iammiori / ai_19_ss_class

학교 인공지능 1학기 수업 코드정리

AI_19_SS_CLASS

학교 인공지능 1학기 수업 코드정리

ai_19_ss_class's Issues

Binary classification

• Binary Label Encoding -> 0 / 1
• linear regression 쓰면, hypothesis 가 간단하지만, hypothesis는 1보다 크고, 보다 작을 수 있어.
• 하지만 우리는 0, 1 사이의 데이터 원해 => logistic

TERM PROJECT

궁금했던점 정리하는 곳

1. tf.Variable vs. tf.get_variable

• tf.Variable : 언제나 새로운 객체를 만들어 낸다.
• tf.get_variable : 이미 존재하는 객체를 매개변수로 받을 수 있다.
  : 새로운 변수를 생성하면, 변수는 initializer(shape) 값으로 초기화
  : tf.get_variable(name.shape,dtype,initializer)

hypothesis, cost, optimizer minimize

1. hypothesis

weight는 그래프의 각도 , b는 bias
y= wx+b

2. 비용 함수

우리가 구하고자 하는 그래프는 실제 값에서 그래프의 값까지의 차이가 가장 작은 값.

원래 예측한 값 차이 ) 측정값 - 그래프값
= >실제 측정한 값과 예측한 값의 차이가 최소가 되는 W,b 구하고자 하는 것.

=> n이 측정에 따라 여러개가 될수 있기에 평균을 사용

3. Optimizer

cost 함수의 최솟값을 찾는 알고리즘
=> gradient descent

평균제곱오차

CNN (Convolutional Neural Network)

1. Fully Connected (FC) layer 의 문제점

1-dimension 데이터만 입력받을 수 있다
ex) 32x32x3 image -> stretch to 3072x1
=> 말인 즉슨, 3-dimension 데이터를 flat 하게 해서 입력해야한다.
= > 결국 3-dimension 데이터의 공간적 정보가 소실되는 문제가 발생한다

1. 해결 = > CONV layer

shape 항상 유지, 공간적 정보 유지 가능

self check list

• 텐서플로우를 이용한 선형 회귀 문제 푸는 법
• 텐서플로우로 파일 로드 하는 법 확인하기
• 텐서플로우로 학습 모델 저장하는 법 확인하기
• 텐서플로우로 학습한 모델 로드하는 법 확인하기

Linear Regression

• 1. hypothesis
• 2. cost funcion
• 3. Gradinet descent
• 4. convex/non-convex

CNN - LaNet-5 model