[CS 231n] Linear Classification SVM 과제(Assignment)

포스팅을 시작하기에 앞서 수준 높은 강의와 강의 자료를 무료로 배포해주신 Stanford University CS231n 교수진께 감사의 말씀을 드립니다. 
온라인 강의: https://www.youtube.com/watch?v=vT1JzLTH4G4&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk 
강의 자료: https://cs231n.github.io

* 블로그 작성자 github 주소: https://github.com/withAnewWorld/JamesHanamura

Assignment 구조

작성되어 있는 부분(파란색), 과제로 주어진 부분(빨간색)

    - 데이터 전처리

    - SVM Classifier
        - svm_loss_naive
        - svm_loss_vectorized

    - Gradient Check(Debugging strategy)
    
    - naive 코드와 vectorized 코드 시간 비교

    - Linear Classifier
        - train
        - predict

    - Loss Function 시각화(Debugging strategy)

    - Cross Validation(learning rate, regularization)

    - Test image 예측

    - 시각화

svm_loss_naive

dW는 loss function을 W로 미분한 결과를 담은 vector입니다.


svm_loss_vectorized

    1) loss

        1) scores[i, :] = sum(max(0, s(j) - s(yi) +1)
        
        2) s(j)= x.dot(W)
        
        3) s(j) - s(yi)
        3-1) s(yi)=0

        4) if scores<0:
            then) scores=0  (np.where함수 사용)
   
        5) loss = np.sum(scores)

        6) loss /= num_train
        6-1) loss += (lambda)*R(W)^2

    2) dW 

        1) if g(W, x) = s(j) - s(yi) +1 >0:
            then) dW[:, i] += x[i, :]
                    dW[:, y[i]] -= x[i, :]

        2) dW /= num_train
            dW += 2*reg*W


Gradient Check


Naive 코드와 vectorized 코드 시간 비교



Linear Classifier

        1) Train


X, y(데이터)의 부분 집합(n=batch_size)를 만들어 각각 저장해야 합니다. 이 때 부분 집합을 이루는 데이터는 임의로 선택(random.choice)해야 합니다.

a: 1-D array like
size: 랜덤 추출하고 싶은 개수
replace: True- 복원 추출, False- 비복원 추출
p: 추출을 할 때에 확률

.

위의 코드에서 주의할 점은 random_choice와 같이 따로 변수를 지정해서 np.random.choice 함수를 호출해야 한다는 점입니다. 만약, 
X_batch=X[np.random.choice(num_train, batch_size, replace=True), :]
y_batch=y[np.random.choice(num_train, batch_size, replace=True)
와 같이 코드를 작성할 경우 두 batch는 서로 짝을 이루지 않게 됩니다.

Gradient Descent



        2) predict


train의 결과로 도출된 Weight vector와 데이터를 곱한 결과 중 가장 높은 점수를 가지는 label을 y_pred에 저장하면 됩니다.

Loss Function 시각화(Debugging Strategy)

Gradient Descent를 통해 Loss function은 점차 감소하는 모습을 보여야 합니다.

Cross Validation(learning rate, Regularization)

변수인 learning rate와 regularization 중 cross validation을 통해 최적의 예측 결과를 보일 것으로 기대되는 weight vector를 찾습니다. 이 때 train은 test image, predict는 validation image를 이용합니다.

Template


train 후 weight vector의 데이터를 image로 바꾸면 위와 같은 결과가 도출됩니다. car클래스를 예시로 보면 train 데이터 안에 빨간색 자동차가 정면을 바라보는 사진이 많이 저장되어 있다는 것을 예측할 수 있습니다. 
 



