지 띄우기 2017.08.01 1
MNIST, CIFAR-10, CIFAR-100, STL-10, SVHN ILSVRC2012 task 1 - 인식률 랭킹 2017.04.13
[텐서플로우] MNIST 고급 - 예제 2017.04.06
[텐서플로우] MNIST 초급 - 예제 2017.04.06

[tensorboard] MNIST 그래프

2017. 8. 2. 11:13

MNIST GRAPHS

'Programming > Deep Learning' 카테고리의 다른 글

CentOS7에 텐서플로우(TensorFlow) 설치하기 (0)	2017.08.22
[학회] 컴퓨터 인공지능 관련 학회 목록 (0)	2017.08.18
[pyplot] MNIST 글자 이미지 띄우기 (1)	2017.08.01
MNIST, CIFAR-10, CIFAR-100, STL-10, SVHN ILSVRC2012 task 1 - 인식률 랭킹 (0)	2017.04.13
[하둡] 파이썬을 이용한 하둡 어플리케이션 - word count (0)	2017.04.12

[pyplot] MNIST 글자 이미지 띄우기

2017. 8. 1. 17:46

- MNIST 데이터셋 불러오는 소스 코드

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/tutorials/mnist/input_data.py

- 글자 이미지 png 파일로 저장하는 코드

- 결과 (mnist1_3.png)

- Reference

[TENSOR-FLOW-MNIST-인식하기]

http://yujuwon.tistory.com/entry/TENSOR-FLOW-MNIST-%EC%9D%B8%EC%8B%9D%ED%95%98%EA%B8%B0

'Programming > Deep Learning' 카테고리의 다른 글

[학회] 컴퓨터 인공지능 관련 학회 목록 (0)	2017.08.18
[tensorboard] MNIST 그래프 (0)	2017.08.02
MNIST, CIFAR-10, CIFAR-100, STL-10, SVHN ILSVRC2012 task 1 - 인식률 랭킹 (0)	2017.04.13
[하둡] 파이썬을 이용한 하둡 어플리케이션 - word count (0)	2017.04.12
[텐서플로우] MNIST 고급 - 예제 (0)	2017.04.06

MNIST, CIFAR-10, CIFAR-100, STL-10, SVHN ILSVRC2012 task 1 - 인식률 랭킹

2017. 4. 13. 16:56

Classification datasets results

http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html#53544c2d3130

'Programming > Deep Learning' 카테고리의 다른 글

[tensorboard] MNIST 그래프 (0)	2017.08.02
[pyplot] MNIST 글자 이미지 띄우기 (1)	2017.08.01
[하둡] 파이썬을 이용한 하둡 어플리케이션 - word count (0)	2017.04.12
[텐서플로우] MNIST 고급 - 예제 (0)	2017.04.06
[텐서플로우] MNIST 초급 - 예제 (0)	2017.04.06

[텐서플로우] MNIST 고급 - 예제

2017. 4. 6. 18:27

import tensorflow as tf
import input_data

# gradient sets 0.1 instead of 0
def weight_variable(shape):
	initial = tf.truncated_normal(shape, stddev=0.1)
	return tf.Variable(initial)

def bias_variable(shape):
	initial = tf.constant(0.1, shape=shape)
	return tf.Variable(initial)

# Convolution
def conv2d(x, W):
	return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding='SAME')

# Pooling
def max_pool_2x2(x):
	return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

# mnist data sets
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# mnist data vectors 784(28x28)
x = tf.placeholder(tf.float32, [None, 784])

# 1 layer
# widow size1,2, input channel, output channel
W_conv1 = weight_variable([5,5,1,32])
b_conv1 = bias_variable([32])

# reshape to 4D tensor
x_image = tf.reshape(x, [-1,28,28,1]) # -1,img_x,img_y,color channel

# ReLu
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

# 2 layer
W_conv2 = weight_variable([5,5,32,64])
b_conv2 = bias_variable([64])
# ReLu
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

# Fully-Connected Layer
W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

# Dropout
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# last softmax
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

# loss - valid result
y_ = tf.placeholder(tf.float32, [None, 10])

# loss - cross entropy
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

#evaluate
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# init Session
sess = tf.Session()
sess.run(tf.initialize_all_variables())

# do learning 20000 counts
for i in range(20000):
	batch = mnist.train.next_batch(50)
	if i%100 == 0:
		train_accuracy = accuracy.eval(session=sess, feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0})
		print("step %d, training accuracy %g" % (i, train_accuracy))
	train_step.run(session=sess, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
print("* Finished Learning *")

# test accuracy
print("test accuracy %g" % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

딥 러닝에 대해 독학을 하면서 정리한 걸 적고 있습니다.

