밑바닥부터 시작하는 딥러닝1
1.[DL] AND / NAND / OR 가중치 편향 구현
밑바닥부터 시작하는 딥러닝1 책을 공부하면서 (개인 책이 아니기 때문에) 메모할 내용들을 여기에 적기위해서 작성 내용은 퍼셉트론(2장) 부분을 공부 중에 있음w1, w2라고 하는 가중치는 각 입력 신호가 결과에 주는 영향력(중요도)을 조절하는 매개변수뉴런이 얼마나 쉽게
2.[DL] 퍼셉트론 간단 정리
chaper 2까지의 정리 (p.62)퍼셉트론은 입출력을 갖춘 알고리즘이다. 입력을 주면 정해진 규칙에 따른 값을 출력한다.퍼셉트론에서는 '가중치'와 '편향'을 매개변수로 설정한다.퍼셉트론으로 AND, OR 게이트 등의 논리 회로를 표현할 수 있다.XOR 게이트는 단층
3.[DL] 활성함수(Activation Function)
입력 신호의 총합을 출력 신호로 변환하는 함수즉, 이름 그대로 활성화 함수는 입력 신호의 총합이 활성화를 일으키는지를 정하는 역할을 한다.$h(x) = \\frac{1}{1+e^{-x}}$위 식은 sigmoid를 식으로 나타낸 식이다.$h(x) = \\begin{cas
4.[DL] sigmoid vs step function
이전 내용 참고https://velog.io/@u_jinju/DL-활성함수앞선에 작성했던 sigmoid와 step function 의 차이를 알아보려한다.제일 큰 것은 '매끄러움'의 차이.sigmoid는 곡선을 띄는 방면, step function은 각이져있다
5.[DL] ReLU 함수
ReLU는 최근에 주로 사용하게 된 활성함수의 하나!입력이 0이 넘으면 그 입력을 그대로 출력하고, 0이하면 0을 출력하는 함수이다.(sigmoid는 신경망 분야에서 오래전부터 이용했던 함수)수식은 다음과 같이 나타낼 수 있다.$h(x) = \\begin{cases}
6.[DL] 다차원 배열의 계산
다차원 배열도 그 기본은 '숫자의 집합'차원의 수는 np.ndim()함수로 알 수 있고, 배열의 ㅎ여상은 인스턴스 변수인 shape으로 알 수 있다. 1차원 배열에서 shape이 튜플로 반환하는 것은 다차원 배열일 때와 통일된 형태로 결과를 반환하기 위한 것임을 기억!
7.[DL] 3층 신경망 구현하기
위 그림에서처럼 가중치와 은닉층 뉴런의 오른쪽 위에는 (1)이 붙어있다. 이는 1층의 가중치, 1층의 뉴런임을 뜻한다.가중치의 오른쪽 아래의 두 숫자는 차례로 다음 층 뉴런과 앞 층 뉴런의 인덱스 번호이다.$w^{(1)}\_{1 \\ 2}$ 의 의미는 앞층의 2번
8.[DL] 항등함수와 소프트맥스 함수 구현하기
항등함수는 입력을 그대로 출력한다. 입력과 출력이 항상 같다는 뜻의 항등이다.분류에서 사용하는 소프트맥스 함수의 식은 다음과 같다.exp(x): 지수함수n: 출력층의 뉴런 수$y_k$: 그 중 k번째 출력분자는 입력신호 $a_k$의 지수함수, 분모는 모든 입력 신호의
9.[DL] 손글씨 숫자 인식
이번에는 이미 학습된 매개변수를 사용하여 학습 과정을 생략하고, 추론 과정만 구현이 추론 과정을 신경망의 순전파(forward propagation)이라고도 한다.MINIST 데이터셋은 손글씨 숫자 이미지 집합으로, 기계학습 분야세어 유명한 데이터셋이다. 0부터 9까지
10.[DL] 손글씨 숫자 인식 from dataset.mnist import load_mnist 해결
오잉.. 책 따라서 코드 실행시켜보면 부모디렉토리를 못찾길래 절대경로로 해줬더니너무 잘된다.만약 같은 에러가 난다면 절대경로로 하십쇼 !아! 그리고 코드저장소는 밑바닥부터 시작하는 딥러닝 github 여기에 있다.