dlbro

안녕하세요.&nbsp;coefficient matrix 지칭하는 행렬 뿐만아니라 모든 정방행렬에 대해 만족하는 명제입니다!&nbsp;감사합니다.&nbsp;딥러닝호형 드림

Ａ가 정방행렬일때의 동치 명제

fkid009님, 좋은 질문 감사합니다!&nbsp;rank(A)=n이면 A^TA가 nonsingular가 보장되기 때문에 다른 조건 없이 최소제곱해를 사용할 수 있으며 그 최소해가 유일합니다. 만약 rank(A)<n 경우에는 A^TA가 singular해서 A^TA의 역행렬을 구할 수 없습니다. 다만, Moore-Penrose pseudoinverse와 같은 다른 방법으로 문제를 풀 수 있습니다.m 관련해서는 m이 데이터 수라고 한다면 일반적으로 m>>n 이기 때문에 여기서는 n에 관한 성질이 중요합니다. 만약 m<n이면 변수보다 식이 적다는 의미이기 때문에 부정 방정식이 됩니다.&nbsp;감사합니다.&nbsp;딥러닝호형 드림

least square solution에서의 rank에 대해

안녕하세요.방금 압축파일을 다시 만들어 업로드 하였습니다.다시 다운로드 하신 후 압축해제 해보시겠어요?&nbsp;해제 후 파일들이 안 보인다면 알집 또는 7zip 같은 프로그램을 사용부탁드립니다.&nbsp;강의 관련 언제든 질문 주세요!감사합니다.&nbsp;딥러닝호형 드림

수업자료 제공 부탁드립니다.

안녕하세요!" 2. 실습 코드 사용 방법"에 아래 "자료 다운로드"를 클릭하시면 자료를 보실 수 있습니다.만약 zip파일 압축을 풀었을 때 파일이 나타나지 않으면 알집 등 다른 프로그램을 이용하여 시도해 보시겠어요? :)&nbsp;감사합니다.&nbsp;딥러닝호형 드림

코드가 어디에 있는지  모르겠습니다.

하영님, 안녕하세요.Github에 Yolo4을 찾아보시면 튜토리얼에 진행 방법이 상세히 나와있습니다.간략히 업무 순서를 정리해드리면<ol><li>데이터 수집하기</li><li>각 이미지 내 객체 주석달기 (객체 위치 잡고 라벨링하는 프로그램이 별로로 있습니다.)</li><li>튜토리얼에 나와있는 커스텀 폴더에 이미지 파일과 라벨링 파일 각각 옮기기</li><li>pretrained model을 이용하여 커스텀 데이터로 학습 시작하기</li></ol>일반적으로 코드 내부를 손대지 않고 튜토리얼대로 따라 하시면 문제 없을 겁니다!! 코랩에서 진행하실 경우 이 강의 마지막에 실습에 나온 것 처럼 구글 드라이브에 파일을 옮겨 놓고 코랩에서 드라이브를 마운트 시켜주시면 됩니다.개인 과제는 도와드릴 수 없다는 점 양해부탁드립니다ㅠㅠ&nbsp;감사합니다.&nbsp;딥러닝호형 드림

카메라달린 자동차가 특정물체를 계속 따라가는 주행을 하게하기위한 학습으로 Yolo4를 이용해야하는 학교 과제가 있어서 질문드립니다.

안녕하세요.좋은 질문 감사합니다.실측 데이터를 추가로 사용하여 학습한다면 미분방정식에서 고려되지 못한 것들이 작용하고 학습에 있어 가이드 역할을 합니다. 따라서 가장 큰 기대효과는 학습 속도를 개선하고 실제 비선형 현상을 학습하는 것입니다. 하지만 실제 데이터와 미분방정식 간의 차이가 크면 오히려 학습이 잘 안 될 수도 있습니다. 예를 들어 시스템 설계시 간소화 혹은 선형화를 한 경우, 혹은 노이즈가 많은 경우 등 있습니다.따라서 미분방정식에서 다루지 않은 비선형성을 학습하겠지만 실제 시스템과 방정식에 따라 조심스럽게 해석해야 합니다. 그래도 데이터가 충분히 있다면 데이터 관련 손실함수 비중을 높여 학습하는 방법은 좋은 방법입니다:)&nbsp;감사합니다.&nbsp;딥러닝호형 드림

비선형성에 대한 고려

안녕하세요, 은지님!제보 감사드립니다.(1 -1)이 맞습니다 ^^;;&nbsp;감사합니다.&nbsp;딥러닝호형 드림

행별변환5강

안녕하세요.<a target="_blank" rel="noopener noreferrer nofollow" href="mailto:deeplearningbro@gmail.com">deeplearningbro@gmail.com</a> 입니다.감사합니다.&nbsp;딥러닝호형 드림

질문하나 있습니당

안녕하세요.좋은 질문입니다!mean attention distance는 각 패치가 (가중) 평균적으로 얼마나 떨어진 토큰에 집중하는지를 측정하는 지표입니다. 여기서 self-attention을 통해 패치간의 attention 가중치를 구할 수 있는데 이 값이 크다는 이야기는 서로 관계가 크다는 것을 의미하고 각 어텐션 거리는 (attention 가중치)x(패치의 거리)으로 정의되어 있기 때문에 관계가 크면 어텐션 거리도 커짐을 알 수 있습니다.&nbsp;즉, 어텐션 거리가 크다는 것은 각 패치들이 다른 패치들을 종합적으로 본다는 의미이고 각 패치는 이미지 조각이기 때문에 이미지의 여러 부분을 본다고 할 수 있습니다.&nbsp;물론 평균이 아닌 각 패치마다 값을 고려한다면 "각 가중치는 작고 패치거리는 긴 경우"도 있고, "가중치는 크고 패치거리는 짧은 경우"도 있을 수 있으니 "평균적"으로 이런 경향이 있다라고 이해하시면 됩니다.&nbsp;감사합니다.&nbsp;딥러닝호형 드림

mean attention distance

안녕하세요, jm님!&nbsp;본 강의는 입문자가 기초부터 논문 구현까지 해 볼 수 있는 강의로서 기본 내용과 논문 6편에 해당하는 실습이 포함되어 있습니다. 이정도면 입문자에게 충분한 내용이라고 생각됩니다!추가로 파이토치 실습을 원하신다면 트랜스포머 강의를 추천해 드립니다.이 강의는 비전 트랜스포머 논문을 기반으로 모델을 상세하게 배우고 코드를 구현하는 강의입니다.<a target="_blank" rel="noopener noreferrer nofollow" href="https://inf.run/ZvTX">https://inf.run/ZvTX</a>&nbsp;이 후 파이토치가 익숙해지시면 원하는 논문을 검색해서 저자들의 코드를 훑어 보거나 직접 구현해보시는 것을 추천드립니다.&nbsp;감사합니다.&nbsp;딥러닝호형 드림

dlbro

Posts