Head vs breakz

Hyperas 1.설치 pip insatll hyperas 2.실행 from hyperas.distributions import uniform #dropout에서 uniform {{}}로 표기해서 사용한다. def create_model(x_train,y_train,x_test,y_test): model=Sequential() model.add(Dense( , input_shape( , ))) model.add(Activation('relu')) model.add(Dropout({{uniform(0,1)}})) 추가 실행 from hyperas.distributions import uniform,choice from hyperas import optim def create_model(x_train,y_t..

하이퍼 파라미터 최적화 1.Grid search 지정된 하이퍼 파라미터 값 전체를 모두 조사하여, 모든 조합에 대해 모델 성능을 평가하고 최적의 조합을 찾는다. 이떄 하이퍼 파라미터 값은 일정한 간격을 두고 선정하고, 구간 설정과, 간격의 길이는 설정해야 한다. from sklearn.model_selection import GridSearchCV2.Random search 범위를 지정하여 무작위로 추출하여 최적의 조합을 찾는 방법이다. gird search 보다 더 유리한 부분을 가지고 있다. 불필요한 반복 수행을 없애고, 간격 사이 확률적 탐색이 가능하다. Random Search for hyper-parameter Optimization 3.Bayesian Optimization grid searc..

Python Socket 프로그래밍 server import socket #AF_INET = 주소체계 ,SOCK_STREAM = TCP 설정 server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM) #localhost에는 ip주소값 , 12345는 클라이언트 접속을 대기한느 포트 server_socket.bind(('localhost', 12345)) server_socket.listen(0) #대기상태 후 clinet가 반응 있으면 실행 client_socket, addr = server_socket.accept() data = client_socket.recv(65535) #받은 데이터를 출력 print(data.decode()) clien..