딥러닝
-
스탠포드 cs231n을 정리하며...AI 2021. 4. 28. 12:23
1. 이 강의를 정리한 이유 이전 포스트에도 적었지만, 아이펠 강남 수업을 들으면서 가장 버겁게 느껴졌던 부분 중 하나가, 스탠포드 cs231n강의를 듣는 것이었습니다. 인공지능에 대한 이해도 별로 없던 제가, 영어로 된 강의를 듣는다는 것이 어려웠고, 이 강의가 어떤 목적으로 어떻게 흘러가고 있는 것인지 전체적인 큰 그림을 초기에 이해하지 못하는 상황에서 무작정 듣는 것도 어려웠습니다. (1강도 정리한 이유) 그래서 아이펠 강남이 끝난 다음 직접 강의 내용을 다시 들어보면서 정리해 보기로 했습니다. 사실 비디오를 한번 본다고 해서, 모든 것을 이해할 수 있는 것도 아니었고, 지금도 그렇지만, 스스로의 학습을 위한 목적이 가장 크다고 할 수 있다. 2. 도움이 될 것이라고 생각되는 사람들 강의를 다 듣고..
-
[cs231n] 3강 손실 함수와 최적화 (3/4, 최적화 / optimization)AI 2021. 1. 11. 18:39
최적화를 얘기할 때 저는 종종 걷는 것을 생각합니다. 거대한 계곡 주변을요. 어떤 얘기냐면, 여러분이 이 큰 계곡을, 다른 산과 계곡과 시내를 등등 걸어다니는 거죠. 이 풍경의 모든 지점은 W 파라미터의 어떤 세팅들에 해당합니다. 여러분이 여기의 작은 사람이고, 이 계곡을 돌아다니는 겁니다. 이 점들의 높이는 손실과 같고, W에 의해 발생하죠. 이 작은 사람으로서 해야 할 일은 이 풍경을 돌아다니면서, 어떻게든 이 계곡의 바닥을 찾는 것입니다. 이건 일반적으로 어려운 문제이죠. 만약 내가 정말 똑똑하다면, 내 손실 함수와 정규화 등등의 분석적 특징에 대해 열심히 생각해 보고, 어쩌면 최소화하는 것을 만들 수 있을 지도 모르겠지만요. 그건 일종의 마법처럼 이 계곡의 밑바닥으로 계속 순간이동하는 거죠. 그러..
-
[cs231n] 3강 손실 함수와 최적화 (1/4, 멀티클래스 (multiclass) SVM)AI 2021. 1. 10. 21:42
3강에 오신 것을 환영합니다. 오늘은 손실 함수와 최적화에 대해서 이야기 할 겁니다. 2강을 돌아보면, 인식할 때의 챌린지들에 대해 얘기했고, 이 데이타 추진 아이디어들에 대해 연마했습니다. 이미지 분류에 대한 아이디어에 대해 얘기했는데, 왜 어려운지를 얘기했고, 컴퓨터가 보는 거대한 그리드 숫자와 우리가 보는 이미지 사이의 의미적 갭에 대해서도 얘기했습니다. 다양한 챌린지에 대해서도 얘기했죠. 조명, 형태 변화, 등등이 있었고, 비록 사람의 눈과 시각으론 너무나도 쉬운 거지만, 왜 이게 정말 정말 어려운 문제인지에 대해서 얘기했습니다. 또한 데이타 추진 마인드셋 전체에 대한 간단한 도입으로, kNN 분류기에 대해 얘기했죠. CIFAR 10 데이타셋에 대해 얘기했는데, 위 그림 왼쪽 위에 보이는 예를 볼..
-
[cs231n] 2강 이미지 분류 (4/4, 선형 분류기)AI 2021. 1. 6. 13:49
우리는 KNN이 머신러닝 알고리즘의 좋은 특징을 많이 가지고 있는 걸 봤죠. 그러나 실제로 그렇게 좋지는 않습니다. 이미지에 대해선 많이 안 쓰이죠. 다음으로 얘기하고 싶은 것은 선형 분류입니다. 선형 분류는 간단한 학습 알고리즘인데, 이건 엄청 중요합니다. 우리가 신경망 전체, 전체 합성곱 신경망을 만들도록 해 줍니다. 신경망으로 작업을 비유로 표현해 보면 우리는 이걸 레고 블록에 비유합니다. 여러분은 신경망의 여러 컴포넌트를 가지고 있을 거고 이 컴포넌트들을 서로 붙이죠. 이런 합성곱 신경망의 큰 탑을 쌓기 위해서요. 여러 형태의 딥러닝 어플리케이션에서 가장 기초적인 빌딩 블록 (building block)이 이 선형 분류기입니다. 선형 분류기가 어떻게 동작하는지 아는 게 중요한데, 전체 신경망에 꽤..
