티스토리

거대고슴도치

검색하기

블로그 홈

거대고슴도치

gomduribo.tistory.com/m

gomduribo 님의 블로그입니다.

구독자: 1

방명록 방문하기

주요 글 목록

[Paper Review] Grounded Language-Image Pre-training(GLIP) 논문 정리 NT 컴퓨터비전 스터디에서 이번주에는 Grounded Language-Image Pre-training(GLIP) 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. Abstract - 본 논문은 grounded language-image pre-training(GLIP)을 제안 - GLIP은 object detection과 pretraining을 위한 phrase grounding을 통합, 이것은 두가지 장점이 있음 1) GLIP이 object detection과 grounding data로 부터 두 task를 모두 개선하도록 학습을 함 2) GLIP은 grounding box를 만들면서 image-text 쌍을 만들수있음 - GLIP은 2천7백만개의 이미지-텍스트 쌍 데이터로 학습 - 다양한 객체.. 공감수 0 댓글수 0 2023. 11. 14.
[Paper Review] Learning Open-vocabulary Semantic Segmentation Models From Natural Language Supervision 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 Learning Open-vocabulary Semantic Segmentation ModelsFrom Natural Language Supervision 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. **2023.11.06 기준 내용 추가/보강 예정.. Abstract - 논문에서는 open-vocabulary semantic segmentation(OVS)의 문제에 대해서 고찰함 *OVS: 미리 정해진 카테고리 이외에 무작위 카테고리의 객체를 segmentation하는 task 1. 논문에서는 OVSegmentor라고 불리는 transformer에 기반한 OVS 모델을 제안 -> OVSegmentor는 웹에서 크롤링한 image-text 쌍을 사전학습하.. 공감수 0 댓글수 1 2023. 11. 6.
[Paper Review] GRES: Generalized Referring Expression Segmentation 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 GRES 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. Abstract - Referring Expression Segmentation (RES)는 자연어로 묘사된 객체에 대한 segmentation mask를 생성함 - 현재 RES의 데이터셋과 방법론은 단일 표현 - 단일 객체를 지원하기에 그 사용이 제한됨 - 논문에서 제시하는 GRES는 기존의 RES를 확장하여 여러개 또는 0개의 객체의 수에 대해서도 사용이 가능함 - 다수의 객체,0개의 객체, 단일 객체 expression을 포함하는 gRefCOCO 데이터셋을 구축 - GRES를 구축하는데 가장 큰 어려움은 complex relation modeling 이였음 - 위와 같은 문제를 이미지를 sub-i.. 공감수 1 댓글수 1 2023. 10. 31.
[Paper Review] Character Region Awareness for Text Detection(CRAFT) 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 CRAFT 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. Abstract - Scene text detection task를 수행할때, 각 글자를 rigid word-level bounding box로 잡는것은 다양한 모양의 글자를 잡아내는데 한계가 존재 - 논문에서는 각 글자와 그 관련성(affinity) 을 탐지하는 새로운 Scene text detection 방법을 제시 - 각 글자의 annotation의 부족을 해결하기 위해서, 합성된 이미지에서의 글자의 annotation과 실제 이미지에서의 중간학습된 이미지로 얻어진 글자의 ground truth를 사용 - 글자간의 관련성(affinity)을 예측하기 위해서 모델 새로운 representation.. 공감수 0 댓글수 0 2023. 10. 19.
[Paper Review] PIX2SEQ: A Language Modeling Framework for Object Detection 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 Pix2Seq 논문을 정리하기로 했다. 논문: https://arxiv.org/pdf/2109.10852.pdf Abstract - 논문에서는 간단하고 범용적인 객체탐지 프레임워크인 Pix2Seq모델 제안 - 신경망이 객체가 무엇이고, 어디에 있는지 안다면, 어떻게 그것을 읽는지만 알려준다면 객체탐지가 가능할 것 - task-specific data augmentations을 사용하는것 이상으로, 이러한 접근법은 task에 대한 가정을 최소화하면서, COCO 데이터셋에서 타 객체탐지 알고리즘에 비해서 좋은 성능을 보임 Introduction - 기존의 object detection은 pre-defined된 카테고리의 객체들의 위치를 찾고 인지하는것을 목적으로함 - .. 공감수 1 댓글수 1 2023. 9. 18.
