시각화는 plt 라이브러리 내의 figure라는 도화지에 그리게 된다. 여러 그림을 그릴 수 있는데 ax 라는 subplot을 생성하여 지정하게 된다. import matplotlib.pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(1, 2, 1) # 전체 도화지가 1행 2열, 그 중 1번째에 그림을 그려라. ax2 = fig.add_subplot(1, 2, 2) plt.show 데이터 추가하기 fig = plt.figure() x1 = [1, 2, 3] x2 = [3, 2, 1] ax1 = fig.add_subplot(2,1,1) ax2 = fig.add_subplot(2,1,2) ax1.plot(x1) ax2.plot(x2) plt.show() 같은 ..

데이터 시각화 : 데이터를 그래픽 요소로 매핑하여 시각적으로 표현하는 것 - 데이터 - 그래픽 요소 - 매핑 - 시각적으로 표현 데이터 종류 - 수치형 데이터 : 연속형, 이산형 - 범주형 데이터 : 명목형, 순서형

What Generative Model do? - we want to learn a probability distribution p(x) 28 x 28 image 생성 시 - 각 pixel이 서로 연관이 있기 때문에 경우의 수는 2**28, 이때 필요한 파라미터는 2**28 -1 개 - p(x)를 알기 위해서는 2**28-1개만 알면 나머지 하나는 총 확률 합=1 에 의해 자동적으로 알게 되므로. Independence - 각 pixel이 독립이라고 가정한다면? 경우의수는 2**28, 하지만 필요한 파라미터는 n개. - 서로 독립시행이기 때문에 파라미터 개수를 엄청나게 줄일 수 있다. - 하지만 그만큼 표현력이 줄어드는 것도 사실. 그리고 28x28 image에서 각 pixel은 연관성이 있는것도 사실...

sequential modeling probelm - input과 output 길이가 달라야할 수 있다. 예를 들면 한국어 - 영어 번역같은 경우. - 심지어 input과 output시 적용될 domain이 다를 수 있음. Transformer : stack of encoders and decoders - encoder : self-attention layer + Feed Forward Neural Network layer attention layer : output을 생성 시 하나의 input만 고려하는것이 아니라 sequence의 모든 input을 고려함. - query, key, value parameter matrix를 사용. 1. input word(=query matrix를 이용하여 query..

RNN problem : Short / Long term dependency(Vanishing gradient) Thus, LSTM use input gate, forget gate, output gate - forget gate : 과거를 요약하여 담은 정보. GRU : simpler LSTM - no cell state, just hidden state self. rnn = nn.LSTM(input_size=self.xdim, hidden_size=self.hdim, num_layers=self.n_layers, batch_first=True) self.linear = nn.Linear(self.hdim, self.ydim) LSTM의 gate는 사실상 linear function이라 파라미터가 생각..

Semantic Segmentation - 이미지 분할 기법 : 일부 영역은 자전거, 일부 영역은 사람 등 영역을 분할하기. - 자율주행에서 사용함. Fully Convolutional Network(FCN) : Dense layer 없애고 Convolution으로 대체. - 그냥 flatten 과정만 없앤 것. 파라미터 개수는 똑같다. - 고양인지 아닌지 분류 출력에서 어느 위치에 고양이가 존재하는지 heatmap 출력으로 바뀐다. YOLO : bounding box and class probabilities.