[CS231n] Fully Connected Network 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)

    - Load the preprocessed data

    - fully connected network
        - init(W, b)
        - Loss(soft max)
        - Gradient(backpropagation)

    - Debugging strategy(Gradient check, relative error, visualize)
        
    - Update rules
        - SGD        
        - SGD + Momentum
        - RMS prop
        - Adam

    - Debugging strategy(Gradient check)

    - Update rules에 따른 성능 비교(visualize)
    
    - Cross Validation  

    - Test image 예측


Fully connected layer

init

3 layers fully connected network
* Layer의 갯수 
- input layer를 제외한 layer의 갯수
* 계산
Hidden layers =$[H_{1}, H_{2}, ... , H_{k}, ..., H_{n}], C= number of classes$일 때
Hidden layers: activation function(Wx+b) 
$(N*H_{k-1}) -> (N*H_{k})$
out put layer: loss fuctnion(Wx+b)
$(N*H_{n})->(N*C)$

간단히 3 layers network를 통해 더 자세히 이해하고자 합니다. 먼저 input data(x)와 w1, b1, activation function(relu)를 통해 첫번째 hidden layer를 구성합니다. 동일한 로직으로 hidden layer를 쌓아갑니다. 마지막 output layer에서는 N개의 data를 Class에 따라 loss를 계산해야 하므로 loss function을 적용합니다. 이 때 activation function은 적용하지 않습니다.
따라서, $W_{k} = (H_{k-1}, H_{k}), b_{k} = (H_{k}) (H_{0}=input dimension, H_{n+1}=C)$


loss(Soft max)

Hidden layer의 경우  activation function을 적용하지만 output layer의 경우 activation function을 적용하지 않기 때문에 따로 빼서 output layer를 적용해야 합니다. Gradient를 위해 hidden layer의 계산 결과를 모두 저장해 주어야 합니다.
soft max 주의점
    1) over flow 방지 (-=np.max)
    2) /N
    3) L2 regularization

Gradient(Backpropagation)

3 layers network의 Computation graph를 그려보시면 마지막 weight, bias(w3, b3)에서 두번째 weight, bias까지 동일한 logic을 가진다는 것을 확인할 수 있습니다. 즉, (back ward 관점에서) +연산 -> x연산 -> relu로 동일하게 이루어지기 때문에 반복문으로 처리하기 용이합니다. 하지만 첫번째 weight와 bias의 경우 hidden layer가 더 이상 존재하지 않기 때문에 연산이 조금 다르게 이루어집니다. 따라서 조건문을 구성하여 다르게 계산해야 함을 알 수 있습니다. 
(cf. 마지막 weight, bias(w3, b3)는 dsmx를 통해 계산이 이루어지기 때문에 반복문을 통해 계산하지 않았습니다.)

Update rules

SGD+Momentum

RMSprop


Adam


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