2018_08

차이

문서의 선택한 두 판 사이의 차이를 보여줍니다.

차이 보기로 링크

--- 2018_08 [2018/08/14 06:58]
ehmoon
+++ 2018_08 [2018/08/16 07:54]
ehmoon
@@ 줄 282: / 줄 282: @@
 텐서플로에서 제공하는 mnist 데이터 이용하여 image classification 실습해봄.
+\\
+\\
+\\
+===== 15일 수요일 =====
+공휴일
+\\
+\\
+\\
+===== 16일 목요일 =====
+[Study]
+모두를 위한 머신러닝 lecture 8. 딥러닝의 기본 개념 lecture 9. MNL과 Backpropagation
+본격적인 Deep Learning 부분에 접어 듬. 학부 및 석사 수업시간에 배울때보다 훨씬 깊이
+들어가서 이해하는데 시간이 걸렸지만 원론적으로 따라가다보니 이런 내용이었구나 신기함을
+느낌. 요약하자면, 기존의 머신러닝 및 뉴런을 사용한 러닝 기법들은 단층 Layer를 사용했었는데,
+이 방법은 선형 모델을 따르기때문에 XOR같은 비선형 문제는 해결하지 못함.
+그래서 해결책으로 제시된 방법이 다층 Layer를 설계하는 것.
+근데 이 역시도 문제가 있는게, 기존의 단층 Layer 모델에서는 신경망의 가중치를 학습시킬때
+cost function을 minimal 하게 optimization 하는 방향으로 일종의 learning 을 진행해
+나갔었는데 다층 신경망이 되니, 각각의 perceptron에서의 미분 값 (즉, 각각의 perceptron들의
+가중치가 최종 output에 얼마나 영향을 끼치는지의 정도)를 구하는데에는 막대한 계산량이 필요함.
+이유는 각 layer의 노드들끼리 input과 output이 연결되있는 구조 탓에 미분 값을 구하려면
+chain rull에 의해 이전 cost function의 결과 값을 알아야 하기 때문.
+그러나 이 한계를 가능하게 한 이론이 등장했는데, (사실 가능하게 했다기 보다는 약간의 규칙을
+발견했고, 알고보니 생각보다 계산량이 적었다고 표현해야 올바름) 그것이 그 유명한
+Backpropagation 알고리즘. 이름 그대로 각 Layer의 가중치 값들을 역전파 시키면서 갱신해나가는
+방법. 이 방법은 뒤로 돌아올때 이미 계산해 놓은 미분값을 다음 뉴런에서 바로 이용할 수 있으므로
+chain rull의 한계를 교묘하게 넘어갈 수 있음.
+아무튼 이런 이론적인 바탕아래, Deep Learning이 가능해졌고, 비선형 문제들도 학습할 수 있는
+신경망이 구현 가능해짐.
+내일부터는 DNN 관련 코딩 실습해보고 나머지 진도 진행해야 함.

2018_08.txt · 마지막으로 수정됨: 2021/04/13 06:54 (바깥 편집)