Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
Tags
- google_ml_kit
- loss function
- 응원가
- 고려대학교 응원가
- 알고리즘
- optimization
- 앱
- 국방오픈소스아카데미
- KUsic
- 이미지 분류
- K-nearest neighbor
- 더보기창
- 다익스트라
- Dijkstra
- 해커톤
- 고려대학교
- text recognition
- CS231n
- 앱 개발
- Firebase
- flutter
- 뮤직플레이어
- linear classifier
- 백준
- 고연전
- OSAM
- 앱 출시
- image_picker
- image classification
- ModalBottomSheet
Archives
- Today
- Total
목록loss function (1)
영주머니의 개발주머니
[cs231n 강의 정리] Linear Classification, Loss function, Optimization
Linear Classifier Input image는 크기가 32*32 픽셀이고 한 픽셀은 RGB값으로 표현되므로 32*32*3의 배열로 표현된다. f(x, W)에서 x가 input data이고 W는 weight(parameter)이다. 이러한 parametic한 접근의 경우 학습 과정에서 학습 데이터들을 가장 잘 요약하는 W 값을 값을 찾는 것을 목표로 한다. 학습을 마치고 최적의 W 값을 얻으면 더 이상 학습 데이터를 기억하지 않아도 된다. 이는 이전의 KNN 방식에서 모든 학습 데이터를 계속 기억하고 있던 것과 비교된다. Parametic한 접근 방식에서는 학습으로 얻은 W의 값만 testing에 사용되므로 더 효율적이다. f는 x와 W의 관계를 나타내는 함수로 다양한 형태가 있을 수 있다. 그 ..
cs231n
2023. 7. 10. 03:38