![]()
처음은 Tensorflow Serving 처음에는 tensorflow serving 을 사용하고자 했습니다. AWS에 올리고 Docker로 쉽게 설치할 수 있기에 바로 시도해볼 수 있었습니다. 설치와 실행은 했는데, Request 호출할 때 아래와 같은 에러 메세지가 발생하였습니다. ConnectionError: HTTPSConnectionPool(host='AWS주소', port=8501): Max retries exceeded with url: /v1/models/model/versions/1:predict (Caused by NewConnectionError(' : Failed to establish a new connection: [Errno 110] Connection timed out')) 인..
reduce learning rate : 발산할 때도 써도 되겠지만, loss 가 더 이상 감소하지 않을 때 learning rate를 줄이는 정책을 쓰게 됩니다. 멀리서 볼 때는 멈춰있는 것 같아 보이지만 확대해 보면 이 사이에서 진동하고 있을 가능성이 높다. learning rate 줄여야 최저점으로 내려가게 된다.
reshape 은 행렬의 크기를 바꿀 순 없다 행렬의 크기가 변하지 않는 선에서 shape를 바꾸는 것 ex) 10, 10 -> 100, 1 사이즈를 바꿀 수 있는 게 resize
![]()
1.Collaborative Filtering based Recommendation 1.1 Neighborhood-based CF 1.2 Model-based CF 1.2.1 Matrix Factorization 1.2.2 Distance-based CF 1.2.2.1 Euclidean Embedding 1.2.2.2 Metric Learning 2.Content-based Recommendation 2.1 Review-based Recommendation 3.Knowledge Graph based Recommendation 4.Hybrid Recommendation 5.Deep Learning based Recommendation 5.1 Multi-layer Perceptron (MLP) 5.2 Aut..
input 224, 224, 3 conv1 f.size = 3, 3 n.f = 16 stride = 1 (same padding) Pool1 f.size = 2, 2 stride = 2 Conv2 f.size = 3, 3 n.f = 64 stride = 1 (same padding) Pool2 f.size = 2, 2 stride = 2 1-1. 각 층의 weight의 개수 채널은 인풋을 따라간다 하나의 필터가 갖는 weight의 개수 3*3*3 = 27개 그런 필터가 16개이므로 27 * 16 0 3*3*16* 64 0 1-2. bias 포함한 각 층의 weight의 개수 (27 + 1) * 16 0 (3*3*16 + 1)* 64 0 2-1. 각 층의 feature map size 222, 222, 1..
한장의 이미지의 크기는 10x10, 즉 100개의 피처로 이루어져 있는 흑백이미지. 라벨은 총 신발, 셔츠, 바지 3종류다 은닉층의 노드는 100개로 총 2층짜리 다층 퍼셉트론이다. 총 weight의 개수를 계산해보자 1) bias 제외 10300 = 100*100 + 100*3 2) bias 포함 10300 + (100 + 3) = 10403 | -> | -> | 100 100 3 ---- ----- weight: 100 * 100 100 * 3 bias: 100 3 weight는 모델의 구조에 대해서 모르고 있는지에 대해 알 수 있다.
https://colah.github.io/posts/2014-03-NN-Manifolds-Topology/
하나의 뉴런은 단순한 연산을 한다 단순한 연산 = 선형연산 선형모형은 분류 모형 하나의 뉴런은 단순한 분류기 단순한 분류기는 선형분류기로 이해할 수 있다. 퍼셉트론의 아이디어는 선형분류기 들어오는 입력 값에 대해 선형 연산을 해서 그 결과가 양수, 음수 인지 판단해서 activation(non-activation)을 한다. 하나의 퍼셉트론은 선형분류기다. 그런데 뉴럴 네트워크는 비선형 분류기 퍼셉트론은 선형분류기, 다층퍼셉트론은 비선형분류기 비선형성을 갖게 하는 게 활성화 함수 퍼셉트론 전체를 놓고 보았을 때는 활성화함수가 비선형연산을 하는 애다. 비선형 연산을 함에도 불구하고 logistic regression도 비선형적인 곡선을 통과하지 않냐. 왜 선형분류기라고 하냐면 경계선을 결정짓는 역할을 하는 ..
