일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- API
- 자바스크립트
- 배열
- online
- Java
- 백준
- Framework
- 토네이도
- Tornado
- 오픈한글
- 저지
- r
- BAEKJOON
- Python
- r script
- AWS
- mariadb
- 파이썬
- MongoDB
- 연결
- spring
- OrientDB
- 자료형
- 이클립스
- 연동
- 알고리즘
- ubuntu
- 프레임워크
- Judge
- 설치
- Today
- Total
목록분류 전체보기 (227)
맛동산
백준 알고리즘 저지 1193번 문제 (https://www.acmicpc.net/problem/1193) 단순하게 나열해봄 좌하우상 대각을 기준으로 원소의 개수 s, 분자 분모의 합 m 입력이 1이면 s=1, m=2 입력이 2이면 s=3, m=3 입력이 3이면 s=3, m=3 (대각 전체 원소를 만들고 아래서 위로 훑는지. 위에서 아래로 훑는지는 나중에 판단) 입력이 4이면 s=6, m=4 -> 입력(n)이 속한 대각까지 모두 나열한 합이 s 그리고 분자 분모의 합이 훑는 방향을 나타냄으로 그에 따른 계산 s=1 m=2 input=int(input()) while True: if input
백준 알고리즘 저지 1152번 문제 (https://www.acmicpc.net/problem/1152) a=input().split() print(len(a))
백준 알고리즘 저지 1065번 문제 (https://www.acmicpc.net/problem/1149) i = 0일때 비용으로 초기화 i = 1~n일때 0번 인덱스 - R+(i-1[1]), R+(i-1[2]) 의 대소관계에 따라 세팅, 1번은 G+(i-1[0]) G+(i-1)[2], 2번은 B+(i-1)[1] B+(i-1)[1] 뭔가 현재를 기준으로 과거의 케이스를 반영하는게 RNN의 원리 같은 느낌 i=0에서 R을 택했을때 i=1에서 G를 택하냐 B를 택하냐가 아니라 i=1에서 R이 있을때 i=0에서 G와 B중 저렴한걸 따짐 a=[] N=int(input()) for i in range(N): a.append([0,0,0]) for i in range(N): if i==0: a[0]=list(map(..
- 오늘 한 일 티아카데미 인강 - 내일 할 일 알고리즘 - 이번주 계획 감성분석은 좀 뒤로 두고 NLU부터 해야할 듯 알고리즘 각
- 오늘 한 일 피아노 티아카데미 인강 - 내일 할 일 티아카데미 인강 책 - 이번주 계획 감성분석은 좀 뒤로 두고 NLU부터 해야할 듯 알고리즘 각
- 오늘 한 일 피아노 티아카데미 인강 - 내일 할 일 티아카데미 인강 책 - 이번주 계획 감성분석은 좀 뒤로 두고 NLU부터 해야할 듯 알고리즘 각
import numpy as np def softmax(a): c = np.max(a) exp_a = np.exp(a-c) sum_exp_a = np.sum(exp_a) y = exp_a / sum_exp_a return y a = np.array([0.3,2.9,4.0]) y3 = softmax(a) print(y3) print(np.sum(y3)) 소프트맥스 함수의 출력의 총합이 1 소프트맥스 함수를 적용해도 각 원소의 대소 관계는 변하지 않음 * 단조증가함수 -> a 결과적으로 신경망으로 분류할 때는 출력층의 소프트맥스 함수 생략 가능, 현업에서도 지수 함수 계산에 드는 자원 낭비를 줄이고자 출력층의 소프트맥스 함수는 생략하는 것이 일반적 출력층의 뉴런 수는 풀려는 문제에 맞게 적절히 정해야함. '..
83p 순방향 처리라는건 신경망의 역방향 처리도 있는건가? 89p 출력층의 활성화 함수는 풀고하 하는 문제의 성질에 맞게 정의 예를 들어 회귀에는 항등 함수, 2클래스 분류에는 시그모이드 함수, 다중 클래스 분류에는 소프트맥수 함수 등
에서 0->1층으로의 전달 import numpy as np def sigmoid(x): return 1 / (1 + np.exp(-x)) # numpy의 브로드캐스트 X = np.array([1.0, 0.5]) W1 = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]]) B1 = np.array([0.1, 0.2, 0.3]) A1 = np.dot(X, W1) + B1 print(A1) Z1 = sigmoid(A1) print(Z1) 0 - 1층. A 활성화 함수로 sigmoid를 사용(http://tastydarr.tistory.com/137) 절차에 따른 구현 import numpy as np def sigmoid(x): return 1 / (1 + np.exp(-x)) ..