pytorch

bmm함수는 행렬 곱이 3번 수행되는 연산을 병렬로 동시에 진행 가능하다. 파이토치에는 nn 패키지가 있고 torch.nn.Module 이라는 추상 클래스를 상속 받아 정의 되어 있다. nn.Module을 상속받은 클래스는 2개의 메서드, init, forward를 오

신경망 내부 가중치 파라미터 조절을 통해 근사치 계산가능하게 도와준다.손실 값은 낮을수록 좋다.가중치 변화에 손실 값이 변한다.MSE의 경우 예측값과 실제(정답)갑의 차이를 제곱한 평균을낸다.reduction 인자를 통해 차원 감소 연산에 대해 설정 할 수 있다. re

효율적으로 가중치 파라미터를 찾기위함경사하강법 수식$$\\theta = \\theta - (learning-rate) \\times \\nabla L(\\theta) $$손실함수를 통해 가중치 파라미터를 찾을 수 있음파라미터 조절 후 함수의 근사계산을 할 때 활용가능텐

로지스틱 회귀 - 이진 분류를 수행하는 함수를 학습하는 알고리즘선형 계층 → sigmoid통과해 0~1 사이 값 추출 → 0.5를 기준으로 참 / 거짓 판단BCE loss function 사용해 학습에폭, 학습률, 프린트 간격 지정

선형 회귀 또는 로지스틱 회귀는 비선형 문제는 풀 수 없다선형 계층 사이에 비선형 활성화 함수를 넣어 비선형 함수로 만들 수 있다.신경망의 깊이와 너비는 하이퍼 파라미터로 깊이가 깊고 너비가 넓을수록 복잡한 함수를 배울 수 있는 수용 능력이 높아짐