위치: 대한민국

이 블로그의 인기 게시물

[CS231n] Features 과제(Assignment)

이미지
포스팅을 시작하기에 앞서 수준 높은 강의와 강의 자료를 무료로 배포해주신 Stanford University CS231n 교수진께 감사의 말씀을 드립니다.  온라인 강의: https://www.youtube.com/watch?v=vT1JzLTH4G4&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk  강의 자료: https://cs231n.github.io   * 블로그 작성자 github 주소: https://github.com/withAnewWorld/JamesHanamura 서론 이전까지의 과제에서 Image data로 모두 RGB 데이터를 이용했습니다. 하지만 사진 이미지를 분류할 때에 RGB 데이터뿐 아니라 Image의 edge, texture 등 다양한 정보를 이용할수록 컴퓨터가 더 잘 학습을 할 것이라고 기대할 수 있습니다.  Assignment 구조 작성되어 있는 부분(파란색), 과제로 주어진 부분(빨간색)     - Load data     - PreProcessing(Extract Features)     - linear classifier(svm)          - Cross Validation          - Test image 예측     - Two Layer Network           - Cross Validation          - Test image 예측 Linear Classifier(svm) 기존 과제들과 같이 Cross Validation을 통해 가장 좋은 예측을 보일 것으로 기대되는 hyper parameters를 선택해 주시면 됩니다. 이 때 random.uniform 함수와 반복문...
자세한 내용 보기

[minGPT]play_image 설명

이미지
play_image Train GPT on images ¶ Effectively re-implements OpenAI's Image GPT model, getting GPT to model images instead of text, but using a near identical model. It's truly quite remarkable that a single model can agnostically do a great job modeling whatever data you give it: text, images, or whatever else. At the end of the day it is just a sequence of integers. Notice that unlike models like PixelCNN++ etc, this model knows nothing at all about the spatial layout of the pixels and has to learn the appropriate positional embeddings that reflect the spatial topology of the data. github: https://github.com/karpathy/minGPT minGPT 코드 이해를 돕기 위한 노트북. attention 설명 생략 전체 코드 및 참고 자료는 Andrej karpathy github 참고 바람 play_image 목적 image 데이터를 학습하여 새로운 image 생성 -> how?: image 데이터도 결국 숫자로 이루어진 데이터에 불과. 이를 sequential data로 변환하여 transformer 모델에 적용. (즉, 다음에 나올 pixel value 예측) image 변환(sequential data) -> Model -> image 예측(se...
자세한 내용 보기

[CS231n] lecture 4. backpropagation 강의 요약

이미지
포스팅을 시작하기에 앞서 수준 높은 강의와 강의 자료를 무료로 배포해주신 Stanford University CS231n 교수진께 감사의 말씀을 드립니다.  온라인 강의: https://www.youtube.com/watch?v=vT1JzLTH4G4&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk  강의 자료: https://cs231n.github.io 1. 필요성     Deep learning의 경우 layer의 개수가 많아짐에 따라 자연스레 loss function은 매우 복잡한 형태를 띠게 된다. 따라서 이를 변수에 따라 편미분 하기 매우 어려워진다. 2. Idea     Chain rule에 따라 복잡한 문제를 쉬운 문제의 집합체로 생각한다. 3. 예시 새로운 노드의 gradient = 이전 노드의 gradient*새로운 노드의 미분 값 (value = result) 4. 특성(Add, Multiplication, Max)      뉴럴 네트워크의 특성 상 add 연산과 mul 연산, max 연산이 자주 쓰인다. ex) max(0, wx+b)    1. Add gate Add gate는 이전의 gradient를 공평하게 나눠주는 역할을 한다. 즉, 해당 노드의 gradient = 이전노드의 gradient (${d(x+y) \over dx}={d(x+y) \over dy}=1$)     2. Multiplication gate 해당 노드의 gradient = 이전 노드의 gradient*상대 value (${d(x*y) \over dx}$ = y, ${d(x*y) \over dy}$= $x$)     3. Max gate Max gate는 Add gate와 비슷하게 이전 노드의 gradient를 그대로 끌고 온다는 점이 비슷하지만 가장 큰 value를 가졌던 노드에만 gradient가 할...
자세한 내용 보기