๋ณธ๋ฌธ ๋ฐ”๋กœ๊ฐ€๊ธฐ

728x90

filter

4/14 ๋ชฉ ๋ชฉ์š”์ผ! ์˜ค๋Š˜์€ CNN์„ ์‹ค์ œ ์ฝ”๋“œ๋กœ ๊ตฌํ˜„ํ•ด๋ณธ๋‹ค! ์ด๋ฏธ์ง€ ํ•œ ์žฅ : 2์ฐจ์›(X, T) → Convolution Layer :: Feature Map : 2์ฐจ์› ์—ฌ๋Ÿฌ ๊ฐœ → Activation Map : 3์ฐจ์› → X ๋ฐ์ดํ„ฐ(์ด๋ฏธ์ง€ ์ •๋ณด. ์ด๋ฏธ์ง€ ๊ฐœ์ˆ˜, ์„ธ๋กœ, ๊ฐ€๋กœ, Channel) : 4์ฐจ์› Data โ–ถ conv : ํŠน์ง•์„ ๋ฝ‘์•„๋‚ธ ์ด๋ฏธ์ง€๊ฐ€ ์—ฌ๋Ÿฌ ์žฅ์ด ๋˜๋„๋ก ๋ฐ˜๋ณต ์ž‘์—…(์ด๋ฏธ์ง€ ๊ฐœ์ˆ˜, Feature Map ์„ธ๋กœ, Feature Map ๊ฐ€๋กœ, filter์˜ ๊ฐœ์ˆ˜) โ–ถ Pooling Layer :: conv ์ž‘์—…์„ ๊ฑฐ์นœ ์—ฌ๋Ÿฌ ์žฅ์˜ ๋ฐ์ดํ„ฐ ์‚ฌ์ด์ฆˆ๋ฅผ ์ค„์ž„ โ–ถ conv :: Pooling Layer๋ฅผ ๊ฑฐ์นœ ๋ฐ์ดํ„ฐ์˜ ํŠน์ง•์„ ๋˜ ๋ฝ‘์•„๋ƒ„ โ–ถ FLATTEN :: 4์ฐจ์› → 2์ฐจ์›(batch size ํฌํ•จํ•  ๋•Œ) 1. Cha.. ๋”๋ณด๊ธฐ
4/13 ์ˆ˜ ์ˆ˜์š”์ผ! CNN(Convolutional Neural Network, convnet. ํ•ฉ์„ฑ๊ณฑ ์‹ ๊ฒฝ๋ง)์œผ๋กœ ๋“ค์–ด๊ฐ„๋‹ค! Deep Learning(Deep Neural Network)์˜ ์ข…๋ฅ˜ : - Computer Vision : ์ปดํ“จํ„ฐ๊ฐ€ ์ด๋ฏธ์ง€๋‚˜ ๋น„๋””์˜ค๋ฅผ ๋ณด๊ณ  ์—ฌ๋Ÿฌ ๊ฐ์ฒด๋ฅผ ์‹๋ณ„ํ•˜๊ณ  ํŒŒ์•…ํ•  ์ˆ˜ ์žˆ๋„๋ก ์ง€์›ํ•˜๋Š” Computer Science ๋ถ„์•ผ. ๋Œ€ํ‘œ์ ์ธ ์•Œ๊ณ ๋ฆฌ์ฆ˜์€ CNN. ๋ชฉ์ ์€ pixel์„ ์ดํ•ดํ•˜๋Š” ๋ฐฉ๋ฒ•์„ ๊ณ ์•ˆํ•˜๋Š” ๊ฒƒ - NLP(Natural Language Process) : ์ž์—ฐ์–ด ์ฒ˜๋ฆฌ. ๋Œ€ํ‘œ์ ์ธ ์•Œ๊ณ ๋ฆฌ์ฆ˜์€ RNN, LSTM ์ด๋ฏธ์ง€๋ฅผ ์ด๋ฃจ๋Š” ๊ฐ€์žฅ ์ž‘์€ ๋‹จ์œ„ → pixel ์ด๋ฏธ์ง€ ์ขŒํ‘œ๊ณ„ (Image coordinate) - 2์ฐจ์› ndarray๋กœ ํ‘œํ˜„ - pixel (์„ธ๋กœ, ๊ฐ€๋กœ) 1. ์ด๋ฏธ์ง€ ์ฒ˜๋ฆฌ(Im.. ๋”๋ณด๊ธฐ

728x90