• 1st 함께하는 딥러닝 컨퍼런스


    이제 딥러닝 기술은 무서운 속도로 각 분야에 퍼져가고 있습니다. 그에 따라 활용 사례도 늘어나고 있고, 실전 적용에 막히는 여러가지 문제도 해결하고자 많은 연구가 활발히 이루어지고 있습니다. 딥러닝을 공부하시는 분이라면 딥러닝 코어 및 알고리즘은 물론 타 분야의 활용사례, 최근에 유행하고 있는 GAN과 강화학습까지 관심을 가지고 계실겁니다. 다양한 주제로 즐겁게 소통하고자 첫번째 ‘함께하는 딥러닝 컨퍼런스’를 대전에서 개최합니다. 대전은 정부출연연구원 및 정부청사, 우수한 대학교, 최첨단 기술 중심의 벤처회사들이 밀집된 지역인 만큼 다른 지역과는 또 다른 느낌의 소통이 이뤄질 것 같아 기대되네요~


  • [ISS 세미나] 세종국책연구단지에 딥러닝 모델 심기


    이번 ISS에서는 “(주)인스페이스”와 “국토연구원 국토정보연구본부 국토정보분석센터” 공동 주최로 “세종국책연구단지에 딥러닝 모델 심기”란 주제를 가지고 세미나를 개최하고자 합니다. 딥러닝 기본 개념을 익히고 딥러닝 기반 모델을 쉽게 만들어볼 수 있는 ‘케라스’라는 딥러닝 라이브러리에 대해서 알아봅니다. 케라스 코드를 ‘블록’ 개념과 매칭하여 직관적으로 모델을 이해할 수 있는 방법에 대해 연습한 후 다양한 기초 문제를 살펴봅니다. 자율주행 분야에 딥러닝 모델이 어떻게 적용되는 지 알아보고, 다양한 분야에서 문제를 해결하는 데 있어 도움이 되는 캐글에 대해서도 알아봅니다.


  • 안녕? 레고사람, 안녕? 딥러닝 모델


    딥러닝 모델을 레고사람으로 비유해보고 어떻게 모델을 사용하고 학습하는 지 살펴보도록 하겠습니다.


  • [대딥사] 첫 밋업


    “대전에서, 딥러닝을 사랑하는 사람들의 모임”인 대딥사 밋업을 했습니다. 짧은 시간이었지만 이 모임이 만들어진 것이 당연한 듯 자기 소개에서 홀로 공부하는 외로움과 가까운 이들과 소통하고자 하는 간절함이 묻어났습니다. 이 모임하려고 서울에서 오신 분, 고객처와 접대를 뒤로하고 오신 분, 해외출장에서 막 귀국해서 아직 여독이 안 풀리신 분, 바쁜 학업이나 본업을 잠시 뒤로하고 모였습니다. 일단 만났으니, 이제 스터디도 시작하고 재미난 것을 계획해봐야 겠죠? 대전에 계신다고요? 조인조인, 대전에 안 사신다구요? 상관없습니다. 행사만 대전에서 할 뿐입니다.


  • [ISS 세미나] 김태영님, 블록과 함께하는 파이썬 딥러닝 케라스


    이번 ISS에서는 “블록과 함께하는 파이썬 딥러닝 케라스”란 주제로 발표합니다. 딥러닝 기본 개념을 익히고 딥러닝 기반 모델을 쉽게 만들어볼 수 있는 ‘케라스’라는 딥러닝 라이브러리에 대해서 알아봅니다. 케라스 코드를 ‘블록’ 개념과 매칭하여 직관적으로 모델을 이해할 수 있는 방법에 대해 연습한 후 다양한 기초 문제를 살펴봅니다. 생성모델과 딥강화학습에 대해서도 어떤 것인지 대충 알아보겠습니다. 그리고 분야별 라이트닝 톡을 40분간 진행할 예정입니다. 많은 관심 부탁드리겠습니다.


  • Decentralized Applications 코스(by Siraj Raval)


    딥러닝과 블록체인을 공부하면서 무언가 비슷하다는 느낌이 들었습니다.


  • [한국 커뮤니티 데이] 김태영님, 전미정님, 모두의 손에 딥러닝 툴을...


