cs231n
1.[CS231n] Lecture 1 | Introduction to Convolutional Neural Networks for Visual Recognition 요약 정리
목차computer vision의 역사computer vision의 최종 목표Computer Vision의 역사컴퓨터가 어떻게 실제 세계를 인식하고 표현할 수 있을까에 대한 연구에서 비롯됨.1959년Hubel & Wiesel, 포유류의 시각 메커니즘에 대해 연구.196
2.[CS231n] Lecture 2 | Image Classification 요약 정리
🔗강의 영상Image Classification이란?image Classification algorithmLinear Classification우리는 이 사진을 보고 고양이라고 바로 인식하지만 컴퓨터는 실제로 숫자들의 나열로 인식한다. 조금의 변화가 있어도 이 숫자의
3.[CS231n] Lecture 3 | Loss Functions and Optimization 요약 정리
🔗영상손실 함수정규화 손실softmax최적화역할모델이 나타내는 확률 분포와 데이터가 따르는 실제 확률 분포 사이의 차이를 계산즉, 모델의 예측값이 얼마나 구린지 측정한다Multiclass SVM losshinge loss의 수식hinge loss의 그래프SVM은 hi
4.[CS231n] Lecture 4 | Introduction to Neural Networks 요약 정리
BackpropagationNeural Network오차를 거슬러 올라가면서 각각의 파라미터에 대한 gradient를 계산하는 과정.인접한 노드와의 관계를 이용해서 gradient값을 얻을 수 있다.나는 아래 용어를 다 같은 의미를 지니는 것으로 이해했다.x의 grad
5.[CS231n] Lecture 5 | Convolutional Neural Networks 요약 정리
CNN 구조CNN 시각화용어 정리합성곱 연산(Convolution)을 사용하는 Neural Network 모델합성곱 연산은 이미지의 픽셀 값으로 특정 패턴 또는 특징(가장자리, 색감, 질감 등)을 감지하는 데에 사용된다. 특징을 감지하기 위해 ‘필터’가 사용된다. 필터
6.[CS231n] Lecture 6 | Training Neural Networks I 요약 정리
활성화 함수데이터 전처리모니터링, 파라미터 조절각 뉴런에서 전달된 입력값(xi)이 wi와 곱한 것을 모두 합하고 편향(bias, b)를 더한다. (5단원에서 FC/CNN을 거치는 과정임. 그리고 이 함수는 선형 함수다.) 비선형 함수인 활성화 함수와 연산하여 다음
7.[CS231n] Lecture 7 | Training Neural Networks II 요약 정리
최적화최적화 함수정규화전이학습nn의 loss가 최저인 지점을 찾기 위해 backpropagation을 거듭하는데 가장 빠르게 가기 위한 지름길을 찾기위해 gradient update함.초기에 설정한 학습률을 이용하여 손실함수의 값(loss)가 최소가 되는 방향으로 가중
8.[CS231n] Lecture 8 | Deep Learning Software 요약 정리
cpu와 gpu 차이딥러닝 프레임워크더 적은 수의 cores (4~10개 정도로 한번에 20개의 일을 시행)각 코어는 더 빠르고, 연속적 처리에 좋다. (sequential tasks)cache(데이터나 값을 복사해놓는 임시 장소)가 있지만, 대부분의 메모리는 컴퓨터
9.[CS231n] Lecture 9 | CNN Architectures 요약 정리
Lenet AlexNetVGGGoogLeNetResNet산업에 성공적으로 적용된 최초의 ConvNet이미지를 입력으로 받아서 stride = 1인 5x5 필터를 거치고 몇 개의 Conv Layer와 pooling layer를 거친다.2012년에 나온 모델, 최초의 La
10.[CS231n] Lecture 10 | Recurrent Neural Networks 요약 정리
process sequences 종류Vanlilla Neural Networks의 한계는 고정된 크기의 vector를 입력으로 받아들이고 고정 크기의 vector를 출력한다는 점이다. RNN은 vector sequence에 대해 연산을 수행한다. RNN은 아래와 같은
11.[CS231n] Lecture 11 | Detection and Segmentation 요약 정리
목차Semantic SegmentationClassification + LocalizationObject DetectionR-CNNFast R-CNNFaster R-CNNSemantic Segmentation단점: cow 두 마리를 하나의 덩어리로 분류함이미지의 각 픽
12.[CS231n] Lecture 12 | Visualizing and Understanding 요약 정리
Visualizing - ConvNet 안에서는 어떤 일이 일어나고 있을까?시각화 실험 예시들Gradient AscentFeature InversionTexture SynthesisNeural Style Transfervisualizing이 중요한 이유:딥러닝이 잘 작
13.[CS231n] Lecture 13 | Generative Models 요약 정리
Unsupervised LearningGenerative ModelsPixelRNN and PixelCNNVariational Autoencoders (VAE)Autoencoders Generative Adversarial Networks (GAN)레이블 없이 학습 데
14.[CS231n] Lecture 14 | Deep Reinforcement Learning 요약 정리
Reinforcement LearningMarkov Decision Processes Q - Learning Policy Gradientsagent와 environment와 상호작용하며 보상을 최대화하는 방향으로 학습하는 방법론.agent: action을 취할 수 있는