bro's coding

discriminator : 진짜 이미지는 진짜 이미지로 판단, 가짜 이미지는 가짜 이미지로 판단 하는것이 목표 generator : 랜덤한 노이즈 값을 입력 받아서 가짜 이미지를 생성, discriminator이 어떻게 판단하는지에 따라 진짜 이미지 같이 만드는것이 목표 batch_size : 64 epochs : 6000 https://broscoding.tistory.com/323 GAN.source from keras.layers import Input, Conv2D, Flatten, Dense, Conv2DTranspose, Reshape, Lambda, Activation, BatchNormalization, LeakyReLU, Dropout, ZeroPadding2D, UpSampling2D..

1 3 5 4 1 5 1 2 6 1 1 3 3 5 5 1 1 3 3 5 5 4 4 1 1 5 5 4 4 1 1 5 5 1 1 2 2 6 6 1 1 2 2 6 6

GAN은 적대적인 생성자(generator)와 판별자(discriminator) 네크워크 두 개가 경쟁하는 것이다. 생성자는 랜덤한 잡음을 원본 데이터셋에서 샘플링한 것처럼 보이는 샘플로 변환한다. 판별자는 원본 데이터셋에서 추출한 샘플인지 생성자가 만든 가짜인지를 구별한다. GAN의 핵심은 두 네트워크를 어떻게 교대로 훈련하는지에 있다.

정형 데이터(structured data) > 특성이 열로 표현됨 > ex) 나이, 소득, 웹사이트 방문자수 등 비정형 데이터(unstructured date) > 태생적으로 특성을 열로 구성할 수 없는 데이터 > ex) 이미지의 공간 구조, 소리의 시간 구조, 영상의 공간과 시간구조 등

http://book.naver.com/bookdb/book_detail.nhn?bid=15660741 미술관에 GAN 딥러닝 실전 프로젝트 창조에 다가서는 GAN의 4가지 생성 프로젝트이 책은 케라스를 사용한 딥러닝 기초부터 AI 분야 최신 알고리즘까지 설명한다. 기계 스스로 그림을 그리고, 글을 쓰고, 음악을 작곡하고, 게임을 하�� book.naver.com https://github.com/rickiepark/GDL_code

표현학습은 샘플을 묘사하는데 가장 뛰어난 특성과 이런 특성을 원본 데이터에서 추출하는 방법을 학습하는 것이다. 수학적으로 데이터의 비선형 매니폴드(manifold)를 찾고 이 공간을 완전하게 설명하기 위해 필요한 차원을 구성한다.

신경망을 통한 계산이 선형적인데, 활성함수를 사용하면 비선형적이게 바꿀 수 있기 때문에 활성함수를 사용한다.

import cv2 import numpy as np import time # if not cv2.ocl.haveOpenCL(): # print("에러 : OpenCL을 사용할 수 없는 시스템입니다") # # context = cv2.create # cv2.cor # cv2.ocl.setUseOpenCL(True) net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg") # DNN_BACKEND_OPENCV : 인텔 내장 그래픽 사용 # net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV) # net.setPreferableTarget(cv2.dnn.DNN_TARGET_OPENCL) # DNN_BACKEND_CUDA : NV..

보호되어 있는 글입니다.

import numpy as np import cv2 import pytesseract import os from PIL import Image # Step 1: Edge Detection image = cv2.imread("card_3.jpg") orig = image.copy() r = 800.0 / image.shape[0] dim = (int(image.shape[1]*r), 800) image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) gray = cv2.GaussianBlur(gray, (3, 3), 0) edged = cv2.Canny(gray, 75, ..