머신러닝_4일차

가상환경 설정하기

학습시킨 모델 다운로드

• 모낼 내보내기 버튼으로 가능
  

anaconda 설정

• 설정하기
  • 아나콘다에서 Environments 클릭
    
  • create 버튼 클릭
    
  • 이름 설정 후 파이썬 버전 3.7.11 맞추기
    
    설정 후 셋팅이 된 걸 확인할 수 있다.
    
  • Not installed 선택 후 jupyter, tensorflow 선택 후 apply 누르기
    
    검색 종료 시 설치할 패키지가 나오면 apply 누르기
    
  • 설치된 걸 확인할 수 있다.
    
    기존 셋팅으로 들어가려면 base(root)를 선택하면 된다.
    

jupyter에서 실행시키기

• 다운로드 받은 소스 적용시키기

  • pillow가 설치가 안됐으므로 설치소스를 추가한다.
    

      !pip install pillow
      from tensorflow.keras.models     import load_model
      from PIL import Image, ImageOps
      import numpy as np

  • 나머지 소스 추가

    model = load_model('animal_keras_model.h5')    
    data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
    image = Image.open('./predict1.jpg')
    size = (224, 224)
    image = ImageOps.fit(image, size,     Image.ANTIALIAS)
    
    image_array = np.asarray(image)
    normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1
    data[0] = normalized_image_array
    
    prediction = model.predict(data)
    print(prediction)

    • 소스해석

      1. model = load_model('')

         다운로드 받은 파일을 넣으면 된다.

      2. data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)

         고차원 배열의 데이터를 다루기위해 np.ndarray로 생성한다.
         • 사진일 시 (샘플 수,w,h(이미지 크기), (각 픽셀안에 색상 정보))
         • 영상으로 처리할 시 (100,30,224,224,3) : 100개,30개에 1초, w,h,color)

      3. image = Image.open('<IMAGE_PATH>')

         예측시키고자 하는 파일을 여는 법 ('')에 경로가 들어가야한다.

      4. size = (224, 224)
         image = ImageOps.fit(image, size, Image.ANTIALIAS)

         똑같은 사이즈로 변경하기

      5. image_array = np.asarray(image)

         numpy 타입으로 변경

      6. normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1

         정규화 작업(전처리) - 학습속도 및 성능 최적화에 도움

      7. data[0] = normalized_image_array

         불러운 numpy 타입의 이미지를 변수에 대입

      8. prediction = model.predict(data)
         print(prediction)

         예측
    • 결과
      
      • 각 모델의 확률이 표시된다.

사람들이 만들어놓은 모델 공유 사이트

https://tfhub.dev/