Family in August

딥러닝 모델을 웹/모바일 앱에 배포하기 1. 개요 딥러닝 모델을 개발한 후에는 실제 서비스에 배포하는 단계가 필수적입니다. 이번 포스팅에서는 학습된 모델을 웹이나 모바일 애플리케이션에서 사용할 수 있도록 서빙하는 다양한 방법을 알아보겠습니다. 2. TensorFlow Serving 구축 TensorFlow 모델을 프로덕션 환경에 배포할 때 많이 사용하는 옵션이 TensorFlow Serving입니다. 설치 및 모델 저장 pip install tensorflow-serving-api import tensorflow as tf model = ... # 학습된 TF 모델 로드 MODEL_VERSION = 1 export_path = f"./exported_models/model/{MODEL_VERSION}" ..

텍스트? 이미지? 모두 OK! huggingface 멀티모달 모델 활용하기 최근 딥러닝 모델은 텍스트뿐만 아니라 이미지, 오디오, 비디오 등 다양한 모달리티를 함께 다룰 수 있게 되었습니다. 이러한 멀티모달 모델은 단일 모델에서 여러 형태의 데이터를 통합적으로 처리할 수 있어 새로운 응용 분야가 열리고 있죠. huggingface에서도 대표적인 멀티모달 모델들을 제공하고 있으니 함께 알아볼까요? 1. 멀티모달 모델이란? - 텍스트, 이미지, 오디오, 비디오 등 다양한 모달리티 데이터를 통합 처리하는 모델 - 단일 모델에서 멀티태스크를 수행 가능 - 강력한 표현력으로 새로운 응용 분야 개척 중 2. 대표 모델 소개 - CLIP (Contrastive Language-Image Pretraining) - 이..

사전 훈련 모델을 업그레이드하자! huggingface 파인튜닝 가이드 머신러닝 모델 개발에서 가장 큰 고민은 '좋은 모델을 구하기 어렵다'는 점입니다. 하지만 huggingface에는 엄청난 양의 사전 훈련된 모델들이 있죠. 이들을 그대로 사용하기에는 아쉬움이 있겠지만, 파인튜닝을 통해 내 작업에 맞게 커스터마이징할 수 있습니다. 이번 포스팅에서는 huggingface에서 모델 파인튜닝하는 방법을 자세히 알아보겠습니다. 1. 파인튜닝이란? - 사전 훈련된 모델의 가중치를 내 데이터셋으로 추가 학습시키는 전이학습 기법 - 모델을 처음부터 훈련하는 것보다 적은 데이터와 리소스로 좋은 성능을 낼 수 있음 2. 데이터 준비하기 - 업무 영역과 작업에 맞는 데이터셋 준비 (라벨링 포함) - 데이터 전처리 : 토..

머신러닝 모델 고르기? huggingface에서 한방에 해결! 머신러닝과 딥러닝 분야에서 huggingface는 가장 인기 있는 오픈소스 플랫폼 중 하나입니다. 수많은 사전 훈련된 모델과 라이브러리를 제공하여 개발자와 연구자들이 쉽게 활용할 수 있게 해줍니다. 하지만 방대한 양의 모델들 사이에서 자신의 작업에 가장 적합한 모델을 고르기란 쉽지 않습니다. 이번 포스팅에서는 huggingface에서 유용한 모델을 찾는 방법을 상세히 알아보겠습니다. 1. huggingface 모델 허브 살펴보기 huggingface 웹사이트에 접속하면 가장 먼저 모델 허브(https://huggingface.co/models)를 만나게 됩니다. 여기서 수많은 모델들을 한눈에 볼 수 있습니다. 모델 검색창과 다양한 필터링 기능..

이미지를 벡터화한 후, 이미지 벡터를 다른 용도로 사용하고 싶다면 image_vector 변수를 해당 용도에 맞게 활용하시면 됩니다. 예를 들어, 이미지 간 유사도를 계산하거나 이미지 검색에 활용할 수 있습니다. import numpy as np from keras.applications.vgg19 import VGG19, preprocess_input from keras.preprocessing import image from keras.models import Model def vectorize_image(image_path): # 이미지 불러오기 img = image.load_img(image_path, target_size=(224, 224)) # 이미지 전처리 x = image.img_to_ar..

LSTM 모델은 시퀀스 데이터를 다루는 데 특화된 모델로, 모든 아이템들의 다음 순서로 예측될 확률을 구할 수 있습니다. 예를 들어, LSTM 모델을 이용해 텍스트 생성을 할 경우, 모델은 현재까지 입력된 단어들을 기반으로 다음 단어가 무엇인지 예측할 수 있습니다. 이때, 각 단어의 다음으로 나올 확률값을 출력할 수 있으며, 이를 이용해 생성된 텍스트의 품질을 측정할 수 있습니다. LSTM 모델에서는 다음 단어를 예측하기 위해 소프트맥스 활성화 함수를 사용합니다. 이 함수는 출력층에서 모든 가능한 단어에 대해 확률 값을 출력하며, 가장 높은 확률 값을 가진 단어가 다음에 나올 단어로 예측됩니다. 이러한 방식으로 LSTM 모델에서 시퀀스 데이터의 다음 아이템 예측 확률을 구할 수 있습니다. 이 모델을 구현..