코딩걸음마

1. Linear layer의 작동 구조 인공신경망(NN)은 연속적인 함수전달체계를 이루고 있다. 어떤 정보가 입력되었을때 그 정보에 대한 강도를 어느정도로 할 것인지 또한 보정값을 얼마나 줄 것인지 정할 수 있다. 입력값과 출력값이 선형관계 즉 y = ax=b 라고 할 때 다음 방법을 사용할 수 있다. import torch W = torch.FloatTensor([[1, 2], [3, 4], [5, 6], [7, 8]] ) b = torch.FloatTensor([4, 2]) 그럼 주어진 가중치와 보정값으로 선형 결합층(Linear Layer)함수를 만들어보자 def linear(x, W, b): y = torch.matmul(x, W) + b return y 이제 입력데이터에 값을 입력하면, 선형결..

1. 행렬의 곱셈 행렬의 곱셈은 내적(inner product, Dot product)이라고한다. 딥러닝 과정에서 중요한 연산 중 하나이다. 행렬의 곱셈의 조건이 있다. 다음과 같은 두개의 행렬이 있다고 가정해보자 x = torch.size([ a , b ]) y = torch.size([ c , d ]) 라고 할 때 b = c 조건이 성립되어야하며, 내적 결과는 torch.size([ a , d ])가 나온다. import torch x = torch.FloatTensor([[1, 2], [3, 4], [5, 6]]) y = torch.FloatTensor([[1, 2], [1, 2]]) print(x.size(), y.size()) torch.Size([3, 2]) torch.Size([2, 2]) ..

1. expand expand는 Tensor를 복사하여 원하는 차원으로 만드는 방법이다. import torch x = torch.FloatTensor([[[1, 2]], [[3, 4]]]) print(x.size()) torch.Size([2, 1, 2]) 이 tensor를 복사하여 [2, 4, 2] 형태로 바꿔보자 y = x.expand(*[2, 4, 2]) print(y) print(y.size()) tensor([[[1., 2.], [1., 2.], [1., 2.], [1., 2.]], [[3., 4.], [3., 4.], [3., 4.], [3., 4.]]]) torch.Size([2, 4, 2]) 물론 cat을 활용해서 붙힐 수 있다. y = torch.cat([x, x, x, x], dim=..

Tensor도 DateFrame 처럼 자르고, 합치고, 쪼개고, 인덱싱하고, stack할 수 있습니다. x = torch.FloatTensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]], [[9, 10], [11, 12]]]) print(x.size()) torch.Size([3, 2, 2]) 1. 인덱싱(indexing)과 슬라이싱(Slicing) Pytorch에서 indexing과 slicing은 Pandas와 비슷하게(아니 똑같이...) 작동합니다. 하지만 차원이 늘어난 만큼 이해하기 난해하므로, 예시를 보면서 한번 익혀봅시다! pandas처럼 인덱싱을 해봅시다. 2번째 dataset가 나올거라 예상하면서요. x[1] 과연 어느 차원의 2번째 일까요? tensor([[5., 6..