KerasKorea#40: Translate 5.3 - paragraph 7 / 11

40_Keras와 Jupyter Notebook으로 시작하는 딥러닝/5.3 - 사전에 학습된 모델 이용하기.ipynb

@@ -634,6 +634,18 @@
     "So you can do the following:"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "# Pragraph 6\n",
+    "90%의 validation의 정확도를 달성했습니다. 이전 장에서 처음부터 학습했던 작은 모델보다는 훨씬 더 좋은 수치입니다. 하지만 그래프를 살펴보면, 우리 모델은 거의 학습 초기부터 과적합의 양상을 보이고 있습니다. -- dropout을 아주 큰 비율로 적용했는데도 말이죠. 그 이유는 바로 data augmentation을 적용하지 않았기 때문입니다. data augmentation은 작은 이미지 데이터셋에서 과적합을 방지하는 아주 중요한 요소입니다. \n",
+    "\n",
+    "자 이제는 두 번째 방법을 적용해볼 차례입니다. 이 방법은 훨씬 더 느리고 비용이 크지만 학습 시 data augmentation을 적용할 수 있습니다. `conv_base` 모델을 확잘해서 end-to-end로 입력을 처리해 보도록 하겠습니다. 이 방법은 비용이 아주 크기 때문에 여러분이 GPU를 가지고있는 경우에만 시도해 보시기 바랍니다. 이 방법은 CPU로는 계산하기 아주 힘듭니다. 만약 여러분이 GPU를 사용하기 힘든 환경이라면 첫 번째 방법만으로 족해야 할 것입니다. \n",
+    "\n",
+    "자 두 번째 방법을 위해서는 레이어를 추가해야 합니다. 앞서 우리가 모델을 만들었던 것 처럼 `Sequential`을 추가하면 됩니다. 다음과 같은 방법으로 수행하시면 됩니다. "
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 8,
@@ -659,6 +671,13 @@
     "This is what our model looks like now:"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "현재 울"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 9,