Tensorflow 공부 (2차)

Many x Instance

Matrix의 장점인 인스턴스의 수대로 Matrix를 주고, W는 변함이 없다. 그 이후 Matrix 곱을 하면 이전의 Multi-variable처럼 많은 수가 그대로 연산된다. 그래서 전체를 긴 Matrix에 instance의 수만큼 넣어 계산할 수 있다.

 

위 그림처럼 3이 같아야 하고, 3 두 개를 지워버리면 5,1을 구할 수 있다.

 

 

개발자는 W의 크기를 결정해야한다. variable인 3을 가져오고, 1을 도출하기 때문에 [3,1]이 W가 된다.

 

Hypothesis using matrix

 

Hypothesis using matrix (n output)

정리

Lecture에서 다룰 때 : H(x) = Wx + b

실제로 구현 할 때 : H(X) = XW

사실 수학적 의미는 똑같다.

 

Logistic (regression) classification

(Binary) Classfication

 

0/1 Encoding

Spam Detection : Spam (1) or Ham (0)

Facebook feed : show (1) or hide (0)

Credit Card Fraudulent Transaction detection : legitimate (0)/ or fraud (1)

 

Logistic Hypothesis

Sigmoid 함수(logistic function)

Linear Regression에서 바뀐 점

• z = wx
• H(x) = g(z)

 

H(x) = 1 -> cost(1) = 0, H(x) = 0 -> cost(0) = ∞

cost : g(z) = -log(z)

 

g(z)

y = 0

H(x) = 0, cost = 0

H(x) = 1, cost = ∞

g(z) = -log(1-z)

그림 두 개를 합치면 Gradient decent algorithm과 동일한 그림이 나온다.

 

위 해당하는 실습 코드

 

Tensorflow 공부 (2차) 너무 무분별 하게 섹션을 따로 나누지 않고 해서 3차부터는 주제에 맞게 포스트하도록 하겠습니다.