줘이리의 인생적기

자료형의 크기와 범위를 알아보도록 하겠습니다. 크기는 sizeof로 알 수 있고, 범위는 numeric_limits를 통해 알 수 있습니다. numeric_limits는 #include limits를 포함해야 사용할 수 있습니다. 예제를 통해 정수형부터 알아보도록 하겠습니다. #include #include using namespace std; int main() { int a; short a_1; long a_2; long long a_3; cout

헤더 파일은 (.h)의 확장자를 가지며, 함수의 선언 부분을 가지고 있습니다. 다른 cpp 파일에서 함수를 정의하고, main에서 함수들을 사용합니다. 역시나 동일한 예제를 가지고 헤더파일로 분리해보겠습니다. 헤더파일 1개, add 함수 cpp 파일 1개, multi 함수 cpp 파일 1개, main 함수 1개 총 4개의 파일을 만들어 보겠습니다. operating.h #pragma once int add(int a, int b); double multi(double a, double b); add.cpp int add(int a, int b) { return a + b; } multi.cpp double multi(double a, double b) { return a * b; } main.cpp #i..

함수의 선언과 정의는 무엇인지, 어떻게 하는지 공부해보려고 합니다. 함수 선언은 아래와 같은 형태 입니다. 함수 정의는 아래와 같은 형태 입니다. 선언과 정의는 어디에 어떻게 해야할까요? 먼저 설명을 하자면, main 함수가 제일 아래에 있고 함수들은 main 함수보다 위에 있을 때 선언은 필요가 없습니다. 하지만 main 함수보다 다른 함수들이 아래에 있을 때 전방 선언이 필요합니다. 예제를 통해 알아보겠습니다. 먼저, main 함수가 아래에 있는 형태 예제를 보겠습니다. #include using namespace std; int add(int a, int b) { return a + b; } double multi(double a, double b) { return a * b; } int main(..

지역범위에 대해서 알아보겠습니다. 간단한 예제로 범위가 어디까지인지 알아보려고 합니다. #include using namespace std; int main() { int x = 1; cout

라이브러리와 충돌을 방지하기 위해 사용되는 명칭공간 사용법에 대해 공부해보겠습니다. 기본적으로 사용하는 cout, cin, endl등은 std 명칭공간에 위치합니다. std 명칭공간을 생략하기 위해 아래와 같은 방법을 사용합니다. #include using namespace std; int main() { int x = 100; cout

더 높은 정확도를 나오게 하려면 어떻게 해야할까요? 딥러닝의 발전은 컨볼루션 레이어가 중첩된 더 깊은 구조에서 나타났습니다. 정확도가 개선되었다는 말이죠 이번에는 VGG의 스타일로 모델을 생성해보도록 하겠습니다. import tensorflow as tf import matplotlib.pyplot as plt fashion_mnist = tf.keras.datasets.fashion_mnist (train_X, train_Y), (test_X, test_Y) = fashion_mnist.load_data() train_X = train_X / 255.0 test_X = test_X / 255.0 # print("reshape 이전 => ", train_X.shape, test_X.shape) train..

[tensorflow 19]에서 Fashion MNIST를 Dense 레이어를 사용하여 분류하였습니다. 이번에는 새롭게 공부한 컨폴루션, 풀링 레이어를 이용하여 분류해보겠습니다. [tensorflow 19]와 동일하게 정규화를 진행하고, 컨볼루션 연산을 진행하겠습니다. Conv2D 연산을 하기 위해서는 채널을 가진 데이터의 형태로 Shape를 변경해야 합니다. Shape 변경 후 모델 구성을 해보도록 하겠습니다. import tensorflow as tf fashion_mnist = tf.keras.datasets.fashion_mnist (train_X, train_Y), (test_X, test_Y) = fashion_mnist.load_data() train_X = train_X / 255.0 te..

이번에는 특징 추출(Feature Extraction) 기법 중 하나인 컨볼루션 신경망 CNN(Convolutional Neural Network)에 대해 공부해보도록 하겠습니다. 데이터셋에는 특징들이 있습니다. 앞서 공부했던 보스턴 주택 가격 데이터셋에는 범죄율, 주택당 방의 수, 고속도로 접근성, 학생/교사 비율 등과 같은 특징들이 있었고, 와인 데이터셋에는 당도, 품질, 도수 등의 특징들이 있었습니다. 하지만 Fashion MNIST와 같은 이미지 데이터는 특징을 스스로 찾아야 합니다. 결론부터 말씀드리자면, 컨볼루션 신경망은 네트워크가 특징을 추출하는 필터를 자동으로 생성합니다. 필터가 무엇이냐? 컨볼루션 연산은 필터(filter) 또는 커널(kernel)이라는 작은 행렬을 통해 픽셀들을 본래 픽..