[Paper Review] Swin Transformer: Hierarchical Vision Transformer using Shifted Windows 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 Swin Transformer 논문을 정리하기로 했다. 논문: https://arxiv.org/pdf/2103.14030.pdf Abstract - 논문에서는 새로운 vision분야에 접목된 Transformer로써 Swin Transformer를 제시 - 기존에 자연어분야에서 쓰이던 Transformer가 컴퓨터 비전분야에 접목되는데에는 이미지 내에서의 큰 패턴변화나 텍스트에 비교했을때 많은량의 픽셀수 같은 어려움이 존재 - 논문에서 Shifted window를 통해 연산이 진행되는 계층적(hierarchical) Transformer를 제안 - Swin Transformer가 사용하는 계층적 구조는 self-attention 연산을 하면서 효율성과 다양한 이미지.. 공감수 0 댓글수 0 2023. 9. 8.
[Paper Review] Learning Transferable Visual Models From Natural Language Supervision(CLIP) 논문 정리 이번학기 TNT에서도 컴퓨터 비전팀으로 참여하게 되었다. 첫주차에는 CLIP논문을 리뷰해서 발표를 진행하기로 했다. **틀린내용 다수 존재합니다. ** representation learning 어떤 모델이 어떤 task인지에 따라서 input feature로부터 new feature(new representation)을 출력하게 됩니다. 이렇게 입력으로부터 new representation을 뽑도록 학습하는것을 representation learning이라고 합니다. 예를 들자면 CNN이 어떤 이미지를 분류한다고 했을때, 중간의 convolutional layer들은 최종단의 linear classifier가 이미지를 잘 분류할 수 있도록 feature vector를 잘 representation해주는.. 공감수 2 댓글수 1 2023. 9. 3.
[Kaggle Projects] I’m Something of a Painter Myself (1): CycleGAN 논문 https://www.kaggle.com/competitions/gan-getting-started/overview I’m Something of a Painter Myself | Kaggle www.kaggle.com GAN 개념에 대해서 공부하고 GAN을 활용한 간단한 프로젝트를 해보면 좋을거같아서, 캐글에서 이미지를 Monet 스타일로 바꿔주는 문제를 풀어보기로 했다. 찾아보니 StyleGAN, CycleGAN등 여러방법이 있는거같았는데, GAN에 익숙하지 않고, 캐글 문제 설명에서 제시해준 CycleGAN을 이용해서 풀어보기로 했다. 논문을 먼저 읽어보고 이해하고, 완벽하게는 아니더라도 직접 구현해서, 공식 github과 비교해보기로 했다. * 논문정리가 익숙하지 않아서 길고 장확하고, 번역투가 .. 공감수 1 댓글수 0 2023. 8. 28.
[Algorithms] 백준 2667번: 단지번호붙이기 BFS로 문제를 해결했다. 앞서 DFS를 풀면서, BFS도 같이 공부한것이 도움이 되었다. from collections import deque dx = [0, 0, 1, -1] dy = [1, -1, 0, 0] def bfs(graph, a, b): n = len(graph) queue = deque() queue.append((a, b)) graph[a][b] = 0 count = 1 while queue: x, y = queue.popleft() for i in range(4): nx = x + dx[i] ny = y + dy[i] if nx = n or ny = n: continue if graph[nx][ny] == 1: graph[nx][ny] = 0 q.. 공감수 0 댓글수 0 2023. 8. 21.
[NLP] 자연어처리 기초부터 Attention까지: seq2seq *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. 기계번역, 음성인식 과 같이 시계열데이터를 또 다른 시계열 데이터로 변환해야하는 task들이 있습니다. 책에서는 이처럼입력과 출력이 시계열데이터인 문제를 해결하는 모델로 seq2seq(sequence to sequence)를 소개하고 있습니다. seq2seq seq2seq은 Encoder-Decoder 모델로 불리기도합니다. 예를 들어 위와 같이 '나는 고양이로소이다'라는 문장을 'I am a cat'이라는 문장으로 번역을 한다고 했을때, Encoder는 밑의 그림과 같이 LSTM(뿐만아니라 다른 모델로도 가능)으로 시계열데이터인 '나는 고양이로소이다'라는 문장을 .. 공감수 0 댓글수 0 2023. 8. 19.