전공과 무관하며 전문적인 지식이 아니므로 개인적인 의견과 부족하고 틀린 점이 많습니다.

추가 지식 및 잘못된 점을 지적해주시면 공부하는데 많은 도움이 되겠습니다. 감사합니다^^

- 푸어맨

[Reference]

(MNIST 고급) https://tensorflowkorea.gitbooks.io/tensorflow-kr/content/g3doc/tutorials/mnist/pros/

(모두를 위한 머신러닝/딥러닝 강의) http://hunkim.github.io/ml/

'Programming > Deep Learning' 카테고리의 다른 글

MNIST, CIFAR-10, CIFAR-100, STL-10, SVHN ILSVRC2012 task 1 - 인식률 랭킹 (0)	2017.04.13
[하둡] 파이썬을 이용한 하둡 어플리케이션 - word count (0)	2017.04.12
[텐서플로우] MNIST 초급 - 예제 (0)	2017.04.06
[딥 러닝] 싱글 뉴런 학습 시키기 - 역전파(back propagation) 구현하기 (0)	2017.02.06
[딥 러닝] 싱글 뉴런의 작동원리 Feed-forward 구현하기 (0)	2017.02.06

[텐서플로우] MNIST 초급 - 예제

2017. 4. 6. 16:18

import tensorflow as tf
import input_data

# mnist data sets
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# mnist data vectors 784(28x28)
x = tf.placeholder(tf.float32, [None, 784])

# (x * W) + b = [None,10]
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# neural network softmax
y = tf.nn.softmax(tf.matmul(x, W) + b)

# loss - valid result
y_ = tf.placeholder(tf.float32, [None, 10])
# loss - cross_entropy
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

# train step - learning rate 0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# init variable to start learning
init = tf.initialize_all_variables()

# init Session
sess = tf.Session()
sess.run(init)

# do learning 1000 counts
for i in range(1000):
	batch_xs, batch_ys = mnist.train.next_batch(100) # select random 100 data
	sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
print("* Finished Learning *")

# evaluate
correct_predict = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_predict, tf.float32))

print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

딥 러닝에 대해 독학을 하면서 정리한 걸 적고 있습니다.

전공과 무관하며 전문적인 지식이 아니므로 개인적인 의견과 부족하고 틀린 점이 많습니다.

추가 지식 및 잘못된 점을 지적해주시면 공부하는데 많은 도움이 되겠습니다. 감사합니다^^

- 푸어맨

[Reference]

(MNIST 초급) https://tensorflowkorea.gitbooks.io/tensorflow-kr/content/g3doc/tutorials/mnist/beginners/

(모두를 위한 머신러닝/딥러닝 강의) http://hunkim.github.io/ml/

'Programming > Deep Learning' 카테고리의 다른 글

MNIST, CIFAR-10, CIFAR-100, STL-10, SVHN ILSVRC2012 task 1 - 인식률 랭킹 (0)	2017.04.13
[하둡] 파이썬을 이용한 하둡 어플리케이션 - word count (0)	2017.04.12
[텐서플로우] MNIST 고급 - 예제 (0)	2017.04.06
[딥 러닝] 싱글 뉴런 학습 시키기 - 역전파(back propagation) 구현하기 (0)	2017.02.06
[딥 러닝] 싱글 뉴런의 작동원리 Feed-forward 구현하기 (0)	2017.02.06

PREV 1 NEXT

poorman

MNIST

[tensorboard] MNIST 그래프

'Programming > Deep Learning' 카테고리의 다른 글

[pyplot] MNIST 글자 이미지 띄우기

'Programming > Deep Learning' 카테고리의 다른 글

MNIST, CIFAR-10, CIFAR-100, STL-10, SVHN ILSVRC2012 task 1 - 인식률 랭킹

Classification datasets results

'Programming > Deep Learning' 카테고리의 다른 글

[텐서플로우] MNIST 고급 - 예제

'Programming > Deep Learning' 카테고리의 다른 글

[텐서플로우] MNIST 초급 - 예제

'Programming > Deep Learning' 카테고리의 다른 글

+ Recent posts

티스토리툴바