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 |
- JavaScript
- 판다스
- 생활코딩 데이터베이스
- 야학
- flatten
- 이것이 자바다
- 딥러닝
- Database
- Python
- 머신러닝야학
- LeNet
- 생활코딩 머신러닝야학
- 파이썬
- 연산자
- 데이터베이스 개론
- CNN
- reshape
- 카카오클라우드스쿨2기
- 데이터베이스
- pandas
- Java
- MySQL
- 머신러닝
- 생활코딩
- 머신러닝(딥러닝)
- 개발자
- tensorflow
- 데이터베이서
- Today
- Total
IT's 우
생활코딩, 머신러닝(딥러닝)- 학습의 실제(with 워크북) 본문
딥러닝 워크북에서 손으로 모델을 학습시켜 보며 딥러닝이 학습하는 원리를 배우기.
딥러닝 워크북
딥러닝 워크북 https://bit.ly/2DEBlPd
딥러닝 워크북
회귀 (mse) 온도,판매량,W,B,Loss,예측 (w*온도+b),예측 - 판매량,(예측 - 판매량)^2 21,42,1.969,0.526,0.036891,41.875,-0.125,0.015625 22,44,dLoss / dW,dLoss / dB,prevLoss,43.844,-0.156,0.024336 23,46,122.2291,5.2961,7.028832,45.813,-0.187,
docs.google.com
파일 -> 사본 만들기 사용하여 직접 해보기
워크북 이용방법
*사본에 history와 W, B 값을 0으로, dLoss/dW, dLoss/dB 값 delete 해놓고 시작
1. 초기값 생성기를 통해 나오는 값을 복사하여 W와 B값을 넣어준다.
2. 결과인 W, B 그리고 자동으로 생성되는 Loss 값을 복사하여 history에 넣는다.
3. prevLoss 에 Loss 값을 복사하여 넣어준다.
4-1. W값을 0.0001을 더한 값으로 고쳐주고 dLoss / dt의 값 변화를 관찰한다.
( Loss값이 더 작아졌으면 W값은 커져야하고
더 커졌으면 W값이 작아져야한다. )
4-2. 결과값 dLoss / dt를 dLoss / dW에 넣어준다.
4-3. W값을 원래대로 고친다.
5-1. B값을 0.0001을 더한 값으로 고쳐주고 dLoss / dt의 값을 관찰한다.
( Loss값이 더 작아졌으면 B값은 커져야하고
더 커졌으면 B값이 작아져야한다. )
5-2. 결과값 dLoss / dt를 dLoss / dB에 넣어준다.
5-3. B값을 원래대로 고친다.
6. next W, next B의 값을 복사하여 W, B에 넣어주고 Loss를 확인한다.
7. 2번부터 다시 반복한다.
출처: 생활코딩
'생활코딩 > 머신러닝(텐서플로우(python))' 카테고리의 다른 글
생활코딩, 머신러닝야학_데이터를 위한 팁(astype(), dtypes, isna().sum(), fillna()) (0) | 2021.01.15 |
---|---|
생활코딩, 머신러닝(딥러닝)_네번째 딥러닝 - 신경망의 완성:히든레이어 (0) | 2021.01.14 |
생활코딩, 머신러닝(딥러닝)_세번째 딥러닝-아이리스 품종 분류 (0) | 2021.01.14 |
생활코딩, 머신러닝(딥러닝)- 두번째 딥러닝 - 보스턴 집값 예측 (0) | 2021.01.14 |
생활코딩, 머신러닝(딥러닝)- 첫번째 딥러닝 - 레모네이드 판매 예측 (0) | 2021.01.13 |