Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning week3
fashion_mnist를 좀더 maxpooling과 conv2d로 학습시키는 과정이다.
tf.keras.models계열은 compile을 해준 후에 summary()메서드를 호출하면 네트워크의 구조를 파라미터와 함께 파악할 수 있다.
import matplotlib.pyplot as plt
f, axarr = plt.subplots(3,4)
FIRST_IMAGE=0
SECOND_IMAGE=7
THIRD_IMAGE=26
CONVOLUTION_NUMBER = 1
from tensorflow.keras import models
layer_outputs = [layer.output for layer in model.layers]
activation_model = tf.keras.models.Model(inputs = model.input, outputs = layer_outputs)
for x in range(0,4):
f1 = activation_model.predict(test_images[FIRST_IMAGE].reshape(1, 28, 28, 1))[x]
axarr[0,x].imshow(f1[0, : , :, CONVOLUTION_NUMBER], cmap='inferno')
axarr[0,x].grid(False)
f2 = activation_model.predict(test_images[SECOND_IMAGE].reshape(1, 28, 28, 1))[x]
axarr[1,x].imshow(f2[0, : , :, CONVOLUTION_NUMBER], cmap='inferno')
axarr[1,x].grid(False)
f3 = activation_model.predict(test_images[THIRD_IMAGE].reshape(1, 28, 28, 1))[x]
axarr[2,x].imshow(f3[0, : , :, CONVOLUTION_NUMBER], cmap='inferno')
axarr[2,x].grid(False)
프레임워크 사용법에 있어서 유의미 했던 부분은 tf.keras.models계열의 클래스들은 model.layers로 각 layer에 접근이 가능하며 각 layer에는 output 멤버변수를 호출하면 각 layer를 통과한 값이 나오게 된다.
이를 tf.keras.models.Model클래스를 통해 inputs와 outputs로 동적으로 선언해준 모습이다.
https://github.com/han811/tensorflow
Author And Source
이 문제에 관하여(Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning week3), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://velog.io/@kth811/Introduction-to-TensorFlow-for-Artificial-Intelligence-Machine-Learning-and-Deep-Learning-week3저자 귀속: 원작자 정보가 원작자 URL에 포함되어 있으며 저작권은 원작자 소유입니다.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)