CS231n

본 포스팅은 CS231n의 3강 Loss Functions and Optimization을 정리한 내용입니다. $f(x,W)$를 거쳐 나온 결과는 label갯수만큼의 점수를 가지며 이중 가장 점수가 높은 것을 결과로 출력한다. 여기서 $x$는 정해진 값이므로 결과는 $W$의 값에 따라 달라진다. 즉, 좋은 $W$를 찾는것이 최종 목적이라 할 수 있다. 이 때 현재 $W$가 좋은 값인지, 얼마나 잘못되었는지 정량화하여 알려주는것이 Loss function이다. 손실함수의 역할 : 현재 $W$가 얼마나 좋은지, 나쁜지 정량화 $$ L= 1/N\sum_{i}^{}L_{i}(f(x_{i},W),y_{i}) $$ 각각의 label에 대해 loss를 구한다($L_{i}$) 이후 평군을 내 최종 $loss(L)$을 ..

본 포스팅은 CS231n의 2강 Image Classification을 정리한 내용입니다. 우리가 이미지의 색, 형태 등을 보고 물체가 무엇인지 구분한다. 하지만 컴퓨터에 실제로 입력되는것은 가로,세로, 채널 갯수만큼의 픽셀값이며 이는 작은 변화(고양이가 움직임, 일부가 가려짐, 빛의 변화 등)에도 전혀 다른 값으로 인식할 수 있다. 또한 한 이미지에 고양이가 여러마리 있거나, 다른 동물이 같이 있는 경우도 있을 것이다. 우리의 뇌는 이런 복잡한 상황에서도 분류를 잘 하지만 컴퓨터는 그렇지 못하다. 그렇기에 이를 인식하기 위한 여러 알고리즘이 고안되었다. Nearest Neightbor classifier(NN) 매우 단순한 알고리즘으로, 공간을 나눠 각 레이블로 분류하는 알고리즘이다. train 과정에..