import os print(os.getcwd()) 현재 워킹디렉토리 출력!
본 내용은 deeplearning from scratch 를 공부하는 차원에서 정리한 것입니다! (다들 꼭 읽어보세요 입문자에게도, 정리하는 차워에서 읽는 분에게도 좋습니다.) Softmax 함수는 주로 출력층 activation function으로 사용됩니다.주의할 점이 있는데, 기본 softmax 함수는 모든 값들을 지수함수를 사용하여 받고 계산하기 때문에 쉽게 값이 커지게 됩니다.컴퓨터가 다루는 데이터 크기가 있는데, 너무 큰 값을 큰 값으로 나누는 형태는 불안정한 결과를 낳습니다. (계산을 하지 못하는 경우가 발생합니다. 이런 문제를 overflow라고 하죠. 컴퓨터가 다룰 수 있는 범위를 넘은 것입니다!) 때문에 사용하는 트릭! 바로 입력값 중 가장 큰 값을 입력값 전체에 빼준 후, 해당 값을 ..
A = numpy.array([ 1 , 2, 3 ]) : 1차원 -> numpy.shape(A) = (3, ) // A array의 dim 0 값은 3! # numpy array의 차원 인덱스는 0차원부터 시작한다! B = numpy.array([ [ 1 , 2 , 3 ] , [ 3 , 4 , 5 ] ]) : 2차원 행렬-> numpy.shape(B) = (2, 3) // B array의 dim 0 값은 2, dim 1 값은 3!
numpy 배열에 부등호 연산을 적용하면, BOOL 타입의 배열이 생성된다! e.g x = np.array([[ -1 , 1 ],[ 3 , -2 ]]) y = x > 0 (x array에서 0보다 큰 것!) y = array([ False , True ], [ True , False ]) def activation_step(x): y = x > 0 return y.astype( np.int ) //bool type y 받아 true는 1, false는 0 으로 변환하여 출력. //astype(원하는 자료형) 출처: deep learning form
cs231n assignment#1 CIFAR-10 data #Reshape the image data into rowsX_train = np.reshape(X_train, (X_train.shape[0], -1))X_test = np.reshape(X_test, (X_test.shape[0], -1)) print(X_train.shape, X_test.shape) //result: (5000, 3072) (500, 3072) basic form: np.reshape( data, (row, column)) data를 row * column form으로 reshape한다. 위 cs231n code에 의하면, CIFAR-10 Image data를 하나의 긴 vector form으로 바꿔 다루고자 numpy의..