hello, world!

[cross entropy cost를 더 간단하게 구하는 방법] softmax_cross_entropy_with_logits() # 파라미터로 logits과 Y lable을 넘겨준다. [Y의 모양을 0~N의 label에서 one hot 형태로 바꾸는 방법] one_hot() 파라미터로 0부터 시작되는 Y, class의 개수를 넘겨준다. input의 rank가 N이라면 output의 rank는 N+1이 된다. (차원이 커지며 아직 원하는 shape이 반환되지 않음!) reshape() 위 one_hot()과 원하는 shape을 파라미터로 보낸다. (원하는 shape이 반환 됨!) 동물 정보(x_data)에 대한 어떤 동물인지 결과(y_data)를 학습시켜 예측하는 모델이다. x_data: n개의 인스턴스가..

Softmax Classification: 여러 개의 class 중에서 결과를 예측해야 할 때 유용하다. (ex. 학점 A, B, C, D, F 등 n개의 항목이 있는 경우) ▷ Hypothesis => Softmax function을 통과시킨다. 특징 1. a, b, c의 hypothesis는 0과 1 사이의 값이다. 2. a, b, c의 hypothesis 총합은 1이다. 따라서 확률로 볼 수 있다. (one-hot encoding: 확률이 가장 큰 것을 100%, 나머지를 0%로 판단하여 구현하는 방법) ▷ Cost function => Cross-entropy 실제 값 Y와 softmax의 결과값의 차이 ▷ Gradient descent => cost function의 미분 import tenso..