본문 바로가기

전체 글48

딥러닝에서 패딩이 필요한 이유와 액티베이션 맵 크기 계산법 합성곱 신경망(CNN)에서 입력 이미지가 여러 계층을 거치면서 크기가 줄어드는 현상은 모델의 설계와 성능에 큰 영향을 줍니다. 이 문제를 해결하고자 자주 사용되는 기법이 바로 패딩(Padding)입니다.또한, CNN 구조를 이해할 때 꼭 알아야 할 것이 각 계층의 출력 크기(Activation Map Size)를 계산하는 공식입니다. 이번 글에서는 패딩이 필요한 상황과 액티베이션 맵의 크기 계산 방법을 실제 예시와 함께 설명하겠습니다. 📚 목차1. 패딩(Padding)이란?2. 패딩을 사용하는 이유3. 액티베이션 맵 크기 계산 공식4. 계산 예시5. 결론1. 패딩(Padding)이란?패딩(Padding)은 이미지의 가장자리에 0으로 채운 여백을 추가하여 입력 이미지의 크기를 인위적으로 확장하는 기술입니.. 2025. 5. 7.

딥러닝 텍스트 처리에서 One-Hot Vector를 쓰는 이유 딥러닝에서 범주형 데이터를 수치화하는 것은 필수적인 전처리 과정입니다. 그 중 가장 기본적이면서 널리 쓰이는 방법이 바로 One-Hot Encoding(원-핫 인코딩)입니다.이번 글에서는 딥러닝에서 자주 사용되는 One-Hot Vector의 개념, 특징, 장단점과 실제 예제 및 사용되는 분야까지 정리해보겠습니다.📚 목차1. One-Hot Vector란?2. 왜 필요한가?3. 예제: 텍스트 분류에서의 사용4. 장점과 단점5. One-Hot의 한계를 극복하는 방법6. 결론1. One-Hot Vector란?One-Hot Vector(원-핫 벡터)는 범주형 데이터를 벡터로 표현하는 가장 단순한 방식입니다.하나의 카테고리를 n차원의 벡터로 변환하며, 그 중 하나의 인덱스만 1이고 나머지는 모두 0으로 설정됩니다.. 2025. 5. 6.

L1 vs L2 규제화 차이 정리! 과적합 방지 핵심 기법 딥러닝 모델을 학습하다 보면 가장 흔히 마주치는 문제가 과적합(overfitting)입니다. 이때 효과적으로 과적합을 줄이는 대표적인 방법 중 하나가 바로 규제화(Regularization)입니다.특히 머신러닝과 딥러닝에서 가장 널리 사용되는 규제화 기법이 L1 규제와 L2 규제인데요, 이번 글에서는 이 두 가지 규제 방법의 개념, 수학적 정의, 차이점, 언제 사용하면 좋은지를 정리해보겠습니다.📚 목차1. 규제화(Regularization)란?2. L1 규제(Lasso)란?3. L2 규제(Ridge)란?4. L1 vs L2 규제의 차이점5. 언제 L1, 언제 L2를 사용할까?6. 마무리 요약1. 규제화(Regularization)란?규제화는 모델이 훈련 데이터에 과하게 적합(overfit)되는 것을 방.. 2025. 4. 15.

코사인 유사도란? 딥러닝에서 벡터 간 의미 유사도 계산하기 딥러닝과 머신러닝에서는 '벡터 간의 유사도'를 측정해야 하는 일이 매우 많습니다. 이때 자주 사용되는 지표 중 하나가 바로 코사인 유사도(Cosine Similarity)입니다.특히 자연어 처리(NLP), 추천 시스템, 임베딩 비교 등에서는 유클리디안 거리보다 방향성에 초점을 맞춘 코사인 유사도가 더 적합한 경우가 많습니다.이번 글에서는 코사인 유사도의 개념, 수학적 정의, 딥러닝 활용 사례 그리고 유클리디안 거리와의 차이까지 한 번에 정리해보겠습니다.📚 목차1. 코사인 유사도란?2. 수학적 정의와 계산 공식3. 딥러닝에서의 활용 사례4. 유클리디안 거리와의 차이점5. 마무리 요약1. 코사인 유사도란?코사인 유사도(Cosine Similarity)는 두 벡터 사이의 ‘각도’를 기준으로 유사도를 측정하는.. 2025. 4. 14.

딥러닝에서 유클리디안 거리란? 벡터 유사도 계산의 핵심 개념 정리 딥러닝에서 ‘벡터의 거리’를 계산하는 건 생각보다 자주 사용됩니다. 특히 특징 벡터(feature vector)나 임베딩(embedding) 간 유사도를 판단할 때 가장 널리 쓰이는 방법이 바로 유클리디안 거리(Euclidean Distance)입니다.이번 글에서는 유클리디안 거리란 무엇인지, 수학적 정의는 어떤지, 그리고 딥러닝에서는 어디에 쓰이는지를 예제와 함께 알아보겠습니다.📚 목차1. 유클리디안 거리란?2. 수학적 정의와 계산 공식3. 딥러닝에서의 활용 사례4. 유클리디안 거리 vs 코사인 유사도5. 마무리 요약1. 유클리디안 거리란?유클리디안 거리(Euclidean Distance)는 우리가 **일상에서 사용하는 직선 거리(두 점 사이의 거리)**를 말합니다. 즉, 2차원 평면에서는 두 점 사.. 2025. 4. 13.

머신러닝 vs 딥러닝 지도학습: 선형함수와 비선형함수의 차이 머신러닝과 딥러닝은 모두 지도학습(Supervised Learning)을 사용하는 대표적인 인공지능 기술입니다. 하지만 두 기술은 내부 구조와 함수 구성에서 큰 차이가 있습니다. 머신러닝의 지도학습은 선형함수(Linear Function) 기반 모델이 많고, 딥러닝은 비선형함수(Nonlinear Function)를 활용한 복잡한 구조를 갖습니다. 이번 글에서는 이 두 기술의 지도학습 구조를 중심으로, 선형 vs 비선형 함수의 차이와 적용 사례를 예시와 함께 살펴보겠습니다.📚 목차1. 지도학습이란 무엇인가?2. 머신러닝 지도학습: 선형 함수 기반3. 딥러닝 지도학습: 비선형 함수 기반4. 선형 vs 비선형 모델 비교 예시5. 왜 딥러닝은 비선형 함수를 사용할까?6. 마무리 요약1. 지도학습이란 무엇인가?.. 2025. 4. 12.

이전 1 2 3 4 ··· 8 다음

티스토리툴바