공부X공간

YoLov1 : 신경망 구성 1. 입력층 결과 : 448x448x3 해설 : (w, h, c) 입력층의 이미지 2. Conv층 결과 : 224x224x192 해설 : 3x7x7x64 필터(c, w, h, n)로 2 stride 적용하여 Convolution. 즉, 3 channel을 가진 7x7 필터를 64개 사용하여 Convolution 연산한 결과가 224x224x192 3. MaxPool층 결과 : 112x112x192 해설 : 즉, 2x2의 크기를 가진 윈도우로 2 stride 적용하여 MaxPool 연산한 결과가 112x112x192 4. Conv + MaxPool 결과 : 56x56x256 5. Conv층 여러개 + MaxPool 결과 : 28x28x512 해설 : GoogLeNet처럼 Con..

다중 로지스틱 회귀 신경망에서 편향은 주로 weight(가중치) 옆에 사용했습니다. 합성곱 신경망에서도 마찬가지로 weight들의 모임인 커널에 bias를 사용합니다. 합성곱 연산을 위 사진처럼 1차원으로 펼쳐 인공신경망으로 표현할 수 있습니다. 합성곱 연산에서 특성 맵은 커널이 입력 이미지에 각각 매핑되어 계산됩니다. 즉, 합성곱 연산에서 편향 계산은 커널들을 계산한 특성 맵의 모든 원소에 bias를 더하는 것으로 간략화할 수 있습니다. 만약 입력 이미지의 색상 채널이 흑백 단일이 아닌 여러 개라면, 커널도 여러 개를 사용합니다. 이때도 마찬가지로 bias를 여러 개 사용하면 됩니다. 출처 : 밑 사이트의 내용, 사진들을 편향을 설명하기 위해 사용 wikidocs.net/64066 위키독스 온라인 책을..

훈련 세트 : 모델 훈련(가중치 찾기)에 쓰이는 데이터 세트 테스트 세트 : 모델의 실제 정확도를 판별하기 위해 쓰이는 데이터 세트. 테스트 세트로 모델을 튜닝하면 모델이 테스트 세트의 정답을 외워버려, 모델의 일반화 성능이 왜곡되는 문제가 있다. 때문에 모델 튜닝용으로 사용하지 않는다. 전체 데이터 세트를 보통 8:2의 비율로 떼어 훈련 세트와 테스트 세트를 만든다. 모델 튜닝 : 손실 함수를 바꾸거나 LearningRate를 조정하는 등의 모델 성능을 늘리기 위해 하는 작업들 검증 세트(개발 세트, dev set) : 훈련 세트에서 보통 8:2의 비율로 떼어 사용하는 모델 튜닝 용도의 세트. 즉, 전체 데이터 세트가 100이면 64(훈련):20(테스트):16(검증)으로 나눈다. 하지만 훈련 세트가 적..

현실 손글씨 이미지셋 전처리(컬러 사진) : 1. 1 2 3 4 5 6 7 8 9 0 손글씨 숫자를 나열한 컬러 사진을 그레이스케일 사진으로 변환 2. 숫자가 나열된 종이 이외의 노이즈(책상 등)를 전단 변환(Crop)으로 제거 3. 완전히 흑백 사진으로 바이너리화 4. 3의 이미지를 보면 점이나 빛으로 인한 노이즈가 있다. 이것을 모폴로지 연산을 통해 제거 5. 노이즈를 제거한 이진화 이미지에 대해 외각선 검출 findContours()를 사용해 객체 외곽선 배열을 얻고, 외곽선 배열을 응용해 숫자들의 사각형 행렬을 받아옴 6. 5에서 만약 객체 숫자가 실제 숫자보다 많을 경우 일정 크기 이상의 객체만을 다시 검출 7. 객체들의 사각형 행렬을 외곽선 x, y좌표에 대해 오름차순으로 정렬하고, 32*32..

m.blog.naver.com/junhyuk7272/221252612128 7. ∑(시그마)의 뜻과 성질 7. ∑(시그마)의 뜻과 성질 (1) ∑(시그마)의 뜻∑는 합을 표현하기 위해 만들어진 수학적 기호입니다.수... blog.naver.com darkpgmr.tistory.com/45 미분 적분 제대로 알자 미분과 적분, 줄여서 미적분... 미적분이 중요하다고는 하지만 과연 얼마나 많은 이들이 미분 적분의 의미를 제대로 이해하면서 사용하고 있을지 모르겠다. 이 글은 미분 적분에 대한 가장 기본� darkpgmr.tistory.com