딥러닝네트워크2 06. 딥러닝 신경망 구현 기초 MNIST - 신경망 구성, 정확도 평가, 배치 처리 - 이전 글: 05. 딥러닝 신경망 구현의 기초 - 출력층, 항등함수, 소프트맥스함수, 분류, 회귀 해당 포스팅은 '밑바닥부터 시작하는 딥러닝'과 기타 인터넷 자료를 요약한 자료입니다. 손글씨 숫자 인식 신경망의 구조를 실전 예인 손글씨 숫자 분류에 사용 해 본다. MNIST 데이터셋 이번 예에서 사용되는 데이터셋은 mnist라는 손글씨 숫자 이미지 집합이다. MNIST는 아주 유명한 데이터셋으로, 간단한 실험부터 논문으로 발표되는 연구까지 다양한 곳에서 연구된다. MNIST 데이터셋은 0부터 9까지 숫자 이미지로 구성된다. 예를 들어 훈련 이미지가 60000장, 시험 이미지가 10000장을 준비하고 이 훈련 이미지들을 사용하여 모델을 학습하고, 학습한 모델로 시험 이미지들을 얼마나 정확하게 분류하는지를.. 2021. 5. 23. 05. 딥러닝 신경망 구현의 기초 - 출력층, 항등함수, 소프트맥스함수, 분류, 회귀 이전 글: 04. 딥러닝 신경망(Neural Network)의 모든 것 해당 포스팅은 '밑바닥부터 시작하는 딥러닝'과 기타 인터넷 자료를 요약한 자료입니다. 출력층 설계하기 데이터 마이닝과 머신 러닝에서는 크게 회귀 문제와 분류 문제를 다룬다. 신경망은 이 둘 모두에 사용될 수 있으며, 둘 중 어떤 문제인지에 따라, 출력층에서 사용하는 함수가 달라진다. 일반적으로 회귀에서 출력층은 항등 함수를, 분류에서 출력층은 소프트맥스 함수를 사용한다. 이에 대해 알아보도록 하자. 함수로 들어가기 전에, 함수의 목적을 알 필요가 있다. 따라서 분류와 회귀에 대해 간단히 비교하면 아래와 같다. 1. 분류와 회귀 분류 예측 모델링 - 소프트맥스 함수 분류는 데이터를, 특정 카테고리 또는 값(discrete output).. 2021. 5. 13. 이전 1 다음