    이번 제7회 KCD행사에서 케라스 코리아(Keras Korea)는 ‘모두의 손에 딥러닝 툴을…‘이라는 주제로 케라스 코리아의 운영진인 김태영님과 전미정님이 함께 발표를 진행하였습니다.


  • [세미나] 김태영님, 딥러닝 소개 (제7회 태양/우주환경을 연구하는 젊은 과학자 워크숍)


    제7회 태양/우주환경을 연구하는 젊은 과학자 워크숍(http://sun2us.net/)은 태양 및 우주환경을 연구하는 젊은 과학자들이 연구 역량 강화 및 연구 교류를 목적으로 자발적으로 준비하고 참여하는 행사입니다. 이 행사의 둘째날 딥러닝 소개 세미나 내용을 공유하고자 합니다.


  • [ISS 세미나] 이웅원님, 가깝고도 먼 딥강화학습(DeepRL)


    ‘딥러닝’은 익숙하시죠? 이제 ‘딥러닝+강화학습’인 딥강화학습에 대해서 알아볼 시간입니다. 이번 ISS에서는 ‘파이썬과 케라스로 배우는 강화학습’ 저자이신 이웅원님(DCULab 리더, 제이마플 선임연구원, RLCode 리더)을 모시고 ‘가깝고도 먼 딥강화학습(DeepRL)’이란 주제로 세미나를 진행하고자 합니다. 강화학습은 오래 전부터 연구되던 분야이나 딥러닝 기술과 접목되면서 많은 발전을 이루고 있습니다. 한국을 떠들석하게 했던 알파고의 핵심 기술이기도 하구요. 강화학습과 딥러닝이 합쳐진 이 기술을 ‘Deep Reinforcement Learning (DeepRL)’이라고 불립니다.


  • NASA FDL 2017 연구 소개


    저희회사((주)인스페이스)에서 충남대학교 백마인턴쉽 과정으로 함께 하게된 박천용 인턴님의 첫과제로 조사한 내용을 공유드립니다. 주제는 NASA Frontier Development Lab에서 진행되고 있는 연구 소개입니다.


  • 골빈해커님의 g-coin 분석 2부


    1부에서는 골빈해커님이 올려주신 소스코드 중 블록체인의 코어 부분에 대해서 코드리딩을 해봤습니다. 뭔가 이해를 했으니 바로 돌려보고 싶네요. 이번에는 먼저 실제로 서버를 구동시켜보고 사용해볼 예정입니다. 주로 아래 툴을 이용할 것이고 코드리딩은 3부로 미루겠습니다.


  • 골빈해커님의 g-coin 분석 1부


    블록체인은 잘 모르지만 믿고 따라해보는 골빈해커님이 블록체인 g-coin 소스를 올려주셨기에 한 번 탐독해봤습니다. 무엇보다 가장 놀란 건 소스코드가 너무 간결하네요. 소스코드 한줄 한줄에 내공이 느껴집니다. 오랜만에 이런 힐링되는 소스코드를 보게되는 바람에 급 탐독하게 되었습니다. 이론적인 배경이 없는 상태에서 소스코드를 분석하면서 이해하는 방식이라 ‘파이썬을 조금알고’, ‘저와 같이 이론 배경이 없으면서’, ‘퍼즐 맞추기를 좋아하시는 분’이 읽으시면 재미있을 것 같네요.


  • [ISS 세미나] 최성준님, 딥러닝 최신동향


    딥러닝 기술은 하루가 멀다하고 발전하고 있습니다. 이번 ISS에서는 Google Developer Expert이시고 서울대학교 사이버물리시스템 연구실 박사과정에 계신 최성준님이 ‘딥러닝 최신 동향’이란 주제로 발표하셨습니다. 열정적으로 강의해주신 최성준님께 감사드리고, 장시간 동안 끝까지 관심있게 들어주시고 좋은 질문 많이해주신 참석자분들에게 감사드립니다.


  • 케라스 단점


    케라스를 다른 분들께 추천을 하려면 장단점을 제대로 알고 소개를 해야 겠다는 생각이 들었습니다. 아래 나열된 단점은 커뮤너티에 올려진 게시물이나 주변에서 말하고나 제가 느낀 점을 정리해봤습니다. 어떤 항목들은 시간이 지나면서 해결되고 있는 부분들도 있습니다. 다른 단점이나 의견이 있으신 분들은 댓글로 달아주세요.


