close_btn
조회 수 233 추천 수 0 댓글 0
?

단축키

Prev이전 문서

Next다음 문서

+ - Up Down Comment Print Files
?

단축키

Prev이전 문서

Next다음 문서

+ - Up Down Comment Print Files
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
 
# coding: utf-8
 
# In[2]:
 
 
import os
import tensorflow as tf
os.chdir("C:/Users/kebee/Desktop/toobig/6주차 TensorFlow-Tutorials/6주차 TensorFlow-Tutorials"
 
 
# In[3]:
 
 
import pandas as pd
doc = pd.read_csv("white.csv")
 
 
# In[4]:
 
 
#데이터 보기
doc.head(6)
 
 
# In[7]:
 
 
type(doc.y)
 
 
# In[9]:
 
 
#str로 레이블 타입 바꾸기
doc.y= doc.y.astype("str")
 
 
# In[17]:
 
 
#레이블 벨런스 및 수 확인 
doc.y.value_counts()
 
 
# In[16]:
 
 
#레이블 행렬 구조 확인 
doc.shape
 
 
# In[79]:
 
 
 
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
 
#변수와 레이블 분리 
X_data=doc.iloc[:,0:11]
y_data = doc.y
 
 
# In[80]:
 
 
#레이블 원핫 인코딩 적용 
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder()
y_data1 = y_data.values
y_data1 = ohe.fit_transform(y_data1.reshape(-11)).toarray()
y_data1
 
 
# In[81]:
 
 
#training데이터와 test데이터 나누기 
X_train, X_test, Y_train, Y_test = train_test_split(X_data, y_data1, test_size=0.2)
 
 
# In[ ]:
 
 
import math
import numpy as np
 
 
# 1.  sigmoid 함수이용, GradientDescentOptimizer 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
 
#초기값 
W1 = tf.Variable(tf.random_normal([11,7],stddev=0.01))
b1 = tf.Variable(tf.zeros([7]))
hypothesis = tf.sigmoid(tf.matmul(X, W1) + b1)
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#GradientDescent optimizer사용 
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(cost)
 
# 예측값 H(X) > 0.5 이면  true, 아니면 false
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
# 0이나 1의 값을 트레이닝 횟수만큼 평균치 계산
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))
 
#훈련 
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#10000번 돌리고 1000번당 출력 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
# In[155]:
 
 
#정확도 27%
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test}))
 
 
# In[152]:
 
 
# 2.  Layer 확대와 Node 수변경, sigmoid 함수이용, Adamoptimizer 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
 
#layer수 3개 
W1 = tf.Variable(tf.random_normal([11,10],stddev=0.01))
b1 = tf.Variable(tf.zeros([10]))
h1 = tf.sigmoid(tf.matmul(X, W1) + b1)
 
W2 = tf.Variable(tf.random_normal([10,10],stddev=0.01))
b2 = tf.Variable(tf.zeros([10]))
h2 = tf.sigmoid(tf.matmul(h1, W2) + b2)
 
W3 = tf.Variable(tf.random_normal([10,7],stddev=0.01))
b3 = tf.Variable(tf.zeros([7]))
hypothesis = tf.matmul(h2, W3) + b3
 
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
# Adam사용 
optimizer = tf.train.AdamOptimizer(learning_rate=0.1).minimize(cost)
 
# 예측값 H(X) > 0.5 is true, else false
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
# 0이나 1의 값을 트레이닝 횟수만큼 평균치 계산
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))
 
#훈련
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#10000번 돌리고 1000번당 출력 
 
#실행 및 출력
 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
# In[153]:
 
 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test}))
 
 
# In[165]:
 
 
#3. Weight 초기화하는Xavier 알고리즘, Layer 확대와Node 수변경, Adamoptimizer, relu 함수이용 
 
tf.reset_default_graph()
 
#layer수 3개 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
 
W1 = tf.get_variable("W1",shape = [11,10],initializer = tf.contrib.layers.xavier_initializer())
b1 = tf.Variable(tf.zeros([10]))
h1 = tf.nn.relu(tf.matmul(X, W1) + b1)
 
W2 = tf.get_variable("W2",shape = [10,10],initializer = tf.contrib.layers.xavier_initializer())
b2 = tf.Variable(tf.zeros([10]))
h2 = tf.nn.relu(tf.matmul(h1, W2) + b2)
 
W3 = tf.get_variable("W3",shape = [10,7] ,initializer = tf.contrib.layers.xavier_initializer())
b3 = tf.Variable(tf.zeros([7]))
hypothesis = tf.matmul(h2, W3) + b3
 
#cross entropy cost function 사용
 
 
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#adam optimizer 사용 
optimizer = tf.train.AdamOptimizer(learning_rate=0.1).minimize(cost)
 
# 예측값 H(X) > 0.5 is true, else false
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
# 0이나 1의 값을 트레이닝 횟수만큼 평균치 계산
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))
 
#훈련
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#실행 및 출력
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
 
# In[166]:
 
 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test}))
 
 
# In[182]:
 
 
# 4. Dropout, sigmoid 함수이용, GradientDescentOptimizer, Layer 확대와 Node 수변경 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
keep_prob = tf.placeholder(tf.float32)
 
 
#layer수 3개
W1 = tf.Variable(tf.random_normal([11,30],stddev=0.01))
b1 = tf.Variable(tf.zeros([30]))
h1 = tf.sigmoid(tf.matmul(X, W1) + b1)
h1 = tf.nn.dropout(h1, keep_prob)
 
 
 
W2 = tf.Variable(tf.random_normal([30,256],stddev=0.01))
b2 = tf.Variable(tf.zeros([256]))
h2 = tf.sigmoid(tf.matmul(h1, W2) + b2)
h2 = tf.nn.dropout(h2, keep_prob)
 
