본문 바로가기
728x90
반응형
SMALL

분류 전체보기1626

[PyTorch] 모델 파라미터 최적화 모델 파라미터 최적화 import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets from torchvision.transforms import ToTensor import matplotlib.pyplot as plt import matplotlib.cm as cm import numpy as np import os # 트레이닝 데이터셋 다운 training_data = datasets.FashionMNIST( root="data", train=True, download=True, transform=ToTensor() ) # 테스트 데이터셋 다운 test_data = data.. 2022. 11. 21.
[Android Studio] 하단 네비게이션 (Bottom Navigation) 하단 내비게이션 (Bottom Navigation) 하단 탭으로 화면을 이동할 수 있는 기능을 구현할 수 있다. xml : menu_bottom android:enabled="true"를 false로 하면 비활성화로 변경하는 것이다. xml : main BottomNavigationView : 하단 탭을 보여주는 위젯 하단에 표시될 수 있도록 layout_constraintBottom_toBottomOf를 설정해줌 itemBackground : 각 탭의 배경색 itemColorTint : 아이콘 색상 itemTextColor : 텍스트 색상 menu : menu 디렉토리에서 만들었던 xml 파일로 설정 xml : bottom_navigation_color 선택 여부 (selected)에 따라 원하는 아이.. 2022. 11. 18.
[ANN] 신경망 구현 단층 신경망 import numpy as np inputs = np.array([0.5, -0.3]) weights = np.array([0.4, 0.6]) bias = -0.5 y = sigmoid(np.dot(inputs, weights.T) + bias) print(y) 다층 신경망 inputs = [1.0, 0.5] # 1x2 행렬 w1 = np.array([[0.1, 0.2, 0.3], [0.2, 0.3, 0.4]]) # 2x3 행렬 b1 = np.array([0.2, 0.3, 0.4]) # 3개 노드 w2 = np.array([[0.1, 0.2], [0.3, 0.2], [0.3, 0.4]]) # 3x2행렬 b2 = np.array([0.1, 0.2]) # 2개 노드 w3 = np.array([.. 2022. 11. 17.
[Deep Learning] 활성화 함수 구현 Sigmoid import numpy as np def sigmoid(x): return 1/(1+np.exp(-x)) sigmoid(4) 0.9820137900379085 import matplotlib.pyplot as plt x = np.arange(-10, 10, 0.01) y = sigmoid(x) plt.plot(x, y) ReLU def relu(x): return np.maximum(0, x) x = np.arange(-10, 10, 0.01) y = relu(x) plt.plot(x, y) Softmax def origin_softmax(x): f_x = np.exp(x) / np.sum(np.exp(x)) return f_x x = np.array([1.3, 5.1, 2.2, 0.7, .. 2022. 11. 17.
[PyTorch] 패션 MNIST 패션 MNIST import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets from torchvision.transforms import ToTensor import matplotlib.pyplot as plt import matplotlib.cm as cm import numpy as np import os # 트레이닝 데이터셋 다운로드 training_data = datasets.FashionMNIST( root="data", train=True, download=True, transform=ToTensor() ) # 테스트 데이터셋 다운로드 test_data = dat.. 2022. 11. 17.
[Machine Learning] 이상 탐지 (Anomaly Detection) 이상 탐지 (Anomaly Detection) 변칙은 데이터 세트의 예상된 패턴에서 예상치 못한 변화 또는 편차이다. 이상 탐지는 이상 징후가 예상과 다르게 발생하고 있음을 보여주기 때문에 비정상적인 동작을 경고하는 데 사용된다. 이상 징후가 반드시 좋거나 나쁜 것은 아니지만, 기업은 패턴의 단절에 대해 알아야 조치를 취할 필요가 있는지 여부를 평가할 수 있다. 기업은 일상적인 운영 중에 수백만 개의 데이터 포인트를 생성하지만, 그 중요한 정보의 대부분은 사용되지 않고 잊혀진다. 이러한 이유로 비즈니스 세계에서 이상 탐지 기능이 점점 더 부각되고 있다. 즉, 운영을 최적화하고 프로세스를 간소화하여 보다 예측 가능한 미래를 실현하는 것이다. Anomalies와 Outliers의 차이 많은 비즈니스 사용자들.. 2022. 11. 17.
[Java] 오늘 기준 요일 구하기 오늘 기준 월요일 구하기 public static String getCurMonday(){ java.text.SimpleDateFormat formatter = new java.text.SimpleDateFormat("yyyy.MM.dd"); Calendar c = Calendar.getInstance(); c.set(Calendar.DAY_OF_WEEK,Calendar.MONDAY); return formatter.format(c.getTime()); } 오늘 기준 일요일 구하기 public static String getCurSunday(){ java.text.SimpleDateFormat formatter = new java.text.SimpleDateFormat("yyyy.MM.dd"); Cale.. 2022. 11. 15.
[Machine Learning] 오토인코더 (Autoencoder) 오토인코더 (Autoencoder) 오토인코더는 인코더를 통해 입력을 신호로 변환한 다음 다시 디코더를 통해 레이블 따위를 만들어내는 비지도 학습기법이다. 다시 말해, 오토인코더는 고차원의 정보를 압축해 주는 인코더와 압축된 정보를 다시 원래 정보로 돌려주는 디코더로 이루어져 있다. 원본 데이터에서 인코더를 거쳐 압축된 정보로 변환한 뒤, 다시 디코더를 거쳐 원본 데이터로 복구하는 작업을 한다. 오토인코더 모델은 인코더 - 디코더의 결합된 형태로 만들어진다. 나중에 디코더만 따로 분리하여 압축된 정보를 입력으로 주게 되면, 알아서 원본 이미지와 유사한 마치 Fake 이미지를 만들어 주도록 유도할 수도 있다. 오토인코더의 손실은 MNIST의 28 X 28 이미지 각각의 pixel 값에 대하여 원본과 디코딩.. 2022. 11. 11.
[Android Studio] Intent (인텐트)로 값 전달하기 Intent (인텐트)로 값 전달하기 MainActivity에서 다른 Activity로 간단한 자료형 (Int, String, Boolean 등)의 데이터를 intent에 포함하여 전달할 수 있다. 인텐트를 정의한 후에 putExtra를 통해 값을 담을 수 있다. java : MainActivity Intent intent = new Intent(this, SecondActivity.class); intent.putExtra("word", "string 전달"); intent.putExtra("number", 100); intent.putExtra("boolean", true); startActivity(intent); java : SecondActivity package com.example.myapp.. 2022. 11. 11.
[ANN] 퍼셉트론 연산 퍼셉트론 연산 import numpy as np grade = 10 test = 20 # 1x2 input0 = np.array([grade, test]) # 2x2 w1 = np.array( [[0.5, 0.12], [0.3, 0.4]]) # 2x1 w2 = np.array([[0.4], [0.5]]) result_0 = np.dot(input0, w1) result_1 = np.dot(result_0, w2) print('result_0:', result_0) print('result_1:', result_1) result_0: [11. 9.2] result_1: [9.] step 함수 (기본 활성화 함수) def step(h): return np.array(h >= 0, dtype = "int") .. 2022. 11. 10.
728x90
반응형
LIST

티스토리툴바