개발자의 스터디 노트

row_indices = torch.arange(2).long() col_indices = torch.LongTensor([0,1]) describe(x[row_indices, col_indices]) 타입: torch.LongTensor 크기: torch.Size([2]) 값: tensor([0, 4]) 1. 텐서의 속성을 볼 수 있는 함수를 선언합니다. ## 헬퍼함수 describe(x)를 정의 def describe(x): print("타입: {}".format(x.type())) print("크기: {}".format(x.shape)) print("값: \n{}".format(x)) 2. 텐서를 생성하여 값을 공유하는 텐서 x를 만들어 봅시다. import torch x = torch.arange..

1. 헬퍼 함수 describe(x)를 정의합니다. ## 헬퍼함수 describe(x)를 정의 def describe(x): print("타입: {}".format(x.type())) print("크기: {}".format(x.shape)) print("값: \n{}".format(x)) 2. 2행 3열의 랜던 텐서 생성 import torch x = torch.randn(2,3) describe(x) 타입: torch.FloatTensor 크기: torch.Size([2, 3]) 값: tensor([[ 0.5902, 0.9407, 0.3684], [-2.2278, -1.0045, -0.2298]]) 3. 텐서 x를 더해봅시다. # add함수를 이용하여 텐서 더하기 describe(torch.add(x,..

텐서를 만들어 봅니다. 1. 텐서의 속성을 볼 수 있는 함수를 선언합니다. ## 헬퍼함수 describe(x)를 정의 def describe(x): print("타입: {}".format(x.type())) print("크기: {}".format(x.shape)) print("값: \n{}".format(x)) 2. 기본적인 텐서 생성 ### 기본적인 텐서 생성 import torch describe(torch.Tensor(2,3)) 타입: torch.FloatTensor 크기: torch.Size([2, 3]) 값: tensor([[0., 0., 0.], [0., 0., 0.]]) 3. 랜덤 값을 가진 텐서 생성 ### 랜덤 텐서 생성 describe(torch.rand(2,3)) # 균등분포 desc..

1. 원-핫 표현 - 0 벡터에서 시작해 문장이나 문서에 등장하는 단어에 상응하는 원소를 1로 설정합니다. 아래 두문장을 예로 들면, Time flies like an arrow. Fruit flies like a banana. 각 문장을 토큰(token)으로 나누고 구두점을 무시한 다음 모두 소문자로 바꾸면 어휘 사전(vocabulary)이 되고 어휘 사전의 크기는 다음과 같이 8이 됩니다. {time, fruit, flies, like, a, an, arrow, banana} 따라서 각 단어를 8차원 원-핫 벡터로 표현할 수 있습니다. 구, 문장, 문서의 원-핫 벡터는 이를 구성하는 단어의 원-핫 표현을 단순하게 논리합(logical OR)한 것입니다. 위 표를 참고하여 like a banana의 이..

머신러닝에서 지도 또는 지도학습은 샘플에 대응하는 타깃(예측하는 값)의 정답을 제공하는 방식을 말합니다. 지도학습을 그림으로 그리면 아래 와 같습니다. 샘플 - 샘플은 예측에 사용하는 아이템입니다. 샘플은 x로 표시합니다. 샘플을 입력(input)이라고 부릅니다. 타깃 - 타깃은 샘플에 상응하는 레이블(label)입니다. 일반적으로 예측되는 대상이니다. 머신러닝/딥러닝의 표준적인 표기법에 따라 y로 나타냅니다. 레이블을 정답이라고 부릅니다. 모델 - 모델(model)은 수학식이나 샘플 x를 받아 타깃 레이블값을 예측하는 함수입니다. 파라미터 - 파라미터는 가중치(weight)라고도 부릅니다. 파라미터가 모델을 규정합니다. 기본적으로 가중치를 의미하는 w 또는 w^ 을 사용합니다. 손실함수 - 손실 함수는..

아나콘다도 설치했고, 가상 환경도 만들었고, 주피터 노트북도 설치하여 실습 환경은 만들어졌습니다. 자연어 처리를 위해 인공지능 딥러닝 프레임워크가 몇 종류 있습니다만, 딥러닝 프레임 워크 비교 https://hongong.hanbit.co.kr/%EB%94%A5%EB%9F%AC%EB%8B%9D-%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC-%EB%B9%84%EA%B5%90-%ED%85%90%EC%84%9C%ED%94%8C%EB%A1%9C-%EC%BC%80%EB%9D%BC%EC%8A%A4-%ED%8C%8C%EC%9D%B4%ED%86%A0%EC%B9%98/ 딥러닝 프레임워크 비교(텐서플로 VS 케라스 VS 파이토치) : 표로 한눈에! 현재 소개된 딥러닝 프레임워크들은 각각..

아나콘다 설치가 완료되었으면 가상 환경을 생성하고 Jupyter NoteBook를 설치해 봅시다. Jupyter NoteBook 란? 오픈소스 기반의 웹 애플리케이션으로, 파이썬을 비롯한 40여 개의 프로그래밍 언어로 코드를 작성하고 실행하는 개발 환경을 제공합니다. 1. 아나콘다 가상환경 생성 conda create -n [가상환경이름] python=[python 버전] study란 이름의 가상환경을 python 3.6 버전으로 생성해 봅시다. conda create -n study ptyhon=3.6 2. 아나콘다 가상환경 리스트 가상 환경을 생성하였으면 가상 환경 리스트를 확인해 봅시다. conda env list 또는 conda info --envs 3. 아나콘다 가상환경 삭제 conda remo..

파이썬 인공지능 학습을 하기 위하여 가장 먼저 파이썬 모듈을 설치해야 합니다. 아나콘다(Anaconda)란? 아나콘다는 머신러닝이나 데이터 분석 등에 사용하는 여러 가지 패키지가 기본적으로 포함되어 있는 파이썬 배포판입니다. 때문에 해당 분야를 파이썬으로 접근하고자 할 때 세팅이 매우 간단해집니다. 또한 아나콘다는 파이썬 가상 환경을 구축하는데도 유용하게 사용할 수 있습니다. 내부적으로 conda라는 환경/패키지 관리자가 존재하여 이 conda를 통해 패키지를 설치하거나 가상 환경을 관리할 수 있습니다. 아나콘다 설치 하기 1. 먼저 아나콘다 설치 파일을 다운로드합니다. https://www.anaconda.com/products/individual Anaconda | Individual Edition ..