  • 케라스 소개


    케라스에 대한 소개는 프랑소와 쏠레님이 집필하신 “Deep Learning with Python”에 잘 나와 있습니다. 웹에 3장까지 공개되어 있는데요, 그 중 케라스 소개 부분을 번역해봤습니다. (참고: https://www.manning.com/books/deep-learning-with-python)


  • 한 장 간


    제 마음대로 ‘네트워크’와 ‘모델’을 구분해서 개념 정리를 해본 것을 그림으로 표현해봤습니다.


  • 카드 문양 마술


    크로바 카드를 하트 카드로 바꾸는 마술을 하고자 합니다. 카드 형태를 유지한 상태에서 문양의 색상 및 모양만을 바꿀 수 있는 지에 대한 테스트인데요, 여러가지로 활용도가 높은 것 같습니다. 이 문제를 “Image-to-Image Translation”이라고 부르며, pix2pix 모델이 유명합니다. 테스트 결과 pix2pix 모델은 기대한 만큼 성능을 보여주었습니다. 학습시키지 않은 카드를 이용하여 여러가지 실험도 해보왔는데요, 이 실험을 통해 학습한 모델을 이해하는 데 도움이 되었습니다.


  • [ISS 세미나] 이지민님, 의료영상 세그멘테이션


    이번 ISS에서는 SNU TF 이지민님(서울대학교 방사선의학물리연구실)을 모시고, ‘의료영상에서의 세그멘테이션”이란 주제로 세미나를 진행하였습니다. 딥러닝 모델이 분류나 객체검출 문제를 많이 다루긴 하지만 영상처리의 꽃은 역시 세그멘테이션 같습니다. 세그멘테이션에 대한 기본 개념부터 최근 연구되고 있는 딥러닝 모델을 소개합니다.


  • 블록과 함께하는 파이썬 딥러닝 케라스 이야기


    딥러닝이란 단어는 이제 일반인에게도 많이 알려져 있습니다. 그리고 대부분 ‘딥러닝 = 텐서플로우’이란 공식으로 기억을 하시기 계시구요. 저 또한 텐서플로우로 시작했었습니다. 그러다 케라스라는 것을 소개 받았을 때 ‘케라스? 듣지도 보지도 못했는데? 딥러닝은 당연 텐서플로우이지’라고 생각했던 제가 그 후 케라스에 빠졌고, 1년반 후 아래 책을 냈습니다. 그 여정에 대해서 이야기를 해볼까 합니다.


  • 클래스별로 학습과정 살펴보기


    fit() 함수 로그에는 기본적으로 손실값과 정확도가 표시됩니다. 이진분류 모델에서는 정확도값 하나만 보더라도 학습이 제대로 되고 있는 지 알 수 있지만, 다중클래스분류 문제에서는 클래스별로 학습이 제대로 되고 있는 지 확인하기 위해서는 정확도값 하나로는 부족함이 많습니다. 이진분류 문제에서 클래스간 불균형이 있을 경우에도 정확도값 하나로는 판단할 수가 없습니다. 본 장에서는 학습 중에 클래스별로 정밀도(precision)와 재현율(recall)을 살펴볼 수 있도록 사용자 정의 메트릭(custom metric)을 사용하는 법과 나온 결과를 시각화 하는 방법을 알아보겠습니다.


  • [ISS 세미나] 김태영님, 블록과 함께하는 딥러닝 실습, 케라스 이야기


    이번 ISS에서는 블록과 함께하는 딥러닝 실습, “케라스 이야기”란 주제로 제가 발표하였습니다. 1)다양한 분야의 전문가분들과 함께 2)대전에서 3)자기 노트북가지고 실습까지 해보는 의미있는 자리였던 것 같습니다. 100명 넘는 인원에서의 실습은 쉽지 않은 선택이었지만 사전에 모두 설치를 해주신 참석하신 분들과 자발적으로 나선 (주)인스페이스 스태프분들 덕분에 무사히 마쳤습니다. 어떤분들이 참석하셨는 지, 어떤 연구에 딥러닝에 접목하려고 하시는 지, 세미나에 대해 이모저모에 대해 알아보겠습니다.


