Skip to content

Latest commit

 

History

History
76 lines (52 loc) · 2.71 KB

01_guide_document.md

File metadata and controls

76 lines (52 loc) · 2.71 KB

대제목(영어제목)

원문 링크

문서 간략 소개

  • 주요 키워드 1
  • 주요 키워드 2
  • 주요 키워드 3

중제목

간략 소개

소제목

소제목

참고문서


(예시입니다)

케라스로 ResNet fine-tuning 하기 + CoreML을 이용해 iOS 앱에 모델 심기(How to fine-tune ResNet in Keras and use it in an iOS App via Core ML)

How to fine-tune ResNet in Keras and use it in an iOS App via CoreML 원문 바로 가기

이 문서는 머신러닝에 익숙하지 않은 모바일 개발자들을 위해 빠르고 쉽게 딥러닝을 애플리케이션에 적용하는 방법에 관해 설명합니다. 케라스를 이용해 기존에 생성된 모델을 fine-tuning 하는 방법과 생성된 모델을 iOS 애플리케이션에 심는 방법에 대해 자세히 설명합니다. 최종 생성할 프로젝트는 시각 장애인을 위한 애플리케이션으로, 지폐 이미지를 인식해 지폐의 금액이 얼마인지 음성으로 읽어주는 기능을 합니다.

  • 케라스
  • ResNet
  • Fine-Tune
  • CoreML
  • iOS
  • Mobile
  • Application

개념 설명

애플리케이션을 생성하기 전에, 프로젝트를 이해하기 위해 꼭 알아야 하는 개념을 소개합니다. 케라스와 ResNet50에 대해 설명하며, 이미 알고 있는 내용이라면 프로젝트 구현으로 바로 건너뛰어도 무방합니다.

케라스

구글 엔지니어 François Chollet가 개발한 것으로, 쉽고 빠른 딥러닝을 위한 오픈 소스 신경망 라이브러리입니다. 자세한 내용은 Keras 공식 홈페이지를 참고하세요.

ResNet50

내용 설명...

프로젝트 구현

내용 설명...

Fine-Tuning

def get_model():
  
    input_tensor = Input(shape=(224, 224, 3))  # this assumes K.image_data_format() == 'channels_last'
	
    # create the base pre-trained model
    base_model = ResNet50(input_tensor=input_tensor,weights='imagenet',include_top=False)
	
    for layer in base_model.layers:
        layer.trainable=False
	
    x = base_model.output
    x = GlobalAveragePooling2D(data_format='channels_last')(x)
    x = Dense(num_classes, activation='softmax')(x)
	
    updatedModel = Model(base_model.input, x)
	
    return  updatedModel

average pooling image
이미지 출처

참고 사이트