기계는 거짓말하지 않는다

단층 퍼셉트론은 값을 보내는 Input Layer와 출력하는 Output Layer 두 단계로 나뉨 활성화 함수가 사용되지 않으며 입출력 레이어 중간에 Hidden Layer가 추가되면 다층 퍼셉트론(Multi-Layer Perceptron)이 된다. 입력 신호는 각각 고유한 가중치가 곱해지고 각 신호는 출력에 영향을 준다. 단층 퍼셉트론은 직선 하나로 두 영역을 나눌 수 있는 문제만 구현이 가능하므로 XOR 구현은 불가능하다. def AND_gate(x1, x2): w1 = 0.5 w2 = 0.5 b = -0.7 result = x1 * w1 + x2 * w2 + b if result

얼마나 분류를 정확하게 했는가에 대한 성능평가 방법으로 Accuracy, Precision, Recall, F1 Score을 사용할 수 있다. Accuracy (TP + TN) / (TP + FP + FN + TN) 실제 맞은 개수 Precision TP / All True Predictions TP / (TP + FP) True라고 예측 한 것 중 실제 값이 True인 것. TP FP 개수 중에 TP가 몇 개인가 실제 True를 얼마나 잘 예측 했는가 Recall TP / All Truths TP / (TP + FN) 실측값 True 중 진짜 True라고 예측 한 것. F1 Score 2 × (Precision × Recall) / (Precision + Recall) Precision, Recall의..

import torch # torch version, gpu 사용 여부, 이름 체크 print("torch version>>", torch.__version__) print("GPU 사용 유무>>", torch.cuda.is_available()) print("GPU 이름>> ", torch.cuda.get_device_name(0)) ''' torch version>> 1.7.1+cu101 GPU 사용 유무>> True GPU 이름>> GeForce GTX 1650 ''' # device 설정. GPU 사용 가능 여부에 따라 device 정보 저장 device = "cuda:0" if torch.cuda.is_available() else "cpu" print(device) # cuda:0

Linux ls 명령어 구현 (1) Linux ls 명령어 구현 (1) ls의 옵션 중 –l, -a, -R, -al, -aR, 파이프(-pi)를 구현 코드의 전문이 아닌 일부만 서술 typedef struct info_set { // 파일의 세부정보 저장을 위한 구조체 long link; // 하드링크 개수 long size; // 파일.. machine-does-not-lie.tistory.com lsPipe 함수는 fork를 이용하여 자식 프로세스를 생성하고 dup2 함수를 이용하여 파일 디스크립터를 복제한다. 그리고 execl 함수에 디렉터리 path를 넘겨받는다. execlp 함수에서 command를 받는다. void lsPipe(char * dirpath, char * command, char ..

ls의 옵션 중 –l, -a, -R, -al, -aR, 파이프(-pi)를 구현 코드의 전문이 아닌 일부만 서술 #include #include #include #include #include #include #include #include #include #include #include typedef struct info_set {// 파일의 세부정보 저장을 위한 구조체 long link;// 하드링크 개수 long size;// 파일 크기 long time[4];// 최종상태 변경시간 char permission[11];// 권한 char * UID;// 사용자 ID char * GID;// 그룹 ID char * fname;// 파일 이름 char sympath[512];// 심볼릭 링크 원본 파일 ..

torchvision.datasets.VOCDetection를 상속받아 클래스를 만든 후 생성 시 download 매개변수를 True를 주면 VOC 데이터셋을 자동으로 다운로드 받을 수 있다. 상세한 매개변수는 voc.py의 class _VOCBase를 참조하면 된다. 기본값은 아래와 같다. class _VOCBase(VisionDataset): _SPLITS_DIR: str _TARGET_DIR: str _TARGET_FILE_EXT: str def __init__( self, root: str, year: str = "2012", image_set: str = "train", download: bool = False, transform: Optional[Callable] = None, target_t..

Numpy의 any를 이용한 필터 import numpy as np num_in_array = np.array([0]) x = np.array([ [2 ,33 ,1 ,6 ,24 ,0], [2 ,56 ,2 ,3 ,8 ,5], [1 ,2 ,12 ,65 ,4 ,1], [9 ,22 ,77 ,4 ,3 ,10], [15 ,0 ,2 ,73 ,2 ,3], [2 ,42 ,19 ,11 ,55 ,0] ]) # Filter by num_in_array if num_in_array is not None: print(x[:, 5:6] == num_in_array) print((x[:, 5:6] == num_in_array).any(1)) # 마지막 열이 num_in_array안의 숫자와 하나라도 일치할 경우 # any의 매개변수..

Scikit Learn 라이브러리에서 제공하는 데이터 셋 중 Iris 꽃의 데이터이다. from sklearn.datasets import load_iris iris_dataset = load_iris() print(type(iris_dataset) # sklearn.utils.Bunch print(iris_dataset.keys()) # dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename']) print(iris_dataset['DESCR'][:193]) ''' .. _iris_dataset: Iris plants dataset -------------------- **Data Set Chara..