분류 전체보기33 comnet-02 Chapter 2. Application Layer 1. Network Applications의 개요와 네트워크 구조 SNS, web, email, game 등과 같은 network app을 만들기 위해서는 서로 다른 end systems에서 실행되는 프로그램이며 네트워크를 통해 통신할 수 있는 프로그램을 작성해야 한다. 1) Client-server paradigmServer는 항상 켜져 있는 host로 영구적인 IP 주소를 가진다. Client는 서버에 연결하여 통신을 시도하여 간헐적으로 연결되며, 동적 IP 주소를 가진다. client는 client들끼리 통신하지 않는다. ex) HTTP, IMAP, FTP, email 등 2) Peer-peer architecture (P2P)항상 켜져 있.. 2025. 4. 30. comnet-01 Chapter 1. Computer Networks and the Internet 1. 인터넷과 프로토콜 인터넷(Internet)을 구조적 관점에서 바라보자면, 수십억개의 컴퓨팅 장치들로 이루어져 있다.이 장치들을 hosts(end systems) 이라고 한다. 예를 들어, 컴퓨터나 핸드폰 같은 것들end system들은 communication links와 packet switch들로 연결되어 있다.-communication links: 광섬유(fiber), 구리(copper), 무선(radio), 위성(satellite)-packet switches: routers, switchesnetwork는 위와 같은 devices, routers, links 등으로 구성되어 있다. Internet은 netw.. 2025. 4. 30. 8강 Spatial Localization and detection, R-CNN Classification: 이미지를 보고 '고양이'다라고 labeling 해주는 것Localization: '고양이'가 어디에 있는지 box를 쳐서 찾아내는 것Object Detection: '고양이', '개', '오리' 등 여러 개의 객체를 찾아서 box를 쳐서 찾아내는 것Instance Segmentation: 형상대로 따주는 것 LocalizationClassification에서 이미지를 넣으면 output으로 class의 label이 출력되고, 정확도(Accuracy)를 평가지표로 사용했다. Output: input 이미지에서 찾으려고 하는 객체의 박스 좌표를 출력한다. (x, y, w, z)평가지표: Intersection over Union (겹치는 부분이 몇 퍼센트인지) 1. Local.. 2025. 4. 12. 7강 Convolutional Neural Networks Convolution Layer32x32x3(heigth*width*depth) 입력 이미지에 5x5x3 이미지 필터를 적용하여, 28x28x1의 2D activation map을 생성하는 것이 convolution(합성곱 연산)이다. 즉, 5x5x3의 필터로 32x32x3의 이미지를 몇 번 훑게 되는지가 28x28의 숫자를 반환하는 것이다.필터가 6개라면 6개의 activation maps가 생성된다. 즉, 필터의 개수가 output의 개수이다. (one filter, one actication map)ex) 32x32x3의 이미지가 28x28x6의 새로운 이미지로 re-representation 되는 것생성된 이미지가 다음 convolution layer의 input이 되는 것 CNN의 계층별 특징(.. 2025. 4. 5. 6강 Training Neural Networks 2 미니 배치 확률적 경사 하강법1. 데이터의 미니배치를 샘플링2. 그 데이터들을 forward pass 하여 loss를 구함3. backpropagation을 통해 gradient를 구함4. gradient들을 통하여 parameter들을 업데이트 while True: data_batch=dataset.sample_data_batch() loss=network.forward(data_batch) dx=network.backward() x+= -learning_rate * dx #simple gradient descent update Parameter Updates 1. Momentum updatev = mu * v - learning_rate * dxx += v (mu: 마찰계수, v: .. 2025. 4. 4. 5강 Training Neural Networks 1 Activation functionsigmoid function넓은 범위의 숫자를 0,1 사이의 숫자로 스쿼시 하며, 입력값에 대해 가중치 영향력 주기에 적합하다.단점1. 뉴런이 포화(0 또는 1의 매우 가까운 결과값)되어 gradient를 없애버린다. (vanishing gradient)2. 결과가 0을 중심으로 이루어지지 않아 수렴(convergence)이 매우 느려진다. 3. exp()는 연산적으로 매우 비싼 함수이므로 성능의 저하를 가져올 수 있다. tanh(x)-1부터 1까지 스쿼시하고, 0 중심이다. 문제점: x의 값이 매우 작거나 큰 경우에 saturaion이 발생 가능한다. saturation(포화 현상): activation function의 출력값이 한쪽 끝에 가까워지는 현상 ReLU.. 2025. 4. 4. 이전 1 2 3 4 5 6 다음