  • 하용호님의 '네 뇌에 딥러닝 인스톨' + 딥브릭 + 실습


    딥러닝 개념을 아주 쉽고 제미있게, 직관적으로 설명한 하용호님의 ‘네 뇌에 딥러닝 인스톨’ 자료를 공유합니다. 이 발표자료에는 케라스로 구현된 VGG16 모델을 이해하기 위한 여정이 시작되는 데요. 그 여정의 끝으로 딥브릭을 통해 뇌에 모델을 각인시킨 후 실습을 통해 손으로 익혀보겠습니다. 먼저 그 유명한 ‘네 뇌의 딥러닝 인스톨’ 발표자료 입니다. (주의)’한 번 클릭하면 10분~15분동안 다른 일을 할 수가 없습니다.


  • 시계열수치입력 수치예측 모델 레시피


    시계열 수치를 입력해서 다음 수치를 예측하는 모델들에 대해서 알아보겠습니다. 각 모델에 코사인(cosine) 데이터를 학습시킨 후, 처음 일부 데이터를 알려주면 이후 코사인 형태의 데이터 예측을 얼마나 잘 하는 지 테스트 하겠습니다.


  • 영상입력 수치예측 모델 레시피


    영상을 입력해서 수치를 예측하는 모델들에 대해서 알아보겠습니다. 간단한 테스트를 위해 수치예측을 위한 영상 데이터셋 생성을 해보고, 다층퍼셉트론 및 컨볼루션 신경망 모델을 구성 및 학습 시켜보겠습니다. 이 모델은 고정된 지역에서 촬영된 영상으로부터 복잡도, 밀도 등을 수치화하는 문제를 풀 수 있습니다. 아래 문제들에 활용 기대해봅니다.

    • CCTV 등 촬영 영상으로부터 미세먼지 지수 예측
    • 위성영상으로부터 녹조, 적조 등의 지수 예측
    • 태양광 패널의 먼지가 쌓여있는 정도 예측

  • 수치입력 다중클래스분류 모델 레시피


    수치를 입력해서 다중클래스를 분류할 수 있는 모델들에 대해서 알아보겠습니다. 다중클래스 분류를 위한 데이터셋 생성을 해보고, 가장 간단한 퍼셉트론 신경망 모델부터 깊은 다층퍼셉트론 신경망 모델까지 구성 및 학습을 시켜보겠습니다.


  • 영상입력 다중클래스분류 모델 레시피


    영상을 입력해서 다중클래스를 분류할 수 있는 모델들에 대해서 알아보겠습니다. 숫자 손글씨 데이터셋인 MNIST을 이용하여 다층퍼셉트론 및 컨볼루션 신경망 모델을 구성하고 학습 시켜보겠습니다. 이 모델들은 아래 문제들에 활용 기대해봅니다.

    • 동양인 얼굴 사진으로 한국인, 일본인, 중국인 구분
    • 현미경 촬영 영상으로부터 다양한 균 구분
    • 스마트폰으로 찍은 식물 종류 구분
    • 기상위성영상으로부터 태풍 타입 분류

  • 영상입력 이진분류 모델 레시피


    영상을 입력해서 이진분류할 수 있는 모델들에 대해서 알아보겠습니다. 숫자 손글씨 데이터셋인 MNIST을 이용하여 홀수/짝수를 구분을 위한 데이터셋을 생성해보고, 다층퍼셉트론 및 컨볼루션 신경망 모델을 구성 및 학습 시켜보겠습니다. 이 모델은 임의의 영상으로부터 A와 B를 구분하는 문제나 양성과 음성을 구분하는 문제를 풀 수 있습니다. 아래 문제들에 활용 기대해봅니다.

    • 입력된 얼굴 사진에 남자인지 여자인지 구분
    • 촬영된 부품 사진이 정상인지 불량인지 구분
    • 의료영상을 보고 질병유무 판독

  • 문장(시계열수치)입력 다중클래스분류 모델 레시피


    문장을 입력해서 다중클래스를 분류하는 모델에 대해서 알아보겠습니다. 다중클래스 분류를 위한 데이터셋에 대해서 살펴보고 여러가지 다중클래스 분류 모델을 구성해보겠습니다. 이 모델들은 문장 혹은 시계열수치로 타입을 분류하는 문제를 풀 수 있습니다.


