수수께끼 고양이

1. import numpy as np import cv2 import matplotlib.pyplot as plt image_color=cv2.imread('../images/cat.jpg') print('image_color.shape =',image_color.shape) image=cv2.cvtColor(image_color,cv2.COLOR_BGR2GRAY) print('image.shape =',image.shape) filter=np.array([ [1,1,1], [1,1,1], [1,1,1] ])/9 image_pad=np.pad(image,((1,1),(1,1))) print('image_pad.shape =', image_pad.shape) convolution=np.zeros_like..

소프트 맥스 활성화 함수 (파이썬 shell에서 확인) from math import exp as e (e(1.3)),(e(5.1)),(e(2.2)),(e(0.7)),(e(1.1)) sumY=e(1.3)+e(5.1)+e(2.2)+e(0.7)+e(1.1) sumY (e(1.3)/sumY,e(5.1)/sumY,e(2.2)/sumY,e(0.7)/sumY,e(1.1)/sumY) * 소수점 조절 from math import exp as e print('%.6f'%e(1.3)) print('{:.6f}'.format(e(1.3))) print(f'{e(1.3):.6f}') 소프트 맥스 함수의 분모 크기 줄이기 (파이썬 shell에서 확인) from math import exp as e (e(1.3-5.1),e(5..

* 텐서플로우, 오픈cv, matplotlib, numpy 설치가 필요합니다. 1. 1입력 1출력 인공 신경망 구현하기 import tensorflow as tf import numpy as np X=np.array([[2]]) # 입력데이터(가로가 2개) YT=np.array([[10]]) # 목표데이터(라벨) W=np.array([[3]]) # 가중치 B=np.array([1]) # 편향 model=tf.keras.Sequential([ tf.keras.Input(shape=(1,)), # 입력층 노드의 개수를 1로 설정합니다. tf.keras.layers.Dense(1) # 출력층 노드의 개수를 1로 설정합니다. ]) # 신경망 모양 결정(W,B 내부적 준비) model.layers[0].set_w..

연습문제 1. 2입력 2은닉 2출력 인공신경망 x1,x2=0.05,0.10 w1,w2=0.15,0.20 w3,w4=0.25,0.30 b1,b2=0.35,0.35 w5,w6=0.40,0.45 w7,w8=0.50,0.55 b3,b4=0.60,0.60 y1T,y2T=0.01,0.99 lr=0.01 for epoch in range(2000): h1=x1*w1+x2*w2+1*b1 h2=x1*w3+x2*w4+1*b2 y1=h1*w5+h2*w6+1*b3 y2=h1*w7+h2*w8+1*b4 E=((y1-y1T)**2+(y2-y2T)**2)/2 y1E=y1-y1T y2E=y2-y2T w5E=y1E*h1 w6E=y1E*h2 w7E=y2E*h1 w8E=y2E*h2 b3E=y1E*1 b4E=y2E*1 h1E=y1E*w5+y..

연습문제 1. 2입력 3출력 인공신경망을 구현하고 학습하기 공식 정리 # 순전파 y1=x1*w1+x2*w2+1*b1 y2=x1*w3+x2*w4+1*b2 y3=x1*w5+x2*w6+1*b3 # 평균 제곱 오차 E=(y1-y1T)**2/2+(y2-y2T)**2/2+(y3-y3T)**2/2 # 역전파 오차 y1E=y1-y1T y2E=y2-y2T y3E=y3-y3T # 입력 역전파 x1E=y1E*w1+y2E*w3+y3E*w5 x2E=y1E*w2+y2E*w4+y2E*w6 #가중치, 편향 순전파 y1=x1*w1+x2*w2+1*b1 y2=x1*w3+x2*w4+1*b2 y3=x1*w5+x2*w6+1*b3 y1=w1*x1+w2*x2+b1*1 y2=w3*x1+w4*x2+b2*1 y3=w5*x1+w6*x2+b3*1 # 가중..

1. 순전파 : y1=x1*w1+x2*w2+1*b1, y2=x1*w3+x2*w4+1*b2 x1,x2=2,3 w1,w2=3,4 w3,w4=5,6 b1,b2=1,2 y1=x1*w1+x2*w2+1*b1 y2=x1*w3+x2*w4+1*b2 (y1,y2) 2. 평균 제곱 오차 : E=(y1-y1T)*(y1-y1T)/2+(y2-y2T)*(y2-y2T)/2 y1T,y2T=27,-30 E=(y1-y1T)**2/2+(y2-y2T)**2/2 E 3. 역전파 오차 : y1E=y1-y1T, y2E=y2-y2T y1E=y1-y1T y2E=y2-y2T (y1E,y2E) 4. 입력 역전파 : x1E=y1E*w1+y2E*w3, x2E=y1E*w2+y2E*w4 5. 가중치, 편향 순전파 y1=x1*w1+x2*w2+1*b1 y2=x1*..

1. 순전파 : y=x1*w1+x2*w2+1*b x1,x2=2,3 w1,w2=3,4 b=1 y=x1*w1+x2*w2+1*b y 2. 평균 제곱 오차 : E=(y-yT)*(y-yT)/2 yT=27 E=(y-yT)**2/2 E 3. 역전파 오차 : yE=y-yT yE=y-yT yE 4. 입력 역전파 : x1E=yE*w1, x2E=yE*w2 5. 가중치, 편향 순전파 : y=x1*w1+x2*w2+1*b, y=w1*x1+w2*x2+b*1 6. 가중치, 편향 역전파 : w1E=yE*x1, w1E=yE*x2 / bE=yE*1 w1E=yE*x1 w2E=yE*x2 bE=yE*1 (w1E,w2E,bE) 7. 신경망 학습 : w1-=lr*w1E, w2-=lr*w2E, b-=lr*bE lr=0.01 w1=w1-lr*w1E ..

퍼셉트론의 한계 : XOR 단층 신경망은 입력값과 가중치의 곱의 합을 바로 출력값으로 내보내어 XOR 문제를 해결하려고 시도하는 과정에서 한계에 다다릅니다. 단층 신경망으로 구현할 수 없었던 XOR 게이트 문제를 다층 퍼셉트론이 개발되면서 해결되었습니다. 다층 퍼셉트론은 입력층, 은닉층, 출력층으로 구성된 모델로 XOR 게이트의 경우 두개의 입력값과 하나의 출력값을 가진 단층 퍼셉트론 세개를 조합하여 해결할 수 있습니다. AND 구현 def AND(x1,x2): w1,w2=0.4,0.4 # 가지돌기의 굵기 b=-0.6 # 축삭돌기의 굵기(두께), 역치 s=x1*w1+x2*w2+b return 0 if s

편향 개념 : 앞에서 구한 퍼셉트론 수식을 변형하여 역치를 편향 개념으로 바꾸어 봅시다. AND 구현 def AND(x1,x2): w1,w2=0.4,0.4 # 가지돌기의 굵기 b=-0.6 # 축삭돌기의 굵기(두께), 역치 s=x1*w1+x2*w2+b return 0 if s

퍼셉트론 구현하기 : AND, NAND, OR 게이트를 구현해봅니다. AND 구현 def AND(x1,x2): w1,w2=0.4,0.4 # 가지돌기의 굵기 t=0.6 # 축삭돌기의 굵기, 역치 s=x1*w1+x2*w2 return 0 if s