[NLP] 자연어처리 기초부터 Attention까지: LSTM *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. RNN은 BPTT에서 기울기 소실 또는 기울기 폭발이 일어나기 때문에, 시계열 데이터의 장기 의존 관계를 학습하기 어렵습니다. 이러한 문제를 해결하기 위해서 등장한 것이 RNN에 게이트를 추가한 LSTM과 GRU입니다. 책에서는 chap6에서 LSTM에 대해서 소개하고 있습니다. LSTM LSTM에는 RNN과 다르게 c라는 경로가 있습니다. 이것을 기억 셀(memory cell)이라고 합니다. 은닉상태에 해당하는 ht는 기억셀 ct에 tanh를 적용한 값입니다. output 게이트 tanh(ct)의 값에 해당하는 ht의 출력을 담당하는 게이트를 output게이트라고.. 공감수 0 댓글수 1 2023. 8. 19.
[NLP] 자연어처리 기초부터 Attention까지: RNN *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. word2vec모델인 CBOW모델은 맥락안의 단어의 순서가 무시되기 때문에, 시계열 데이터에 적합하지 않습니다. 책에서는 chap5에서 RNN에 대해서 소개합니다. RNN(Recurrent Neural Network) RNN은 순환하는 경로가 있는것이 특징입니다. 위의 그림은 RNN계층을 나타낸 사진입니다. RNN은 xt를 입력으로 받는데, 이것은 시각 t 에서의 시계열데이터(문장이라면 각 단어의 분산표현)를 나타냅니다. 위의 순환경로를 가지는 RNN을 펼쳐서 나타내게 된다면 다음과 같을 것입니다. 위의 그림에서 보면 각 RNN계층은 해당계층의 시간에 해당하는 데이.. 공감수 0 댓글수 0 2023. 8. 18.
[NLP] 자연어처리 기초부터 Attention까지: word2vec(2) *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. 이전 챕터에서 소개했던 word2vec에는 두가지 문제가 존재합니다. 첫번째로는, 어휘수가 많아지면 그것을 표현하는 각 단어의 원핫 벡터의 길이가 길어지게 됩니다. 그렇게 된다면 Win행렬과 원핫벡터의 연산에서 계산량이 많아지게 됩니다. 두번째로는, Wout과 은닉벡터의 연산에서도 계산량이 많아지게 되어 softmax계층에서 병목현상이 발생하게 됩니다. chap4에서는 이러한 word2vec의 문제를 개선하는 2가지 방법에 대해서 소개합니다. Embedding 계층 Win과 입력층의 원핫 벡터의 연산은 단순히 단어의 분산 표현을 나타내는 Win행렬에서 특정 행을 추.. 공감수 0 댓글수 0 2023. 8. 17.
[NLP] 자연어처리 기초부터 Attention까지: word2vec *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. word2vec을 설명하기 전에 책에서는 '통계 기반 기법'으로 말뭉치로부터 단어에서 동시발생 행렬을 만들고, PPMI 행렬로 변환한다. 말뭉치가 커지면 행렬의 열의 길이가 길어지기에 SVD를 이용한 차원감소 기법을 소개하였습니다. 블로그에는 chap3에 해당하는 word2vec 부분부터 정리를 하기로 하였습니다. word2vec 단어를 벡터로 표현하는 방법에는 책의 전 장에서 소개했던 '통계 기반 기법'과 다른 기법으로 '추론 기반 기법'이 존재합니다. 추론 기반 기법은 밑의 사진과 같이 주변 단어의 맥락을 이용해 ?에 어떤 단어가 들어가는지 추측하는 기법입니다... 공감수 0 댓글수 0 2023. 8. 17.
[Algorithms] 백준 2467번: 용액 배열의 양쪽 끝에서 start와 end 포인터를 두고 while문을 돌면서 찾는 코드로 해결하였다. import sys input=sys.stdin.readline N=int(input()) nums=list(map(int,input().split(' '))) start,end=0,len(nums)-1 record=[abs(nums[start]+nums[end]),0,len(nums)-1] while start 공감수 0 댓글수 0 2023. 8. 15.
