딥러닝

nnet 패키지nnet 패키지는 은닉층이 1개인 신경망 모형을 구현하기 위한 함수로 구성되어 있다. nnet 패키지에서 신경망의 매개변수는 교차엔트로피 또는 SSE를 사용하여 최적화된다. 분류 문제를 위해 nnet 패키지를 사용할 때 출력 결과는 소프트맥스 함수를 이용

텐서플로는 딥러닝 프레임워크로 유명하지만, 사실 딥러닝용으로만 사용할 수 있는 것은 아니다. 텐서플로는 그래프 형태의 수학식 계싼을 수행하는 핵심 라이브러리를 구현한 후, 그 위에 딥러닝을 포함한 여러 머신러닝을 쉽게 할 수 있는 다양한 라이브러리를 올린 형태이다.he

칼럼의 개수가 n개라면 각 데이터는 n차원의 공간의 한 점으로 표현할 수 있다.열이 4개인 경우 4차원이다.결과 : 1 (4,)위와 같이 하나의 배열에 값이 들어가있는 모양을 1차원이라고 한다.x1의 shape를 출력하면 숫자가 1개 들어있으므로 1차원이다. 숫자가 4

결과 : (60000, 28, 28) (60000,)mnist는 28X28 이미지 6만장으로 이루어져있고 이미지마다 어떤 숫자인지에 대한 정답이 6만개이다.결과 : (50000, 32, 32, 3) (50000, 1)cifar10은 (32, 32, 3)이미지 5만장으로

이미지를 학습하는 가장 기본적인 딥러닝 모델로는 CNN이 있다.

이미지 상의 어떤 특징이 어느 부분에 나타나는지를 알 수 있으면 이미지를 분류할 때 매우 유용하다. 이 정보를 찾을 목적으로 사용하는 도구가 있는데, 그것이 바로 Convolution(합성곱)이다.컨볼루션은 이미지 처리와 신호 처리 분야에서 매우 유명한 도구이다. 이미

필터셋은 3차원 형태로 된 가중치의 모음이다. 컨볼루션 구조에서 컴퓨터가 학습하는 건 바로 필터이다.필터셋 하나는 앞선 레이어의 결과인 피처맵 전체를 본다. 전체를 보고 필터셋 하나가 피처맵 하나를 만든다.필터셋 하나가 피처맵 하나를 만드니, 필터셋 개수만큼 피처맵을

독립변수와 종속변수를 지정하고, 두 변수의 shape를 출력 컨볼루션 레이어는 이미지 하나의 shape이 2차원이면 안되고 3차원이어야 하므로 reshape로 28x28x1의 3차우너 형태로 바꾼다. 종속 변수는 10개의 칼럼으로 원핫 인코딩한다. 모델 만들기

맥스 풀링은 단순하다. (6,6) 사이즈의 이미지가 있다고 할 때, 그 절반인 (3,3) 크기의 사이즈로 이미지를 줄이는 것에 불과하다. 가장 큰 수를 유지하면서 사이즈를 줄이는 방식을 max pooling이라고 부른다. 맥스 풀링 방식을 쓰는 이유는 풀링의 대상이 컨

컨볼루션 레이어 바로 밑에다가 MaxPool2D레이어를 선언해준다앞의 맥스풀링을 활용하지 않은 모델에서는 28x28에서 24x24로 바뀌고 24x24에서 20x20으로 바뀌어서 픽셀수 400개x6장 = 2400의 픽셀수가 나왔었는데, 그럼 Flatten의 출력이 240