  • 문장(시계열수치)입력 이진분류 모델 레시피


    문장을 입력해서 이진분류하는 모델에 대해서 알아보겠습니다. 언어가 시계열적인 의미가 있으므로, 이 언어를 문자로 표현한 문장도 시계열적인 의미가 있습니다. 모델에 입력하기 위해서 문장을 시계열수치로 인코딩하는 방법과 여러가지 이진분류 모델을 구성해보고, 학습 결과를 살펴보겠습니다. 이 모델들은 문장 혹은 시계열수치로 양성/음성을 분류하거나 이벤트 발생 유무를 감지하는 문제를 풀 수 있습니다.


  • 수치입력 이진분류 모델 레시피


    수치를 입력해서 이진분류할 수 있는 모델들에 대해서 알아보겠습니다. 이진분류를 위한 데이터셋 생성을 해보고, 가장 간단한 퍼셉트론 모델부터 깊은 다층퍼셉트론 모델까지 구성 및 학습을 시켜보겠습니다.


  • 수치입력 수치예측 모델 레시피


    수치를 입력해서 수치를 예측하는 모델들에 대해서 알아보겠습니다. 수치예측을 위한 데이터셋 생성을 해보고, 선형회귀를 위한 가장 간단한 퍼셉트론 신경망 모델부터 깊은 다층퍼셉트론 신경망 모델까지 구성 및 학습을 시켜보겠습니다


  • 딥브릭(DeepBrick) 이야기


    딥러닝과 케라스를 공부하면서 느낀 점은 층을 쌓고 모델을 만들고 하는 과정들이 블록 쌓는 것과 비슷한 느낌을 많이 받았고, 실제로 딥러닝 모델을 설명할 때 블록 그림을 많이 이용하기도 했습니다. 그러다가 (실제 혹은 웹에서) 블록을 쌓으면 딥러닝 모델까지 자동으로 만들 수 있겠다는 생각이 들었습니다. 그래서 딥브릭(DeepBrick)이란 이름으로 프로젝트를 진행해볼까 합니다.


  • 윈도우에서 케라스 설치하기


    윈도우에서 케라스 개발 환경을 구축해보겠습니다. 진행 순서는 다음과 같습니다.


  • 맥에서 케라스 설치하기


    맥에서 케라스 개발 환경을 구축하는 방법에 대해서 알아보겠습니다. 진행순서는 다음과 같습니다.


  • 학습과정 표시하기 (텐서보드 포함)


    케라스로 딥러닝 모델 개발할 때, 가장 많이 보게 되는 것이 fit 함수가 화면에 찍어주는 로그입니다. 이 로그에 포함된 수치들은 학습이 제대로 되고 있는 지, 학습을 그만할 지 등 판단하는 중요한 척도가 됩니다. 수치 자체도 큰 의미가 있지만 수치들이 에포코마다 바뀌는 변화 추이를 보는 것이 중요하기 때문에 그래프로 표시하여 보는 것이 더 직관적입니다. 본 절에서는 케라스에서 제공하는 기능을 이용하는 방법, 텐서보드와 연동하여 보는 방법, 콜백함수를 직접 만들어서 사용하는 방법에 대해서 알아보겠습니다.


  • 학습 조기종료 시키기


    앞서 ‘학습과정과 데이터셋 이야기’에서 과적합이라는 것을 살펴보았고, 이를 방지하기 위해 조기 종료하는 시점에 대해서 알아보았습니다. 본 절에서는 케라스에서 제공하는 기능을 이용하여 학습 중에 어떻게 조기 종료를 시킬 수 있는 지 알아보겠습니다.


  • Relation Networks for Visual QA


    Visual QA 문제에서 관계형 추론(relational reasoning)을 도출하고자 DeepMind가 제안한 신경망 모델인 관계 네트워크(Relation Networks, 이하 RN) 대해서 알아보고자 합니다. 이 모델은 A simple neural network module for relational reasoning이란 논문에서 소개되었고, 컨볼루션 신경망에 RN를 추가하여 어떻게 객체와 그 관계에 대해 추론하는 지 설명되어 있습니다. 시각기반의 질의응답 문제에 대해 탁월한 성능을 보이고 있다고 합니다.


