Broccoli's House

7회차 - (3) 학습 결과 훈련 데이터 - 데이터 1만개로 학습한 모델을 훈련 이미지와 시험 이미지에 대하여 각각 조향 데이터를 출력해보았다. 먼저 훈련 데이터의 경우, 1에폭만 학습하여도 라벨 값과 꽤나 유사하게 나오는 것을 맨 위의 그래프를 통해 확인할 수 있다. 70에폭의 학습이 완료되고 나면, 실제 조향 데이터와 거의 완벽하게 일치하는 것을 볼 수 있다. 시험 데이터 - 70에폭의 학습을 완료한 모델에 시험 이미지 1,000개를 통과시켜 조향 데이터를 출력하였다. 실제 라벨 값과의 차이는 위와 같았다. 모델의 출력값이 실제 라벨 값의 경향성 자체는 따라가지만, 세세한 부분에서 두루뭉술하게 나온다는 것과 그 값 또한 큰 차이를 보인다. 가장 문제는, 라벨과 모델 출력 값의 부호가 서로 반대인 지점..

7회차 - (2) 학습 모델 구성 : 배치 처리 모델 배치 처리 - 3천개 가량의 컬러 이미지로 모델 성능을 확인하기 위하여 단일 이미지 - 단일 라벨 방식으로 학습을 진행하였다. 컬러 이미지를 1만개 정도로 더 모아서 학습을 진행하려 하는데, 단일 데이터 학습 방식은 효과적이지 못하여 배치 단위로 학습을 하고자 한다. 단일 모델과 전체적인 구조에서 큰 차이는 없으나, 배치 처리 모델은 입력 데이터를 받을 텐서와 단일 이미지 정규화, 배치 정규화같은 부분에서 단일 모델과 차이가 있다. 입력 데이터 배치 처리 - 라벨인 조향 각도의 경우 텍스트 파일에 저장되어 있어서, 전체 조향 데이터를 파이썬에서 리스트의 형태로 불러다 배치 크기만큼 자르면 되서 그리 어렵지 않게 구현할 수 있다. 이미지의 경우에는 전체..

7회차 - (1) 학습 모델 구성 : 단순 모델 컬러 이미지 - 앞서 흑백 이미지로 데이터를 모아서, 학습 모델을 구성하여 학습을 시켰다. 그러나 코스트(Cost) 즉, 오차 값이 굉장히 큰 값에서 수렴하여 줄어들지 않았다. 실제로는 모델 구성에 오류가 있었으나, 데이터가 워낙 많고 모델도 복잡하게 구성하다보니 오류를 찾기가 쉽지 않았다. 따라서 적은 데이터와 비교적 간단한 모델로 학습을 하여 어느 정도의 성능을 확인한 다음, 데이터를 많이 모으고 모델을 더 복잡하게 하기로 하였다. - 이미지의 수를 적게 하기로 했기 때문에, 흑백 보다는 컬러 이미지로 다시 데이터를 모았다. 컬러 이미지와 흑백 이미지의 가장 큰 차이는 이미지의 개수가 같다하여도 컬러 이미지는 RGB, 3채널이기 때문에 흑백 이미지보다 ..