Note

cv2.resize(image,dsize,fx,fy,interpolation) dsize : Manual Size fx : 가로 비율 fy : 세로 비율 interpolation : 보간법 (사이즈가 변할 때 픽셀 사이 값을 조절하는 방법) - INTER_CUBIC : 사이즈를 크게 할 때 주로 사용 - INTER_AREA : 사이즈를 작게 할 때 주로 사용 import cv2 import matplotlib.pyplot as plt image = cv2.imread('test.jpg') plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) plt.show() * opencv는 BGR 순이지만 plt는 RGB 순으로 따른다. # 이미지 확장 expand = cv2.r..

!pip install opencv-python 라이브러리 설치 기본 이미지 구성 : BGR (B, G, R) cv2.IMREAD_COLOR : 이미지 컬러로 읽고, 투명한 부분은 무시 cv2.IMREAD_GRAYSCALE : 이미지를 GRAYSCALE로 읽기 cv2.IMREAD_UNCHANGED : 이미지 컬러로 읽고, 투명한 부분도 읽기 import cv2 img_basic = cv2.imread('test.jpg', cv2.IMREAD_COLOR) # 이미지 읽어오기 cv2.imshow('Image Basic', img_basic) # 이미지 창 띄우기 (윈도우 창 제목, 출력할 이미지 객체) # 키보드 입력 처리 (입력 대기 시간) - 값을 아스키 코드로 반환, 0은 무한대기 cv2.waitKey..

모델 설계 임베딩 벡터 차원 : 10 은닉 상태의 크기 : 32 해당 모델은 마지막 시점에서 모든 가능한 단어 중 하나의 단어를 예측하는 다중 클래스 분류 문제를 수행하는 모델 따라서 다중 클래스 분류 문제는 활성화 함수로 소프트맥스 함수를 사용한다. 손실 함수는 크로스 엔트로피 함수 사용. from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Embedding, Dense, SimpleRNN embedding_dim = 10 hidden_units = 32 model = Sequential() model.add(Embedding(vocab_size, embedding_dim)) model.add(SimpleR..

첫 번째 문장 : 경마장에 있는 말이 뛰고 있다 두 번째 문장 : 그의 말이 법이다 세 번째 문장 : 가는말이 고와야 오는 말이 곱다 1. X : 경마장에 Y: 있는 2. X : 경마장에 있는 Y : 말이 3. X : 경마장에 있는 말이 Y : 뛰고 4. X : 경마장에 있는 말이 뛰고 Y : 있다 5. X : 그의 Y : 말이 6. X : 그의 말이 Y : 법이다 7. X : 가는 Y : 말이 8. X : 가는 말이 Y : 고와야 9. X : 가는 말이 고와야 Y : 오는 10. X : 가는 말이 고와야 오는 Y : 말이 11. X : 가는 말이 고와야 오는 말이 Y : 곱다 1 ~ 11번은 모델이 문맥을 학습하기 위해 문장의 앞의 단어들을 전부 고려하여 학습하도록 데이터를 재구성한 모습. import..

lstm = LSTM(3, return_sequences=False, return_state=True) hidden_state, last_state, last_cell_state = lstm(train_X) print('hidden state : {}, shape: {}'.format(hidden_state, hidden_state.shape)) print('last hidden state : {}, shape: {}'.format(last_state, last_state.shape)) print('last cell state : {}, shape: {}'.format(last_cell_state, last_cell_state.shape)) hidden state : [[-0.00263056 0.2005..