목록Deep learning study (43)

iMTE

Neural Networks Part 3: Learning and Evaluation

Reference:http://cs231n.github.io/neural-networks-3/http://aikorea.org/cs231n/neural-networks-2-kr/(이번 section 내용은 100 % 번역이 위의 주소에 잘 되어 있다.) Learning이전 sections에서는 layer를 쌓고, layer의 units을 준비할지 (network connectivity), 데이터를 어떻게 준비하고, 어떤 손실 함수 (loss function)을 선택할지에 대해서 다루었다. 본 section에서는 parameter를 학습하고 좋은 hyper-parameter를 찾는 과정에서 다룰 예정이다. Gradient checksNumerical 방법으로 계산한 gradient과 Analytic 방법으..
Deep learning study/CS231n 2019. 3. 2. 13:21
Neural Networks Part 2: Setting up the Data and the Loss

Reference:http://cs231n.github.io/neural-networks-2/http://aikorea.org/cs231n/neural-networks-2-kr/ Setting up the data and the modelNeural network는 dot product와 non-linearity 연산을 sequentially 수행한다. Neural networks의 모델은 linear mapping을 non-linear transformation에 적용하는 과정이 연속적으로 진행한다. 이번 장에서는 data preprocessing, weight initialization, loss function을 다룬다. Data preprocessing데이터 행렬 X에 대해서 3가지 전처리 방버이..
Deep learning study/CS231n 2019. 3. 2. 10:59
Neural Networks Part 1: Setting up the Architecture

Reference:http://cs231n.github.io/neural-networks-1/http://aikorea.org/cs231n/neural-networks-1/ Introduction- Neural networks는 단순히 행렬 (matrix)와 벡터 (column vector)간의 연산으로 나타낼 수 있다. 예를 들어, W가 [10 x 3072], x가 [3072 x 1]의 크기를 갖고 있다면, (CIFAR-10 경우) 최종 출력 score (class와 연관된 점수)는 다음과 같이 표현될 수 있다.- - Neural network는 행렬 연산에 특정 non linear function을 적용하는 형태로 구성된다. 예를 들어, 다음과 같이 max 함수를 사용하는 단계를 추가하면, 2층 la..
Deep learning study/CS231n 2019. 3. 1. 21:35
Prev 1 2 3 4 5 Next