sujin's 개발 로그

에셋 카탈로그 -xcode에서 프로젝트를 처음 생성하면 자동으로 만들어지는 Assets.xcassets 폴더에서 애플리케이션에 사용될 다양한 에셋을 관리합니다. -에셋과 다양한 디바이스의 속성에 대한 파일의 연결(mapping)을 통해 애플리케이션 리소스(이미지, 음악 파일 등)에 쉽게 접근할 수 있도록 도와줍니다. 에셋 카탈로그 구성 -Groups: 그룹은 한 개 이상의 또 다른 그룹이나 에셋을 가질 수 있습니다. -Assets: 에셋은 한 가지 타입의 관련된 속성과 파일들의 집합을 나타냅니다. -Asset name: 에셋에 접근하기 위해 개발자가 정의한 문자열입니다. -Asset files: 선택한 에셋의 데이터 파일 또는 리소스입니다. -Attributes: 선택한 그룹, 에셋, 그리고 에셋 파일의..

1. LocalDate & LocalTime LocalDate: 적용 기간 LocalTime: 적용 시간 LocalDateTime: 적용 기간 및 시간 //적용 기간 @Convert(converter=LocalDateConverter.class) private LocalDate startDate; @Convert(converter=LocalDateConverter.class) private LocalDate endDate; //적용 시간 @Column(columnDefinition="TIME") @Convert(converter=LocalTimeConverter.class) private LocalTime startTime; @Column(columnDefinition="TIME") @Convert(co..

XOR 문제 딥러닝으로 풀기 one logistic regression unit: XOR 문제를 해결할 수 없습니다. multiple logistic regression units -XOR 문제를 해결 가능합니다. -그러나 복잡한 네트워크가 들어가있는 각각의 weight과 bias의 학습이 불가능합니다. Neural Net 구성해보기 Forward propagation 다른 조합의 모델도 찾아보기! NN K=tf.sigmoid(tf.matmul(X, W1)+b1) hypothesis=tf.sigmoid(tf.matmul(K, W2)+b2) 그렇다면 training data로부터 W1, W2, B1, b2 값을 어떻게 알아낼 수 있을까? cost 값을 최소화하기 위해서는 시작점에서 차례대로 미분 값을 구하..

Stack 축을 설정해주면 stack을 다양하게 이용할 수 있습니다. x=[1, 4] y=[2, 5] z=[3, 6] tf.stack([x, y, z]).eval() ->array([[1, 4], [2, 5], [3, 6]], dtype=int32) tf.stack([x, y, z], axis=1).eval() ->array([[1, 2, 3], [4, 5, 6]], dtype=int32) Ones and Zeros like ones_like: 요소를 전부 1로 만들어줍니다. zeros_like: 요소를 전부 0으로 만들어줍니다. x=[[0, 1, 2], [2, 1, 0]] tf.ones_like(x).eval() ->array([[1, 1, 1], [1, 1, 1]], dtype=int32) tf.ze..

다차원 배열 1차원 배열: x축만을 갖는 배열로, 벡터의 각 요소는 그 자체가 row입니다. 2차원 배열: x축과 y축을 갖는 배열로, depth가 1이라고 할 수 있습니다. 3차원 배열: x축, y축, z축을 모두 갖는 배열로, 각 컬럼은 벡터 형태를 가지며 이러한 벡터를 depth로 표현합니다. 4차원 이상의 배열: z축의 depth 요소가 스칼라가 아니라 벡터 이상의 자료형을 갖습니다. Numpy의 Sum 함수 작동 방식 arr=np.arrange(0, 32) len(arr) ->32 arr ->array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29..

Activation Functions x라는 값이 들어오면 w(weight: 가중치)를 곱해주고, 그 값들을 전부 더한 다음 b(bias)를 더해줍니다. activation function: 앞에서 구한 값이 특정한 값을 넘어가면 '1'이라는 신호를 주고, 특정한 값보다 작으면 '0'이라는 신호를 줍니다. AND/OR problem & XOR problem Linear separable? AND와 OR 둘 다 linear separable 합니다. 그러나 XOR은 linear separable 하지 않습니다. MLP를 이용한 XOR 여러 개의 MLP를 이어붙이면 XOR를 linear하게 사용할 수 있습니다. 그러나 아무도 각각의 w와 b를 학습시킬 수 없다고 주장하였습니다. Backpropagation(..

머신러닝에서 데이터의 형태 스칼라(Scala): 0차원 텐서 배열(Arrary): 1차원 텐서 행렬(Matrix): 2차원 텐서 텐서(Tensor): N차원 텐서 Shape -요소를 구분하는 구조 -데이터가 어떤 형태를 보이는지 설명하는 방식으로, Shape을 통해서 몇 개의 데이터가 어떤 구조로 구조화되어 있는지 파악이 가능 -텐서: 배열을 구성하는 요소를 구분하는 구조를 만들고, 그 곳에 요소를 할당한 것 Shape 예시 분류 설명 Sample (8, ) 1차원 텐서 배열 형태로 8개의 요소로 구성되어 있습니다. [1, 2, 3, 4, 5, 6, 7, 8] (2, 4) 2차원 텐서 두 개의 그룹으로 나누고, 각 그룹은 4개의 요소를 가지고 있는 구조입니다. [[1, 2, 3, 4], [5, 6, 7,..

epoch -one epoch = forward pass(순방향 패스) + backward pass(역방향 패스) -전체 데이터 셋에 대해 학습을 한 번 완료한 상태 -forward pass: 파라미터를 사용하여 입력부터 출력까지의 각 계층의 weight을 계산하는 과정을 거치는 것 -backward pass: forward pass를 반대로 거슬러 올라가며 다시 한 번 계산 과정을 거쳐 기존의 weight을 수정하는 것 batch size -batch: forward/backward pass를 한 번 거치는 과정 -batch size: 한 번의 batch마다 주는 데이터 샘플의 size iteration -epoch를 나누어 실행하는 횟수

Optimizer loss function을 통해 구한 차이를 이용해 기울기를 구하고, network의 parameter(W, b)를 학습에 어떻게 반영할 것인지 결정하는 방법 Optimizer의 종류 Gradient Descent(GD) -1회 학습 step시에 현재 모델의 모든 data에 대해서 예측 값에 대한 loss 미분을 learning rate만큼 보정해서 반영하는 방법 -gradient의 반대 방향으로 일정 크기만큼 이동해내는 것을 반복하여 Loss function의 값을 최소화하는 $\theta$의 값을 찾음 optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(cost) Stochastic Gradient De..

categorial_crossentropy(다중 분류 손실 함수) -출력 값이 one-hot coding된 결과로 나옴->label(y)을 one-hot encoding해서 넣어주어야 합니다 -클래스가 상호 배타적일 경우 사용->각 샘플이 정확히 하나의 클래스에 속하는 경우 sparse_categorial_crossentropy(다중 분류 손실 함수) -integer type 클래스->one-hot encoding하지 않고 정수 형태로 label(y)을 넣어줍니다 -한 샘플에 여러 클래스가 있거나 label이 soft 확률일 경우 사용 binary_crossentropy -binary 다중 분류 손실 함수 -label들이 독립적일 때 사용