  • 학습 모델 보기/저장하기/불러오기


    몇시간 동안 (또는 며칠 동안) 딥러닝 모델을 학습 시킨 후 만족할만한 결과를 얻었다면, 실무에 바로 적용시키고 싶으실 겁니다. 이 때 떠오르는 의문 중 하나가 “딥러닝 모델을 사용하려면 매번 이렇게 몇시간 동안 학습시켜야 되는 거야?”입니다. 대답은 “아니오” 입니다. 딥러닝 모델을 학습시킨다는 의미는 딥러닝 모델이 가지고 있는 뉴런들의 가중치(weight)을 조정한다는 의미이고, 우리는 모델 구성과 가중치만 저장만 해놓으면, 필요할 때 저장한 모델 구성과 가중치를 불러와서 사용하면 됩니다. 간단한 딥러닝 모델의 구성 및 가중치를 저장 및 불러오는 방법에 대해서 알아보겠습니다.


  • 컨볼루션 신경망 모델을 위한 데이터 부풀리기


    본 강좌에서는 컨볼루션 신경망 모델의 성능을 높이기 위한 방법 중 하나인 데이터 부풀리기에 대해서 알아보겠습니다. 훈련셋이 부족하거나 훈련셋이 시험셋의 특성을 충분히 반영하지 못할 때 이 방법을 사용하면 모델의 성능을 크게 향상시킬 수 있습니다. 케라스에서는 데이터 부풀리기를 위한 함수를 제공하기 때문에 파라미터 셋팅만으로 간단히 데이터 부풀리기를 할 수 있습니다.


  • 평가 이야기


    이번에는 학습한 모델을 어떤 기준으로 평가를 해야되는 지를 알아보겠습니다. 모델을 평가한다고 하면 정확도라는 단어를 떠올리기 쉬운데, 문제에 따라 단순히 정확도로만 평가하기 힘든 경우가 있습니다. 조금 더 알아보면 민감도, 특이도, 재현율 등의 용어가 나오는데, 비전공자에게는 생소하게만 느껴집니다. 몇가지 문제와 모델을 정의하고 여기에 적합한 평가 기준이 무엇인지 알아보겠습니다. 용어는 생소하지만 그 의미를 알게되면 왜 이런 기준이 필요한 지 감이 오실겁니다. 보통 평가에 관련된 내용을 보면 표와 수식이 많은 편인데, 손가락만 있으면 계산할 수 있도록 간단한 예제를 통해 알아보겠습니다. 늘 그랬듯이 레고로 놀이해봅시다. 다만 이번에는 그림이 아닌 실사가 포함되어 있습니다.


  • 순환 신경망 모델 만들어보기


    앞서 살펴본 LSTM 레이어를 이용하여 몇가지 순환 신경망 모델을 만들어보고, 각 모델에 “나비야” 동요를 학습시켜보면서 자세히 살펴보겠습니다.


  • 순환 신경망 레이어 이야기


    순환 신경망 모델은 순차적인 자료에서 규칙적인 패턴을 인식하거나 그 의미를 추론할 수 있습니다. 순차적이라는 특성 때문에 간단한 레이어로도 다양한 형태의 모델을 구성할 수 있습니다. 케라스에서 제공하는 순환 신경망 레이어는 SimpleRNN, GRU, LSTM이 있으나 주로 사용하는 LSTM에 대해서 알아보겠습니다.


  • 학습과정 이야기


    같은 문제집이라도 사람마다 푸는 방식이 다르고 학습된 결과도 다릅니다. 딥러닝 모델의 학습도 비슷합니다. 케라스에서는 모델을 학습시킬 때 fit() 함수를 사용하는데, 그 인자에 따라 학습 과정 및 결과가 차이납니다. 학습과정이 어떤 방식으로 일어나는 지 살펴보도록 하겠습니다.


  • 데이터셋 이야기


    딥러닝 모델을 학습시키려면 데이터셋이 필요합니다. 풀고자 하는 문제 및 만들고자 하는 모델에 따라 데이터셋 설계도 달라집니다. 데이터셋을 어떻게 구성하고 모델을 어떻게 검증할 지 알아보겠습니다.


