PostIT

# [AI/Deep Learing] Deep Learning 준비하기 - MNIST Load Data - 5-1import sys, os sys.path.append(os.pardir) import numpy as np import pickle from dataset.mnist import load_mnist from common.functions import sigmoid, softmax def get_data(): (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False) return x_test, t_test def init_network(): with open("sample_w..

# [AI/Deep Learing] Deep Learning 준비하기 - MNIST DataSet - 5import sys, os sys.path.append(os.pardir) import numpy as np import pickle from dataset.mnist import load_mnist from common.functions import sigmoid, softmax from PIL import Image # MNIST 간단히 이미지 출력해보기. #파일 다운로드 # normalize : 0.0 ~ 1.0 사이로 정규화 할지 여부, Fasle = 0 ~ 255 # flatten : 1차원 배열로 만들지 여부 # one_hot_lable : 정답을 뜻하는 원소만 1, 나머지는 0으로 설정할지..

# [AI/Deep Learing] Deep Learning 준비하기 - 순방향 3층 신경망 구현 - 4 # 이번 절의 핵심은 신경망에서의 계산을 행렬계산으로 정리할 수 있다는 것입니다. import numpy as np # 입력층 ==> 1층 # x 입력 값, b1 편향(활성화 함수), w 가중치(12) x = np.array([1.0, 0.5]) w1 = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]]) b1 = np.array([0.1, 0.2, 0.3]) print(w1.shape) print(x.shape) print(b1.shape) (2, 3) (2,) (3,) a1 = np.dot(x, w1) + b1 # 시그모이드 함수 구현하기 def sigmoid(x): ..

# [AI/Deep Learing] 인공지능을 위한 Deep Learning 준비(신경망을 위한 시그모이드 함수 구현하기) - 2 1일차에서 퍼셉트론과 계단함수에 대해 알아봤습니다. 이번에는 계단함수와 시그모이드 함수를 비교해보겠습니다. 1일차 계단함수 ## 시그모이드 함수 구현하기import numpy as np import matplotlib.pylab as plt def sigmoid(x): return 1 / (1 + np.exp(-x)) x = np.array([-1.0, 1.0, 2.0]) sigmoid(x) array([ 0.26894142, 0.73105858, 0.88079708]) t = np.array([1.0,2.0,3.0]) 1.0 + t array([ 2., 3., 4.]) 1...