-
[cs231n] 2강 이미지 분류 (1/4, 챌린지)AI 2021. 1. 4. 17:44
지난 시간엔 컴퓨터 비전이 무엇인지와 역사에 대해 배웠죠. 그리고 이 강좌 개요에 대해서도요. 오늘은 세부 사항들을 들여다 보겠습니다. 이 알고리즘이 어떻게 동작하는지에 대해서요. 첫 강의는 비전에 대한 빅 픽쳐였고, 오늘 강의의 대부분은 세부사항들을 볼 겁니다. 여러 다른 알고리즘에 대한 세부 메커니즘을 볼 건데, 오늘 알고리즘을 처음 배우는 날이라 흥분되네요. 우리는 파이썬 넘파이 튜토리얼을 써서 올렸습니다. 코스 웹사이트에요.넘파이는 효율적인 벡터화된 연산을 가능하게 해서 상당한 연산을 코드 몇줄로 하게 해줍니다. Numerical 컴퓨팅이나 머신러닝같은 것들은, 이 벡터화된 오퍼레이션으로 효율적으로 구현됩니다. - NumpyTutorial: cs231n.github.io/python-numpy-t..
-
[cs231n] 1강 시각 인식을 위한 합성곱 소개 (3/3, 강좌개요)AI 2021. 1. 1. 18:07
이 강좌는 이미지 분류 (image classification)에 초점을 맞춥니다.이미지넷 챌린지에서 좀 봤었죠. 알고리즘이 이미지를 보고 정해진 카테고리로 그 이미지를 분류하는 겁니다. 제한적이고 인공적인 셋업인 것 같지만, 꽤 일반적입니다. 다른 여러 세팅에서도 사용할 수 있습니다. 산업과 연구 등등에서요. 음식이나, 음식의 칼로리를 인식한다거나 예술 작품이나 제품을 인식할 수도 있고, 이미지 분류의 기본 도구가 굉장히 유용하고 많은 어플리케이션으로 사용될 수 있습니다. 다른 시각 인식 문제도 얘기할 건데요. 이미지 분류를 위해 만든 도구들 위에 만든 다른 시각 인식 문제들도 얘기할 겁니다. 바로, 물체 탐지와 이미지 캡셔닝입니다. 물체 탐지에서의 세팅은 좀 다릅니다. 개, 고양이 같은 것으로 이미지..
-
[cs231n] 1강 시각 인식을 위한 합성곱 소개 (2/3, 컴퓨터 비전 역사)AI 2021. 1. 1. 15:33
1강의 내용은 앞의 도입부를 제외하곤 2개의 주제로 되어 있습니다. 먼저 컴퓨터 비전이 오늘날까지 오게 된 역사를 알아봅시다. 예전에 동물들은 눈이 없었고, 음식이 지나가면 잡아 먹었습니다. 음식이 없으면 그냥 떠 다녔는데, 5억4천3백만년전 1천만년 동안 짧은 시간에 동물이 종이 많아 졌습니다. 몇개에서 수십만개로 늘었습니다. 왜그랬는지 몰랐습니다. 그러다 몇 년전 앤드류 파커라는 호주 동물학자가 자신이 발견한 화석 연구를 통해 믿을 만한 이론을 제시합니다. 5억4천만년전에 처음으로눈을 가진 동물이 나타납니다. 눈을 가지면서 활발한 삶을 살게 된 것입니다. 포식자가 먹이를 쫒아다니고, 먹이는 포식자를 피해다니면서 진화가 빨라진것입니다. 종으로서 살아남기 위해서요. 시각은 이후에 가장 큰 감각기관으로 발..
-
[cs231n] 1강 시각 인식을 위한 합성곱 소개 (1/3, 소개하기)AI 2020. 12. 31. 22:15
아이펠 과정을 들으면서, 개발자 경력을 가지고 있지만, 인공지능을 전혀 모르는 사람이 인공지능을 배우려고 할 때, 이 정도를 배우면 꽤 괜찮은 것 같다라는 생각이 든 것이 있었는데 바로 cs231n이었습니다. 아주 쉽지도 않고 꽤 챌린징하지만, 조금 노력하면 이해할 수 있을 것 같아 보였기 때문입니다. 그래서 나와 비슷한 상황에 있는 분들을 위해 정리해 보는 것이 어떨까하는 생각이 들었습니다. 또한 아이펠 과정을 배우면서는 플립 스쿨로 진행했는데, 사실 인공지능에 대해서 아는 바가 전혀 없는 상태로 참여해서 도대체 이 지점에서 왜 이런 이야기가 나오는지 처음엔 이해가 안되는 부분이 많았습니다. 그래서, 아이펠 과정을 다 마치고 나면 다시 한번 이 강좌를 천천히 들여다 보면서 이해해야 겠다는 생각이 들었습..