[Algorithms] 백준 1966번: 프린터 초기에 주어진 문서리스트를 (문서의 리스트인덱스, 문서 중요도)의 튜플로 만들고 문제를 해결했다. import sys input=sys.stdin.readline T=int(input()) for _ in range(T): num_doc,doc_to_know=map(int,input().split(" ")) imp_list=list(map(int,input().split(" "))) imp_seq_list=[] for i in range(num_doc): imp_seq_list.append((i,imp_list[i])) doc_impt=imp_seq_list[doc_to_know] print_doc='' cnt=0 while print_doc!=doc_impt: if imp_seq_list[0][1] <.. 공감수 0 댓글수 0 2023. 8. 14.
[Algorithms] 백준 1874번: 스택 수열 처음에 이해하기 힘든 문제였다.. 1->2->3->4->5->6->7->8 순으로 빈스택(init_stack)에 넣으면서 삭제하고, 빈 스택(init_stack)은 순서대로 받은 것을 뱉어서 수열(final_string) 생성하는것으로 이해를 하고 문제를 풀었다. num_n = int(input()) main_stack=[] src=1 result=[] FLAG=1 for i in range(num_n): seq_num=int(input()) while src 공감수 0 댓글수 0 2023. 8. 14.
[Algorithms] 백준 1406번: 에디터 백준 1406번은 간단한 에디터를 구현하는 문제였다. 처음에는 배열과 스택 하나만으로 해결하려고 했는데, 잘 안되어서 구글링해서 해결했다. 두개의 스택을 이용해서 커서와 같이 구현을 해놓은 코드를 이용했다. import sys stack_l = list(input()) stack_r = [] n = int(input()) for i in range(n): command = sys.stdin.readline().split() if command[0] == "L" and stack_l: stack_r.append(stack_l.pop()) elif command[0] == "D" and stack_r: stack_l.append(stack_r.pop()) elif command[0] == "B" and st.. 공감수 0 댓글수 0 2023. 8. 13.
[Algorithms] 백준 1012번: 유기농 배추 이번에 현대엔지비에서 하는 softeer 준비를 하느라 백준에서 여러문제를 풀어보기 시작했다. 백준 1012번 같은 경우는 BFS로 문제를 풀었다. import sys input=sys.stdin.readline dx=[0,0,1,-1] dy=[1,-1,0,0] def BFS(graph,i,j): # print("BFS CALLED") queue=[] queue.append((i,j)) graph[i][j]=0 count=1 while queue: x,y=queue.pop(0) for j in range(4): nx=x+dx[j] ny=y+dy[j] if nx=len(graph) or ny=len(graph[0]): continue if graph[nx][ny]==1: count=count+1 graph.. 공감수 0 댓글수 0 2023. 8. 13.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 합성곱 신경망(CNN) 인턴하는 회사에서 진행하는 세미나 8주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 7 - 합성곱 신경망 부분을 정리해 보고자 합니다. 합성곱 신경망(CNN) 이전까지 책에서 소개했던 신경망은 인접하는 계층의 모든 뉴런들이 서로 연결되어 있었습니다. 이를 Fully-connected layer 혹은 Affine 계층이라고 불렀습니다. 기존 FC layer로 이뤄진 네트워크는 다음과 같은 구조를 가지고 있었습니다. 이번장에서 소개할 CNN으로 이뤄진 네트워크는 다음과 같이 Convolution 층과 Pooling 이 추가 됩니다. 또한 마지막 출력단에 가까운 층에서는 FC layer를 사용하는 모습을 흔히 확인할 수 있습니다. 모든 뉴런들이 완전히 연결되어 있는 FC layer의 문제점은 데이터의.. 공감수 0 댓글수 0 2023. 5. 20.
[Kaggle Projects] Sartorius - Cell Instance Segmentation : Unet으로 해결해보기 캐글에서 Segmentation task를 찾아서 풀어보기로 했고, Cell Instance Segmentation task을 선택했습니다. https://www.kaggle.com/competitions/sartorius-cell-instance-segmentation/data Sartorius - Cell Instance Segmentation | Kaggle www.kaggle.com Github : https://github.com/gomduribo/SartoriusCellProj GitHub - gomduribo/SartoriusCellProj Contribute to gomduribo/SartoriusCellProj development by creating an account on GitHu.. 공감수 0 댓글수 0 2023. 5. 17.
