ggangni

ABSTRACT large-scale image recognition setting에서 convolution network depth에 따른 정확도 효과를 조사함 매우 작은(3*3) convoltuion filter를 가진 아키텍쳐를 사용하여 depth를 증가시킴 1. INTRODUCTION Krizhevsky의 original architecture를 improve하기 위하여 많은 시도들이 있었는데, 그 중 best-performing한 제출은 첫번째 conv층 보다 수용 가능한 정도로 작은 window size와 작은 stride층을 활용하였다. 이 논문에서는 ConvNet achitecture의 다른 중요한 측면을 다룰 것이다. 그건 바로 depth 아키텍처의 다른 파라미터들은 고정시키고 convo..

Abstract - 네트워크 구성 :( five convolution layer + max-pooling layers ) + (three fully-connected layers + final 1000-way softmax) - training을 빠르게 하기 위해서 non-saturating neurons와 매우 efficient한 GPU를 사용했다. *** non saturating neurons????-> activation function에서 일어나는 saturation 현상을 말하는 것인가? *** saturation 현상 : weight의 update가 멈추는 현상 ( 추가 공부하기 : https://nittaku.tistory.com/267) - fully connected layer에서의 o..

# Numpy 1) 1D Array with Numpy arr_1 = np.arrange(7) # arr_1 = np.array([0,1,2,3,4,5,6]) arr_1 = arr_1.astype(np.float32) # array element의 타입을 int에서 float으로 변환 arr_1 : [0,1,2,3,4,5,6] arr_1의 rank (= arr_1.ndim) 는 1 / shape 은 (7,) 2) 2D Array with Numpy # reshape = 차원 변경 arr_2 = np.arrange(1,13).reshape(4,3) # arr_2 = np.array([[1,2,3], [4,5,6], [7,8,9]]) # slicing arr_2[2:4, 1:3] # 2~3행 & 1~2행 #..