만약 고양이 사진을 추출해주는 앱을 만들고 있다고 가정해보자. 아마 사진들로부터 고양이라는 것을 판별할 수 있는 영상처리 SW를 만들기 위해 신경망을 사용할 것이다. 하지만 불행하게도 만든 알고리즘의 정확도가 그렇게 생각만큼 높지 않을 것이고, 고양이 이미지를 추출하는 SW를 개선하기 위해서 압박을 받을 것이다. 어떻게 하면 좋을까? 여기에 대해서 다양한 아이디어를 낼 수 있다. 예를 들어- 고양이 사진을 조금더 모으기 - 조금더 다양한 학습 데이터를 모으기. 예를 들어서 흔하지 않은 자세를 취하는 고양이나, 흔하지 않은 색을 가진 고양이나, 다양한 카메라 각도를 가지는 사진 같은 것들. - gradient decent 횟수를 늘림으로써 알고리즘을 조금더 오랫동안 학습시키기 - 더 많은 layer와 no..
딥러닝(신경망)에서 쓰이는 많은 수많은 아이디어들은 수십년에 걸쳐서 유효하다. 어떻게 그 아이디어들이 현재까지도 잘 동작하는 것일까? 크게 두 가지 부분에서 그런 경향을 찾을 수 있다.- 데이터의 유효성(Data availability) : 사람들이 이제는 노트북이나, 휴대용 기기와 같이 디지털 장비를 사용하는 시간이 예전에 비해서 많이 늘어났고, 이런 경향으로 인해서 학습 알고리즘에 적용할 수 있는 수많은 데이터가 생산된다.- 연산량(Computational Scale) : 신경망을 학습시킬 수 있게 된지 몇년되지 않았고, 현재의 신경망으로도 우리가 가지고 있는 어마어마한 량의 데이터를 처리하기에 충분하다. 조금 더 자세하게 말하자면, 아무리 데이터를 많이 축적했다 하더라도, 일반적으로 Logistic..
- Total
- Today
- Yesterday
- Windows Phone 7
- Gan
- reward
- 딥러닝
- SketchFlow
- 강화학습
- End-To-End
- Distribution
- PowerPoint
- ColorStream
- arduino
- 한빛미디어
- bias
- dynamic programming
- Off-policy
- TensorFlow Lite
- Offline RL
- Expression Blend 4
- Policy Gradient
- processing
- Kinect
- Pipeline
- Python
- DepthStream
- 파이썬
- Variance
- Kinect for windows
- Kinect SDK
- RL
- windows 8
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 |