거북목개발자

오류가 있을 수도 있으며 댓글로 남겨주시면 바로 수정하겠습니다 ^.^ 참고한 문서는 https://youtu.be/BS6O0zOGX4E 과 대학교 강의시간에 배운 내용을 바탕으로 작성하였습니다. 테두리에 0으로 Padding 하는 이유? 1. 그림이 작아지는 것을 방지 (같은 사이즈로 됨) 2. 모서리 부분을 알려주기 위해 sequence data ex) 음성인식, 자연어 -> sequence가 있다. one to one : Vanilia Neural Networks one to many : Image Captioning (image -> sequence of words) many to one : Sentiment Classification (sequence of words -> sentiment) ma..

오류가 있을 수도 있으며 댓글로 남겨주시면 바로 수정하겠습니다 ^.^ 참고한 문서는 https://youtu.be/BS6O0zOGX4E 과 대학교 강의시간에 배운 내용을 바탕으로 작성하였습니다. Layer가 깊어질수록 마지막 미분 값은 거의 0에 가까운 값이 돼 gradient가 사라지는 문제가 발생한다 -> Vanishing Gradient (2번째 빙하기) -> Sigmoid가 문제였다. -> ReLU사용!! 학습하는 동안에만 Dropout !!

오류가 있을수도 있으며 댓글로 남겨주시면 바로 수정하겠습니다 ^.^ 참고한 문서는 https://youtu.be/BS6O0zOGX4E 과 대학교 강의시간에 배운 내용을 바탕으로 작성하였습니다. 학습(델타룰) : 정답과 출력을 비교하여 그 차이를 가중치 조정에 반영 Activation Function (활성 함수) : 값을 0과 1로 바꿔줌 (신경망의 출력을 결정) 1. linear function ex) y = Wx + b W를 찾는 법 (cost function을 활용해 gradient descent 사용) 2. non-linear function -> 비선형 함수를 사용하는 이유는 딥러닝 모델의 레이어 층을 깊게 가져갈 수 있기 때문 sigmoid (0과 1사이의 값이 나옴) tanh ReLU Cos..

오류가 있을수도 있으며 댓글로 남겨주시면 바로 수정하겠습니다 ^.^ 참고한 문서는 https://youtu.be/BS6O0zOGX4E 과 대학교 강의시간에 배운 내용을 바탕으로 작성하였습니다. - learning with labeled examples - 이미지 라벨링, 이메일 스팸 필터, 성적 예측 ... - ex) 개, 고양이 분류 모델 Regression ex) 시험 성적 예측(0~100점) Binary Classification ex) 시험에서 pass / non-pass (둘 중에 하나 예측) Multi-label Classification ex) 시험에서 (A, B, C, E and F) (여러가지 종류 중 예측) -> input data로 discrete한 값을 예측하면 Classificat..

datas = pd.read_csv(file_path) 를 사용해 Dataframe 생성 Dataframe 열 분리 전 데이터 확인 play열 분리하기 x_data(입력 데이터)에는 drop을 통해 'play' 열을 제외한 모든 데이터를 저장된다. x_data = datas.drop(['play'], axis = 1) # axis=1은 열을 기준으로 분리한다는 것이다. y_data(정답 데이터)에는 'play' 열만 추출해 저장한다. y_data = datas['play'] 분리 결과 확인하기 x_data = datas.drop(['play'], axis=1) play열이 제외된 것을 확인할 수 있다. y_data = datas['play'] play열만 나타나는 것을 확인할 수 있다.

Tensor 형식 float형(default) : x = torch.FloatTensor(x) int형 : x = torch.IntTensor(x) Boolean형 : x = torch.BoolTensor 초기화 및 기본 작업 Tensor는 torch.tensor() 생성자를 사용하여 Python list 또는 sequence 에서 생성할 수 있습니다 >>> torch.tensor([[1., -1.], [1., -1.]]) tensor([[ 1.0000, -1.0000], [ 1.0000, -1.0000]]) >>> torch.tensor(np.array([[1, 2, 3], [4, 5, 6]])) tensor([[ 1, 2, 3], [ 4, 5, 6]]) 랜덤 값 Tensor 생성 torch.rand(..