 
W3 = tf.Variable(tf.random_normal([256,7],stddev=0.01))
b3 = tf.Variable(tf.zeros([7]))
hypothesis = tf.matmul(h2, W3) + b3
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#GradientDescent optimizer사용 
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(cost)
 
#훈련
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#실행 및 출력
#드롭아웃 0.8 확률로 적용 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train,keep_prob:0.8})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
 
 
# In[183]:
 
 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
#테스트할 때는 드롭아웃을 적용하지 않는다 
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test,keep_prob:1}))
 
 
# In[179]:
 
 
#5. Dropout, relu 함수이용, Layer 확대와Node 수변경, Adamoptimizer, Weight 초기화하는Xavier 알고리즘이용 
 
 
tf.reset_default_graph()
 
#layer 4개 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
keep_prob = tf.placeholder(tf.float32)
 
#Weight 초기화하는Xavier 알고리즘
W1 = tf.get_variable("W1",shape = [11,20],initializer = tf.contrib.layers.xavier_initializer())
#bias담기
b1 = tf.Variable(tf.zeros([20]))
#relu함수 
h1 = tf.nn.relu(tf.matmul(X, W1) + b1)
#dropout적용
h1 = tf.nn.dropout(h1, keep_prob)
 
 
#Weight 초기화하는Xavier 알고리즘
 
W2 = tf.get_variable("W2",shape = [20,80],initializer = tf.contrib.layers.xavier_initializer())
b2 = tf.Variable(tf.zeros([80]))
h2 = tf.nn.relu(tf.matmul(h1, W2) + b2)
h2 = tf.nn.dropout(h2, keep_prob)
 
 
W3 = tf.get_variable("W3",shape = [80,30] ,initializer = tf.contrib.layers.xavier_initializer())
b3 = tf.Variable(tf.zeros([30]))
h3 = tf.nn.relu(tf.matmul(h2, W3) + b3)
h3 = tf.nn.dropout(h3, keep_prob)
 
W4 = tf.get_variable("W4",shape = [30,7] ,initializer = tf.contrib.layers.xavier_initializer())
b4 = tf.Variable(tf.zeros([7]))
h4 = tf.nn.dropout(h3, keep_prob)
 
 
 
 
hypothesis = tf.matmul(h4, W4) + b4
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#adam optimizer
optimizer = tf.train.AdamOptimizer(learning_rate=0.1).minimize(cost)
 
#실행 및 출력
 
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train,keep_prob:0.8})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
 
# In[180]:
 
 
#테스트 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test,keep_prob:1}))
 
 
cs

List of Articles
번호 제목 글쓴이 날짜 조회 수
공지 R 소스 공유 게시판 이용 관련 공지사항 1 DataMarket 2014.05.21 26877
130 투빅스 9&10기 8주차 CNN - 10기 장유영 장유영 2018.09.20 195
129 투빅스 9기&10기 7주차 알고리즘 - 10기 이민주 file 이민주 2018.09.18 155
128 투빅스 9&10기 8주차 HOONCHEOLNET for Rock, Scissors, paper - 10기 신훈철 file Henris 2018.09.17 141
127 투빅스 9&10기 7주차 Pytorch Tutorial - 10기 장유영 장유영 2018.09.17 134
126 투빅스 9&10기 6주차 tensorflow MNIST- 10기 이준걸 file 이준걸 2018.09.17 132
» 투빅스 9&10기 6주차 tensorflow- 10기 박규리 file 귤스 2018.09.03 233
124 투빅스 9기&10기 4주차 K-means - 10기 임진혁 진혁 2018.08.25 319
123 투빅스 9&10기 5주차 NLP Basic - 10기 장유영 장유영 2018.08.22 381
122 투빅스 9&10기 4주차 PCA-mnist - 10기 강인구 file kaig 2018.08.16 495
121 투빅스 9기&10기 4주차 PCA Facebook data - 10기 이준걸 file 이준걸 2018.08.16 484
120 투빅스 9기&10기 4주차 K-means - 10기 이준걸 file 이준걸 2018.08.16 414
119 투빅스 9기&10기 4주차 Gibbs Sampling - 10기 이준걸 file 이준걸 2018.08.16 425
118 투빅스 9기&10기 4주차 알고리즘 - 9기 김수지 file 김수지 2018.08.14 440
117 투빅스 9&10기 3주차 Ensemble - 10기 정윤호 UNOVATE 2018.08.08 527
116 투빅스 9&10기 3주차 Support Vector Machine - 10기 장유영 file 장유영 2018.08.08 555
115 투빅스 9&10기 2주차 KNN, LDA - 10기 박성진 file chad4545 2018.08.01 579
114 투빅스 9&10기 2주차 Naive Bayes - 10기 장유영 2 file 장유영 2018.08.01 593
113 투빅스 9&10기 1주차 Dynamic Programming - 10기 강인구 kaig 2018.07.25 616
112 투빅스 9&10기 1주차 Regression - 10기 박규리 file 귤스 2018.07.25 630
111 투빅스 9&10기 1주차 Logistic Regression - 10기 박성진 file chad4545 2018.07.25 634
Board Pagination ‹ Prev 1 2 3 4 5 6 ... 7 Next ›
/ 7

나눔글꼴 설치 안내


이 PC에는 나눔글꼴이 설치되어 있지 않습니다.

이 사이트를 나눔글꼴로 보기 위해서는
나눔글꼴을 설치해야 합니다.

설치 취소

Designed by sketchbooks.co.kr / sketchbook5 board skin

Sketchbook5, 스케치북5

Sketchbook5, 스케치북5

Sketchbook5, 스케치북5

Sketchbook5, 스케치북5