Realtime DatabaseConnect to Firebase 클릭Build 클릭동의후 계속프로젝트 만들기 클릭연결 완료 후 모습연결 완료 후 안드로이드 스튜디오 모습Accept Changes 클릭프로젝트 구성 모습realtime database 클릭 규칙 탭에서 true로 설정MainActivity에 아래 코드 추가 후 실행
package com.example.ex0425;
import androidx.appcompat.app.AppCompatActivity;
import android.os.Bundle;
import android.util.Log;
import com.google.firebase.database.DataSnapshot;
import com.google.firebase.database.DatabaseError;
import com.google.firebase.database.DatabaseReference;
import com.google.firebase.database.FirebaseDatabase;
import com.google.firebase.database.ValueEventListener;
public class MainActivity extends AppCompatActivity {
private static final String TAG = "MainActivity";
@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_main);
// Write a message to the database
// Connection conn = DriverManager.getConnection();
FirebaseDatabase database = FirebaseDatabase.getInstance();
// 데이터베이스 내 데이터를 접근하는 객체
// 해당 참조경로가 없는 경우 -> 새롭게 생성
// 참조경로가 있을 경우 -> 데이터를 접근 참조
DatabaseReference myRef = database.getReference("message");
// 데이터 저장
//myRef.setValue("Hello, World!");
myRef.setValue(new PersonVO("홍0동",25,true));
// Read from the database
// 데이터베이스 내 변경사항이 발생했을 때(이벤트)
myRef.addValueEventListener(new ValueEventListener() {
@Override
public void onDataChange(DataSnapshot dataSnapshot) {
// This method is called once with the initial value and again
// whenever data at this location is updated.
// getValue(클래스타입) -> 클래스타입에 맞춰 데이터를 읽어오는 메소드
//String value = dataSnapshot.getValue(String.class);
//객체데이터를 읽어올 때
PersonVO value = dataSnapshot.getValue(PersonVO.class);
Log.d(TAG, "Value is: " + value);
}
@Override
public void onCancelled(DatabaseError error) {
// Failed to read value
Log.w(TAG, "Failed to read value.", error.toException());
}
});
}
}
PersonVO
package com.example.ex0425;
public class PersonVO {
private String name;
private int age;
private boolean gender;
// 파이어베이스 데이터베이스에서 VO타입으로 읽어올 때
// 기본생성자는 반드시! 정의가 되어있어야 읽어올 수 있다!
public PersonVO(){}
public PersonVO(String name, int age, boolean gender) {
this.name = name;
this.age = age;
this.gender = gender;
}
public String getName() {
return name;
}
public void setName(String name) {
this.name = name;
}
public int getAge() {
return age;
}
public void setAge(int age) {
this.age = age;
}
public boolean isGender() {
return gender;
}
public void setGender(boolean gender) {
this.gender = gender;
}
@Override
public String toString() {
return "PersonVO{" +
"name='" + name + '\'' +
", age=" + age +
", gender=" + gender +
'}';
}
}
실습
머신러닝
실습
0. 학습 데이터 전처리
import cv2
import matplotlib.pyplot as plt
import numpy as np
import os # 파이썬을 이용해 시스템 정보를 확인하고 제어하는 라이브러리
# 특정 폴더 밑에 사진이름이 규칙적이지 않을 경우에는 os모듈을 이용하자
img = cv2.imread('./dog/2.png')
img.shape # => (224, 224, 3)
# 폴더 밑에 있는 파일이나 디렉토리 이름을 얻어내는 함수
dog_file_names = os.listdir('./dog')
dog_file_names
cat_file_names = os.listdir('./cat')
fox_file_names = os.listdir('./desert_fox')
dog_images = []
for fname in dog_file_names:
raw_img = cv2.imread('./dog/'+fname)
raw_img_rgb = cv2.cvtColor(raw_img,cv2.COLOR_BGR2RGB) #BGR -> RGB
# 이미지 크기 조절하기
resize_img = cv2.resize(raw_img_rgb, dsize=(224,224), interpolation=cv2.INTER_AREA)
# 이미지 정규화(-1 ~ 1)
normalized_img = (np.array(resize_img,dtype=np.float32) / 127.0) - 1
dog_images.append(np.array(normalized_img)) # numpy타입으로 변환
dog_images = np.array(dog_images)
dog_images.shape #=> (371, 224, 224, 3)
cat_images = []
for fname in cat_file_names:
raw_img = cv2.imread('./cat/'+fname)
raw_img_rgb = cv2.cvtColor(raw_img,cv2.COLOR_BGR2RGB) #BGR -> RGB
# 이미지 크기 조절하기
resize_img = cv2.resize(raw_img_rgb, dsize=(224,224), interpolation=cv2.INTER_AREA)
# 이미지 정규화(-1 ~ 1)
normalized_img = (np.array(resize_img,dtype=np.float32) / 127.0) - 1
cat_images.append(np.array(normalized_img)) # numpy타입으로 변환
cat_images = np.array(cat_images)
cat_images.shape
fox_images = []
for fname in fox_file_names:
raw_img = cv2.imread('./desert_fox/'+fname)
raw_img_rgb = cv2.cvtColor(raw_img,cv2.COLOR_BGR2RGB) #BGR -> RGB
# 이미지 크기 조절하기
resize_img = cv2.resize(raw_img_rgb, dsize=(224,224), interpolation=cv2.INTER_AREA)
# 이미지 정규화(-1 ~ 1)
normalized_img = (np.array(resize_img,dtype=np.float32) / 127.0) - 1
fox_images.append(np.array(normalized_img)) # numpy타입으로 변환
fox_images = np.array(fox_images)
fox_images.shape
# 이미지 합치기
X = np.concatenate([dog_images,cat_images,fox_images])
X.shape # => (1145, 224, 224, 3)
# 개 0, 고양이 1, 사막여우 2
y = np.array([0] * 371 + [1] * 402 + [2] * 372)
y.shape # => (1145,)
dog_file_names 출력 결과test 출력
1. 모델 생성
from tensorflow.keras.models import Sequential # 신경망을 붙이는 뼈대
from tensorflow.keras.layers import InputLayer, Dense # 입력층 / 중간및출력층
animal_model = Sequential() # 뼈대 생성
animal_model.add(InputLayer(input_shape=(224*224*3,))) #입력층
animal_model.add(Dense(units=128, activation='sigmoid')) #중간층
animal_model.add(Dense(units=128, activation='sigmoid')) #중간층
animal_model.add(Dense(units=64, activation='sigmoid')) #중간층
animal_model.add(Dense(units=32, activation='sigmoid')) #중간층
animal_model.add(Dense(units=3, activation='softmax')) #출력층
