More actions
No edit summary |
(Repair batch-0005 pages from live compare) |
||
| (3 intermediate revisions by 3 users not shown) | |||
| Line 1: | Line 1: | ||
[[머신러닝스터디/2016]] | |||
[[머신러닝스터디/2016/목차]] | |||
== 내용 == | == 내용 == | ||
* [https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2%20-%20Basic%20Classifiers/logistic_regression.py Logistic Regression(Binary Regression)] | * [https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2%20-%20Basic%20Classifiers/logistic_regression.py Logistic Regression(Binary Regression)] | ||
| Line 5: | Line 6: | ||
https://upload.wikimedia.org/math/8/e/a/8ea0a810cfcd0c3dfec49306e214e301.png | https://upload.wikimedia.org/math/8/e/a/8ea0a810cfcd0c3dfec49306e214e301.png | ||
* Softmax | * Softmax | ||
** exponential을 쓴다. | ** exponential을 쓴다. | ||
** 항상 양의 값을 가지며 단조 증가한다는 특징을 | ** 아래는 Tensorflow API 정의 | ||
softmax[i, j] = exp(logits[i, j]) / sum(exp(logits[i])) | |||
** exponential은 항상 양의 값을 가지며 단조 증가한다는 특징을 가지기 때문에 확률 계산에 적합하다. | |||
* None | * None | ||
** TensorFlow에서 지원하는 기능 | ** TensorFlow에서 지원하는 기능 | ||
| Line 19: | Line 23: | ||
* [[서지혜]]: softmax의 정의를 오늘 처음 보고 멘붕했다. Sigmoid에 집착하고 있었다. | * [[서지혜]]: softmax의 정의를 오늘 처음 보고 멘붕했다. Sigmoid에 집착하고 있었다. | ||
* [[강민승]]: Matrix의 형태(행, 열)가 어떻게 변하는지를 이용해 연산의 흐름을 잡는게 중요하다고 들었으나 아직 머릿속에서 정리가 잘 안된다. | * [[강민승]]: Matrix의 형태(행, 열)가 어떻게 변하는지를 이용해 연산의 흐름을 잡는게 중요하다고 들었으나 아직 머릿속에서 정리가 잘 안된다. | ||
* [[유재범]] : 행렬 연산 설명을 들어서 비교적 설명이 빠르게 이해가 되었다. 그러나 아무리 봐도 예시 코드 없이 코딩 하는건 힘들어 보인다(...) | |||
== 다음 시간에는 == | == 다음 시간에는 == | ||
* Logistic Regression Live Coding? | * Logistic Regression Live Coding? | ||
| Line 25: | Line 30: | ||
------- | ------- | ||
[[활동지도/2016]], [[머신러닝스터디/2016]] | [[활동지도/2016]], [[머신러닝스터디/2016]] | ||
Latest revision as of 00:44, 27 March 2026
내용
https://upload.wikimedia.org/math/8/e/a/8ea0a810cfcd0c3dfec49306e214e301.png
- Softmax
- exponential을 쓴다.
- 아래는 Tensorflow API 정의
softmax[i, j] = exp(logits[i, j]) / sum(exp(logits[i]))
- exponential은 항상 양의 값을 가지며 단조 증가한다는 특징을 가지기 때문에 확률 계산에 적합하다.
- None
- TensorFlow에서 지원하는 기능
- 예를 들어 784,00개의 데이터를 넣어주면 자동으로 행렬이 100 * 784로 형성된다.
- TensorFlow에서는 행렬과 백터의 합이 지원이 된다.
- 정확히는 m*n 크기의 행렬 A에 n*1의 백터 B를 더하면 m개의 행에 각각 백터 B가 더해진다.
- TensorFlow API
- 가장 중요한 것은 graph의 shape
후기
다음 시간에는
- Logistic Regression Live Coding?