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 |
- DeepLearning
- 자바
- Github
- Python
- 함수
- Numpy
- Deep
- interface
- javascript
- SSH
- mysql
- Security
- framework
- data
- db
- 인공지능
- Linux
- LIST
- Spring
- Pattern
- learning
- error
- Analysis
- java
- git
- centos
- mariaDB
- Server
- Web
- ai
- Today
- Total
목록Python (13)
PostIT
Author : SeolHunGithub ShareJava-Example기본 문법자바 API알고리즘JPA(Hibernate), Spring다양한 것을 정리하고 있습니다.Python-Example기본 문법자바 API알고리즘Django, Flask(예정)다양한 것을 정리하고 있습니다.현재 개발자 모임에 개인적인 어려움이 많아, 이를 좀 더 쉽게 만들기 위한 Developer SNS Blog를 개인프로젝트로 만들고 있습니다. 현재 진행 중인 프로젝트 베타 이전까지는 블로그에 글을 최대한 적게 사용하려고 하고 있습니다. 그래도, 깃허브를 이용하여 해당 관련 내용들이나, 정보들을 매일매일 커밋하고 있으니 참고하실분들은 참고하고 같이 정보 공유하여 성장했으면 좋겠습니다.좋은 피드백 주시는 분들에게는 감사의 말씀을 ..
# [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): ..
# [Python/Data Analysis] Numpay - Universal Array Function - Day 7import numpy as np arr =np.arange(11)arr array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) np.sqrt(arr) array([ 0. , 1. , 1.41421356, 1.73205081, 2. , 2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. , 3.16227766]) A = np.random.randn(10)A array([-0.66405485, 0.28749254, 0.27305696, 0.22232217, 0.8804781 , 1.01018702, -0.15188718, -0.7..
# [Python/Data Analysis] Numpay - Array Tranposition 사용하기 - Day 6import numpy as np arr = np.arange(50).reshape((10,5)) arr array([[ 0, 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, 32, 33, 34], [35, 36, 37, 38, 39], [40, 41, 42, 43, 44], [45, 46, 47, 48, 49]]) arr.T array([[ 0, 5, 10, 15, 20, 25, 30, 35, 40, 45], ..
# [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...
# [Python/Data Analysis] Numpy 및 Matplotlib 사용하기 - Day 5 import numpy as np import matplotlib.pyplot as plt # 1 - Pyplot example x = np.arange(0,6,0.1) y = np.sin(x) plt.plot(x,y) plt.show() # 2 - Pyplot example a = np.arange(0, 6, 0.1) b1 = np.sin(a) b2 = np.cos(a) plt.plot(a, b1, label="sin") plt.plot(a, b2, linestyle="--", label="cos") # a axis name plt.xlabel("a") plt.ylabel("b") plt.title("..
# [Python/Data Analysis] Numpy 및 Matplotlib 사용하기 - Day 3import numpy as np arr = np.arange(0,11) arr2 = np.arange(0,11) arr array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])arr[8] 8# Slice arr[1:5] array([1, 2, 3, 4]) arr[0:5] array([0, 1, 2, 3, 4]) arr[0:5] = 100 arr array([100, 100, 100, 100, 100, 5, 6, 7, 8, 9, 10])arr2[3:7] = 100 arr2 array([ 0, 1, 2, 100, 100, 100, 100, 7, 8, 9, 10])arr = np.arang..