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] 인공지능을 위한 Deep Learning 준비(다차원 배열의 계산) - 3 이번에는 신경망에서 필요한 다차원 배열에 대해서 알아보겠습니다. ## 다차원 배열 숫자가 한 줄로 늘어선 것이나 직사각형으로 늘어 놓은 것, 3차원으로 늘어놓은 것, N차원으로 나열하는 것을 통틀어 다차원 배열이라고 합니다. ### 1. 다차원 배열을 구현해보겠습니다. import numpy as np a = np.array([1,2,3,4]) print(a) [1 2 3 4] # 배열의 차원 수 확인하기. np.ndim(a) 1 # shape는 튜플을 반환 a.shape (4,) a.shape[0] 4 b = np.array([[1,2],[3,4],[5,6]]) print(b) [[1 2] [..

# [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...