프로젝트 카테고리를 만들며 보호되어 있는 글입니다. 공감수 0 댓글수 0 2023. 5. 4.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 학습 관련 기술들(1) 인턴하는 회사에서 진행하는 세미나 7주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 6 - 학습 관련 기술들 부분을 정리해 보고자합니다. 매개변수 갱신 신경망 학습의 목적, 즉 손실함수의 값을 최소화하는 매개변수값을 찾는것을 최적화(optimization)이라고 합니다. 심층 신경망에서는 매개변수의 수가 무수히 많고, 그 매개변수 공간에서 손실함수의 최소값을 만들어 내는 매개변수의 지점을 찾기란 굉장히 어렵습니다. 이전 단원에서는 매개변수에 대한 손실함수의 미분값을 도출해서 점점 최적의 값에 다가갔고, 이것을 확률적 경사 하강법(SGD)라고 소개한 바 있습니다. 책에서는 SGD를 먼저 소개하고, SGD 이외의 다른 최적화 기법을 소개하고 있습니다. 확률적 경사 하강법(SGD) SGD는 위와같은 .. 공감수 0 댓글수 0 2023. 5. 1.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 오차역전파법 인턴하는 회사에서 진행하는 세미나 6주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 5 - 오차역전파법 부분을 정리해 보고자합니다. 이전 장에서는 신경망의 가중치 매개변수에 대한 손실 함수의 기울기를 구하기 위해 수치미분을 이용했습니다. 다만 이것은 연산시간이 많이 걸립니다. 따라서 오차역전파법(back propagation)이 등장합니다. 계산그래프를 이용한 역전파의 예를 살펴본다면 다음 그림과 같을 것입니다. 이처럼 신호 E에 국소적 미분값을 곱한후 다음 노드로 전달하는 것입니다. 이것이 역전파의 계산방식인데, 이러한 방식으로 어떻게 미분값을 효율적으로 구하는지 알려면 연쇄법칙을 알아야합니다. 연쇄법칙 만약 z=(x+y)^2라는 합성함수가 있다고 한다면 z=t^2 그리고 t=x+y라는 두 식.. 공감수 0 댓글수 0 2023. 4. 22.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 미분과 경사하강법 인턴하는 회사에서 진행하는 세미나 5주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 4.3 - 수치미분 부분을 정리해 보고자합니다. 미분(differentiation) 미분은 한순간의 변화량을 표시한 것입니다. 위의 식은 함수의 f(x)라는 함수의 미분식을 나타낸것입니다. 즉, x의 작은 변화가 f(x)를 얼마나 변화시키느냐입니다. 하지만 위의 그림처럼 '진정한 미분'과 '수치 미분'의 값은 다릅니다. 수치미분은 위에서 처럼 h와 같은 아주 작은 차분으로 미분하는것을 의미하는데요, 이 h를 무한히 0으로 좁히는것은 불가능하기 때문에 수치미분과 진정한 미분값에는 차이가 있다고 책에서 설명합니다. 편미분 다음과 같이 변수가 2개인 함수를 그래프로 그려본다면 밑의 그래프와 같을 것입니다. 만약 위와 .. 공감수 0 댓글수 0 2023. 4. 15.
[Paper Review] U-Net 논문 정리와 구현 ** 틀린 개념/구현 다수 딥러닝 스터디에서 U-Net도 하기로 했었는데 너무너무 게으름 피워서 이번 중간고사 휴회기간에 하게 되었다.. 할게 산더미지만 하나를 해도 꼼꼼히 리뷰하고 구현! 까지 해보자.. U-Net 논문링크 https://arxiv.org/pdf/1505.04597.pdf 1. Introduction 도입부에서 저자는 CNN이 긴 시간동안 존재했음에도, 모델의 크기와 사용가능한 training set의 크기의 한계로 더 나아가지 못했다고 말합니다. 그러면서 CNN은 output으로 이미지에 한 label을 부여하는 classification에 주로 사용되어 왔지만, 의료분야 이미지 처리에서는 이미지의 각 픽셀에 label을 부여하는 것이 선호된다고 말합니다. 그러면 이 논문에서 이미지의.. 공감수 0 댓글수 0 2023. 4. 10.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 신경망 학습 인턴하는 회사에서 진행하는 세미나 4주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 4단원-신경망 학습 부분을 정리해 보고자합니다. 이번 단원의 주제는 신경망의 학습입니다. 퍼셉트론과 다르게 신경망의 학습은 훈련데이터로부터 가중치 매개변수의 최적값을 자동으로 획득하는것입니다. 학습의 목표는 신경망이 학습의 지표로 삼는 손실함수의 결과값을 가장 작게 만드는 가중치 매개변수를 찾는것 입니다. 데이터 주도 학습 기계학습에서는 사람의 개입을 최소화하고 수집한 데이터로부터 패턴을 찾으려 시도합니다. 데이터로 주어진 이미지에서 특징을 추출하고, 그 특징의 패턴을 기계학습 기술로 학습하는것입니다. 컴퓨터 비전 분야에서는 SIFT, SURF, HOG같은 특징을 사용하여, 이미지 데이터를 벡터로 변환하고 이 벡.. 공감수 0 댓글수 0 2023. 4. 8.
