Hippo's data

딥러닝 모델을 학습할 때, 학습 단위 용어가 항상 헷갈린다.... 뭔가 단어도 비슷비슷하다... 그래서 각각의 학습단위 용어들에 대해 간략하게 정리해보았따! (헷갈릴때마다 봐야겠담) 딥러닝 모델을 학습시킬 때 데이터를 어떻게 쪼개고 넣느냐에 따라 부르는 명칭이 다르다전체 데이터가 1000개인 상황을 가정하고 각 용어의 의미를 확인해보자! 학습단위 용어1. 풀 배치 (Full Batch) 개념: 나누는 과정 없이 전체 데이터셋을 한 번에 모두 모델에 넣어 학습예시: 1000개의 데이터를 하나로 묶어 통째로 학습2. 미니 배치 (Mini Batch) = 배치 batch 개념: 전체 데이터셋을 여러 개의 작은 묶음으로 분할 (컴퓨터 메모리 한계 등) 예시: 전체 1000개의 데이터를 10개의 묶음으로 분할..

딥러닝의 기반이 되는 신경망 구조를 보면 많은 뉴런 neuron (퍼셉트론 perceptron)들이 연결되어 있는 구조를 이루는데욥 이러한 각각의 뉴런에는 다음 뉴런으로 정보 전달여부를 결정하는 활성화함수(activation function)이 존재합니다이러한 활성화함수에는 다양한 종류가 존재하는데요오늘은 특히 2진분류(binary)의 활성화 함수로 linear regression 보다 logistic regression 함수가 선호되는 이유와 logstic 함수에서 최적의 파라미터(매개변수)를 찾는 방법에 대해 알아보겠습니다!! 총 2가지 part로 나뉘는데요part1 -> Linear regression보다 Logistic regression 함수가 선호되는 이유part2 -> logistic 함수..

오늘은 DNN, CNN에 이어 딥러닝 모델 중 하나인 RNN(Recurrent Neural Network) 순환 신경망을 구현해보도록 하겠습니다 RNN은 입출력을 시퀀스(sequence) 단위로 처리하는 모델인데요 즉, 순서가 있는 문제에 주로 사용되는데요 시계열 처리, 자연어 처리 / 이미지 주석생성, 언어모델링, 음성인식 등에 주로 활용됩니다 DNN에 비해 hidden layer를 위와 옆(두방향)으로 이어진다는 것이 큰 특징입니다 one to many -> 사진 설명 붙이기 many to one -> 감성분류(Positive / negative) many to many -> 번역 ## RNN 문제점 -> 기울기 소실(Gradient Vanishing) -> 역전파시 Gradient가 점점 줄어들어 ..

오늘은 지난번 DNN(Deep Neural Network) 심층 신경망에 이어 딥러닝 모델 중 하나인 CNN(Convolutional Neural Network) 합성곱 신경망을 구현해보도록 하겠습니다 특히 CNN은 이미지 처리에 강세를 보이는 모델인데요 ### DNN은 2차원 형태 이미지를 1차원 형태 나열해서(flatten) 처리하므로 정보 소실을 발생하기 때문에 적합하지 않음 # CNN의 구조 두 영역으로 구분됨 1. 이미지 특징 추출(feature Learning) 영역 + 2. 클래스 분류(classification) 영역 1. 이미지 특징 추출(feature Learning) 영역 -> Convolution Layer + Pooling Layer Convolution Layer -> Convo..

오늘은 딥러닝 모델 중 하나인 DNN(Deep Neural Network) 심층 신경망 모델 구현에 대해 알아보겠습니다! 머신러닝 모델 구현시 사이킷런(scikit-learn)을 사용한 것처럼 딥러닝 또한 라이브러리를 통해 쉽게 구현할 수 있습니다 딥러닝 구현 라이브러리에는 케라스, 텐서플로우, 파이토치 등 여러 종류가 있는데요 그중 텐서플로우(tensorflow)를 활용하여 구현해보도록 하겠습니다!!! 1) 불러오기 2) 모델 생성 3) 모델 학습 1) 불러오기 import tensorflow as tf from tensorflow.keras.models import Sequential # 순차적인 틀을 만듦 / 틀에 레이어들을 채움 from tensorflow.keras.layers import De..