Worth spreading

안녕하세요! 지난 시간에 뉴럴넷을 만들기 위한 첫번째 레고블럭인 선형분류기(linear classifier)를 배웠습니다. 선형분류기는 '파라미터적 접근법(parametric approach)'을 이용한다고 했습니다. 학습데이터를 summarize한 값을 파라미터(W) 값에 반영시킨다고 했죠. 우리의 선형분류기는 매우 심플했습니다. [32x32x3] 크기의 이미지를 입력받아서 한줄로 된 행렬(혹은 벡터)로 쭈욱 펴줬습니다( [32x32x3] -> [3072 x 1] )그리고 W([10 x 3072])를 기다란 벡터([3072x1]) dot product해서 각 클래스의 점수에 해당하는 10개의 숫자(score)가 나오도록 만들었습니다.그리고 여기서 나온 숫자들은 각 카테고리가 정답이 될 확률을 나타낸다고..

지난 시간에 이어 이번 시간에는 선형분류기(linear classifier)에 대해서 배워보겠습니다.선형분류기는 이미지 분류문제에 있어 KNN보다 좀 더 강력한 접근법입니다.또한 이 선형분류기를 이용해 더 복잡한 딥러닝 알고리즘(CNN,RNN)등으로 확장해 나갈 것입니다. 선형분류기는 딥러닝에서 가장 기본적인 applicaition 중 하나입니다.우리가 앞으로 구성할 딥러닝 구조를 체내의 신경망구조와 비슷하다고 해서 신경망(Neural net)이라 부르기도 하는데요, 이 뉴럴넷의 재료가 될 수 있는 것들 중 하나가 바로 선형분류기입니다. 신경망을 구성한다는 것은 레고를 조립하는 것에 비유할 수 있습니다. 즉, 우리가 배울 CNN, RNN등 각각의 독립적인 딥러닝 구조들을 우리가 원하는대로 레고처럼 이어 ..