[모두의 네트워크] 네트워크 계층: 목적지에 데이터 전달하기 길벗에서 나온 모두의 네트워크 책을 공부하고 개인적으로 정리하는 내용입니다. 네트워크 수업을 아직 듣지 않았고, 책에 있는 내용을 단순 정리하는것이라 틀린내용이 다수 있습니다. 네트워크 간의 연결구조 다른 네트워크에 있는 목적지로 데이터를 전달하려면 OSI모델의 네트워크 계층의 기술이 필요로 합니다. 이전 게시물에서는 데이터 링크계층에서 어떻게 LAN에서 데이터를 주고받는지 공부했습니다. 데이터 링크 계층에서는 이더넷 규칙을 기반으로 데이터의 전송을 담당했는데요, 이더넷으로는 같은 네트워크에 있는 컴퓨터로는 데이터를 전송할 수 있지만, 다른 네트워크나 인터넷으로는 전송할 수 없습니다. 이렇게 네트워크간의 통신을 가능하게 하는것이 네트워크 계층의 역할이고, 다른 네트워크로 데이터를 전송하려면 라우터(rou.. 공감수 0 댓글수 0 2023. 4. 2.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 신경망(2) 인턴하는 회사에서 진행하는 세미나 3주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 3단원-다차원 배열 부분을 정리해 보고자합니다. 다차원 배열 2차원 배열은 행렬( matrix) 라고 부르고, 배열의 가로를 행, 세로 방향을 열이라고 합니다. 행렬의 곱 행렬의 곱은 다음과 같이 진행하면 됩니다. 왼쪽 행렬의 행과 오른쪽 행렬의 열을 원소별로 곱하고 더해줍니다. 다만 여기서 조심해줘야할것은 곱하는 두 행렬의 차원입니다. 이를테면 A행렬과 B행렬을 곱해준다고 하면, A행렬의 열 수와 B행렬의 행 수가 일치해야합니다. 신경망에서의 행렬곱 그렇다면 신경망에서의 행렬곱에 대해서 생각해 보겠습니다. 다음과같이 x1과 x2가 입력값(1x2) 이고 2x3짜리 가중치 행렬이 있다면 두 행렬의 곱은 1x3의 차.. 공감수 0 댓글수 0 2023. 4. 1.
[모두의 네트워크] 데이터 링크 계층: 랜에서 데이터 전송하기 길벗에서 나온 모두의 네트워크 책을 공부하고 개인적으로 정리하는 내용입니다. 네트워크 수업을 아직 듣지 않았고, 책에 있는 내용을 단순 정리하는것이라 틀린내용이 다수 있습니다. 이더넷 LAN에서 데이터를 주고 받으려면 OSI모델에서 데이터 링크 계층의 기술이 필요합니다. 데이터 링크 계층에서는 네트워크 장비간에 신호를 주고받는 규칙을 정하는데요, 그 규칙중 가장 많이 사용되는것이 이더넷(Ethernet)이라고 합니다. 이전 단원을 소개한 글에서 말했지만 허브는 일그러진 전기신호를 복원하고 약해진 신호를 증폭하는 역할을 하고, 어떤 포트에서 전달받은 전기신호를 나머지 포트에 전달한다고 했는데요, 이더넷은 허브와 같은 장비에 연결된 컴퓨터와 데이터를 주고받을때 사용합니다. 이러한 이더넷에는 더미 허브에서 목.. 공감수 0 댓글수 0 2023. 3. 28.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.