가중치4 34번째 이야기 - 합성곱, 커널, 입력 이미지, 가중합, 합성곱층 ● 일단 위 그림에서 합성곱 연산의 식을 보고, 왜 저런 계산이 나왔는지를 이해해보시면 좋습니다.● 다음글에서 이어서 마저 살펴보도록 하죠! ● 합성곱 필터(커널)는 입력 이미지 위를 이동하면서 입력 이미지 전체를 커버합니다. 이 과정에서 입력 이미지가 여러번 중첩되므로, 수용 범위가 넓어진다는 장점이 있습니다. ● 어쨌든, 커널이 한번 움직일 때마다 픽셀 단위로 가중합이 계산되어 필터 중심에 해당하는 픽셀의 새로운 값이 결정됩니다. 이런 식으로 특징 맵이 만들어지게 됩니다. ● 기억합시다. 합성곱층은 합성곱 연산을 통해 이미지 데이터의 특징 학습이 일어나는 곳입니다. 이미지 특징 학습의 결과물이 바로 특징 맵이고, 이 특징 맵을 기반으로 전결합층에서 시험 데이터에 대해 '분류' 작업을 시행합니다... 2024. 6. 2. 30번째 이야기 - 오토인코더, autoencoder, 경사하강법, 평균제곱오차, mse ● 이번에는 이미지에 대한 잠재 공간을 생성하는 오토 인코더(AutoEncoder)에 대해 살펴봅시다. ● 오토 인코더의 구조는 아주 간단합니다. 입력 그대로를 출력하는 딥러닝 모델입니다. 우리는 여기서 은닉층을 주목할 필요가 있습니다. ● 여기서의 은닉층의 노드 수는 입력 값의 노드 수보다 적습니다. 즉, 한정된 은닉층을 갖기에 정보를 압축할 수밖에 없습니다. 병목(Bottleneck)이라고 불리는 이 곳에서 생성되는 벡터는 이미지 잠재 공간을 형성합니다. 즉, 워드투벡에서와 같이 계산을 가능하게 합니다. ● 사람의 얼굴에서 웃음끼를 -1, -2, -3 할 수 있으며, 역으로 더할 수도 있습니다. 아래와 같이 잠재 공간에서는 이미지 모핑 작업을 할 수도 있게 됩니다. ● 잠재공간을 정리해봅시다. 한마디.. 2022. 11. 21. 26번째 이야기 - 순방향 계산, 손실함수, 오차에 대한 가중치, 기호주의 위의 그림과 같이 순방향으로 입력값과 각각의 가중치들을 곱하여 더한 가중합을 계산합니다. ● 가중합에 바이어스(편향)를(편향) 더하여 준 값을 활성화 함수에 통과시켜 얻은 예측 값을 얻습니다. ● 그런 다음, 손실 함수라는 것을 통해 예측 값과 실제 값의 차이인 오차를 얻습니다. ● 발생한 오차에 따라 가중치(=볼륨 손잡이)를 조절합니다. ● 이러한 1~3의 과정을 계속해서 반복합니다. 이것이 퍼셉트론의 학습 메커니즘입니다.. ● 여기서 노버트 위너가 말한 '피드백'은 무엇일까요? 네, 바로 손실 함수를 통해 얻은 오차 값의 전달일 것입니다. 그 피드백을 받았기 때문에 가중치 조정의 과정인 '학습'을 할 수 있었습니다. ● 퍼셉트론에서의 학습은 적정한 가중치의 값을 찾는 데 있습니다. ● 여기서 적정한 .. 2022. 11. 4. 25번째 이야기 - 퍼셉트론, 가중치, 가중합, 바이어스, 활성화 함수 ● 모든 지식은 연결에 있다. ● 사람의 뇌의 작동방식과 학습에 대한 관심과 연구는 자연스레 인간의 학습을 따라 하고 모방하는 기계를 연구하는 인공지능 분야에 있어서 강력한 영향을 미칩니다. ● 기존의 추상적 표현과 논리적인 수식, 기호로 대표되는 기호주의가 초기 인공지능을 이끌었다면, ● 뇌에 대한 관심과 연구는 본격적인 연결주의의 시작으로 이어집니다. ● 연결주의의 본격적인 포문을 연 사람은 바로 프랭크 로젠블랏이었습니다. ● 그는 최초의 신경망인 퍼셉트론(1958)을 세상에 발표합니다. ● 여기 어지러운 선들이 이렇게 연결되어 있는 이 하드웨어가 바로 퍼셉트론의 모습입니다. ● 보통 퍼셉트론이 원리로만 존재한다 생각하는데, 이렇게 물리적인 형태이자 기계로 구현해 냈다는 점이 놀랍습니다. ● 그런 점.. 2022. 11. 4. 이전 1 다음
