딥러닝 네트워크의 연산 - goormEDU

딥러닝 네트워크의 연산

딥러닝 네트워크가 어떤 연산을 통해 출력을 만들어내는지 다루는 강의입니다.

Lecture Introduction
Difficulty
Normal
Category
Programming - AI
Tag
딥러닝, 파이썬, 텐서플로우
Target Audience
- 딥러닝 입문자
- [L4DL Project]에 참여하고 싶으신 분

본 강좌는 [L4LD Project]에서 딥러닝을 본격적으로 다루는 첫 번째 강좌입니다.

📣 공지사항• 본 강좌는 Learning 4 Deep Learning(L4DL)의 모든 강좌와 통합된 Private Slack 채널에서 함께 운영되고 있습니다. 강좌를 신청하신 뒤 섹션0 - 수업2: 슬랙 (Slack) 커뮤니티 가입 신청에서 가입하실 수 있습니다.
• 질문&답변은 슬랙 채널에 남겨주시면 보다 빠르게 확인해드리고 있습니다.

Learning 4 Deep Learning
Project Curriculum📑

[전체화면 링크]






Background

딥러닝을 공부할 때 단순히 모델을 만들고, 학습을 시켜보는 것은 장기적으로 큰 의미가 없습니다.

딥러닝을 본격적으로 이해하기 위해선, backpropagation이나 parameter update algorithm들을 다루기 앞서 딥러닝 네트워크가 어떤 연산을 이용하여 출력을 계산하는지 이해해야 합니다.
실제 딥러닝 모델은 다음과 같은 과정을 통해 만들어집니다.


딥러닝을 학습하는 입장에서 가장 집중적으로 배워야하는 부분은 바로 Model Training 과정입니다.
그리고 이 과정은 다음과 같이 이루어져있습니다.


본 강의는 이 과정 중 Model Prediction Loss Calculation에 해당하는 Forward Propagation을 집중적으로 다룹니다. 이를 통해 여러분들은 Convolutional Neural Network가 어떤 과정을 통해 출력을 만들어내는지 확인할 수 있습니다.
그리고 이런 개념 위에서 딥러닝의 심도깊은 이해가 이루어지게 될 것입니다.





Convolutional Neural Network

딥러닝이 가장 처음 도입된 분야는 이미지 분류입니다. 이에 따라 딥러닝을 이해하는데 가장 기초적인 모델들은 LeNet, AlexNet, VGGNet과 같은 이미지 분류기들입니다.
따라서 본 강의에서는 앞으로 한동안 집중적으로 다룰 Convolutional Neural Network에 관한 네트워크에 연산을 집중적으로 다룹니다. 




Implementation with Tensorflow

본 강좌에서는 Tensorflow를 이용해 딥러닝에서 사용하는 가장 기본적인 layer인 dense layer, convolutional layer, max/avgerage pooling layer, softmax layer를 만들어보고 연산들을 직접 만들어보면서 이론적으로 배운 내용이 Tensorflow에서 어떻게 구현되어 있는지 확인해봅니다.






Parameters in Networks

본 강의를 학습한 뒤에는 전체 딥러닝 네트워크가 어떤 trainable parameter들을 가지고 있는지, 이런 변수들이 어떻게 연산에 사용되는지 알게됩니다. 따라서 다음과 같이 각 layer들의 특징에 대해 이해할 수 있게됩니다. 
추후 이 개념은 딥러닝 모델을 학습시키는 vector chain rule을 이해하는데 사용됩니다.







딥러닝, 믿고 따라오세요!


Shin's Lab

  • [과학기술정보통신부] AI 이노베이션 스퀘어 - 딥러닝 강사
  • [런어데이] 딥러닝을 위한 파이썬 레벨1 강사
  • [런어데이] 딥러닝을 위한 파이썬 레벨2 강사
  • [런어데이] 데이터 시각화를 위한 파이썬 강사
  • [런어데이] Forward Propagation of Neural Networks 강사
  • [Youtube] Shin's Lab 운영(신호처리, 수학, 프로그래밍)
  • [패스트캠퍼스] 수학적으로 접근하는 딥러닝 강사
  • [패스트캠퍼스] Byte Degree: Deep Learning Essentials 리뷰어
  • [Edwith] 교수자
  • [광운대학교] 파이썬 및 영상처리 세미나 리더
Curriculum
Expand All
  • 01
    Introduction to the Course
  • Lecture0-1: Introduction
    슬랙(Slack) 커뮤니티 가입 신청
    Lecture0-2: CoLaboratory
  • 02
    Artificial Neurons
  • 강의자료 다운로드
    [이론강의] Lecture.1-1: Parametric Functions and Datasets
    [이론강의] Lecture.1-2: Artificial Neurons
    [구현강의] Lecture.1-3: Affine Functions
    [구현강의] Lecture.1-4: Affine Functions
  • 03
    Dense Layers
  • 강의자료 다운로드
    [이론강의] Lecture.2-1: Dense Layers
    [이론강의] Lecture.2-2: The First Dense Layer
    [이론강의] Lecture.2-3: Generalized Dense Layers
    [이론강의] Lecture.2-4: Minibatches in Dense Layers
    [구현강의] Lecture.2-5: Dense Layers
    [구현강의] Lecture.2-6: Cascaded Dense Layers
    [구현강의] Lecture.2-7: Model Implementation with Dense Layers
  • 04
    Sigmoid and Softmax
  • 강의자료 다운로드
    [이론강의] Lecture.3-1: Logit and Sigmoid
    [이론강의] Lecture.3-2: Softmax Layer
    [구현강의] Lecture.3-3: Binary Classifiers
    [구현강의] Lecture.3-4: Multi-class Classifiers
  • 05
    Loss Functions
  • 강의자료 다운로드
    [이론강의] Lecture.4-1: Mean Squared Error
    [이론강의] Lecture.4-2: Binary Cross Entropy
    [이론강의] Lecture.4-3: Categorical Cross Entropy
    [구현강의] Lecture.4-4: Toy Datasets for Regression and Binary Classification
    [구현강의] Lecture.4-5: Toy Datasets for Multi-class Classification
    [구현강의] Lecture.4-6: MSE and BCE
    [구현강의] Lecture.4-7: SCCE and CCE
  • 06
    Convolutional Layers
  • 강의자료 다운로드
    [이론강의] Lecture.5-1: Image Tensors and Classical Correlation
    [이론강의] Lecture.5-2: Computations of Conv Layers
    [이론강의] Lecture.5-3: Conv Layers for Multi-channel Input
    [구현강의] Lecture.5-4: Conv2D Layers
    [구현강의] Lecture.5-5: Conv2D with Filters
    [구현강의] Lecture.5-6: Model Implementation with Conv2D Layers
  • 07
    Pooling Layers
  • 강의자료 다운로드
    [이론강의] Lecture.6-1: Pooling Layers
    [구현강의] Lecture.6-2: Max and Average Pooling Layers
    [구현강의] Lecture.6-3: Padding and Strides
  • 08
    Convolutional Neural Networks
  • 강의자료 다운로드
    [이론강의] Lecture.7-1: Convolutional Neural Networks
    [구현강의] Lecture.7-2: Shapes in CNNs
    [구현강의] Lecture.7-3: CNN Implementation
    [구현강의] Lecture.7-4: LeNet Implementation
Instructor Introduction
user
Shin's LabTeacher

Lecture Reviews
  • No reviews have been written.
Ends in 
D-0
39,000
27,300
(30%)

Average Rating
0.0
Difficulty
Normal
Lecture Period
Unlimited