  • 텐서플로우, 티아노, 케라스 오프라인 설치 (주피터 포함)


    이후 텐서플로우, 티아노, 케라스 오프라인 설치는 인스페이스 딥러닝랩(InSpace Deep Learning Lab) 페이지에서 제공합니다. 아래 링크를 참고하세요. 파일 요청은 본 포스트 댓글로도 가능합니다. 댓글에 원도우 버전 명기해주세요~


  • 컨볼루션 신경망 모델 만들어보기


    간단한 컨볼루션 신경망 모델을 만들어봅니다. 다음과 같은 순서로 진행하겠습니다.


  • 케라스와 텐서플로우와의 통합


    지난 주에 개최된 TensorFlow DEV SUMMIT 2017 행사에서 프랑소와 쏠레(François Chollet)님이 케라스(Keras)와 텐서플로우(TensorFlow)와의 통합이란 주제로 발표를 했습니다. 발표에서 이번 통합이 케라스 사용자와 텐서플로우 사용자에게 어떤 의미를 뜻하는 지를 설명하였고, 비디오 QA 예제를 통해 텐서플로우에서 케라스를 어떻게 사용하는 지를 보여주었습니다. 케라스 사용자인 저에겐 중요한 발표이기도 하고, 케라스가 가장 빠른 성장세를 보이고 있는 프레임워크 중 하나이기에 주요 내용을 정리해보고자 합니다.


  • 파이썬 패키지 이야기


    딥러닝 모델 개발에 유용한 파이썬 패키지에 대해서 다뤄봅니다.


  • 파이썬 이야기


    케라스로 딥러닝 모델을 만들고, 데이터를 전처리하기 위해 필요한 최소한의 파이썬 내용을 다루고자 합니다.


  • 첫 오프라인 모임


    2017년 2월 6일에 (주)인스페이스 대전 본사에서 케라스 첫 오프라인 모임을 가졌습니다. 4시간 넘게 진행된 강의였지만 모두 열정적으로 실습에 참석해주셨습니다. 멀리서 오신 결핵연구원과 경희대학교 분들에게도 감사드립니다! 다음 모임에서는 각자 문제를 케라스로 프로토타이핑을 해본 결과를 공유하는 자리를 기대해봅니다.


  • 다층 퍼셉트론 모델 만들어보기


    케라스를 이용하여 간단한 다층 퍼셉트론 모델을 만들어보겠습니다. 다음과 같은 순서로 진행하겠습니다.


  • 한장간 - 네트워크와 모델


    간(GAN)을 시작하기에 앞서 케라스에서 네트워크와 모델 개념 정립을 먼저 한 후에 간단한 간모델을 만들어보겠습니다. 네트워크와 모델 개념을 레고 사람에 비유를 들어보겠습니다. 초반부는 귀엽겠지만 후반부에는 조금 무서울 수 있으니 노약자나 임산부는 주의해서 보시기 바랍니다.


  • 컨볼루션 신경망 레이어 이야기


    이번 강좌에서는 컨볼루션 신경망 모델에서 주로 사용되는 컨볼루션(Convolution) 레이어, 맥스풀링(Max Pooling) 레이어, 플래튼(Flatten) 레이어에 대해서 알아보겠습니다. 각 레이어별로 레이어 구성 및 역할에 대해서 알아보겠습니다.


  • 다층 퍼셉트론 레이어 이야기


    이번에는 케라스에서 사용되는 레이어(layer, 층) 개념에 대해서 알아봅니다. 케라스의 핵심 데이터 구조는 모델이고, 이 모델을 구성하는 것이 레이어입니다. 간단히 뉴런에 대해서 알아본 다음, 주요 레이어에 대해 기본 개념, 역할 등에 대해서 살펴보고, 레이어를 어떻게 쌓아서 모델을 만들 수 있는 지 알아봅니다. 기본적인 레이어 개념을 익히면 레고 쌓는 것 처럼 쉽게 구성할 수 있는데, 실제 레고로도 쌓아보겠습니다. 본 강좌에서는 다층 퍼셉트론 모델에서 사용되는 Dense 레이어에 대해서만 알아보겠습니다.


  • 케라스 이야기


    케라스(Keras) - 그 간결함에 빠지다.