Recommended
More Related Content
What's hot
What's hot (18)
Similar to iT Cafe - Linear Algebra & Python Overview
Similar to iT Cafe - Linear Algebra & Python Overview (9)
iT Cafe - Linear Algebra & Python Overview
- 1. Deep Learning in Python Deep Neural Network 김동민|Dongmin Kim Linear Algebra & Python Overview Dongmin Kim dmk2436@gmail.com
- 2. Dongmin Kim, 2018 Review - Machine Learning “… give computer systems the ability to "learn" with data, without being explicitly programmed.” (Wikipedia)
- 3. Dongmin Kim, 2018 Review - Deep Learning Machine learning that uses the feature representation during learning - Computational - Probabilistic Modeling
- 4. Dongmin Kim, 2018 행렬 행과 열로 표현한 데이터 a 𝑎 𝑏 𝑐 𝑑 𝑒 𝑎 𝑏 𝑐 𝑑 스칼라 (Scalar) 0차원 벡터 (Vector) 1차원 행렬 (Matrix) 2차원 텐서 (Tensor) n차원(𝑛 ≥ 0)
- 5. Dongmin Kim, 2018 데이터의 차원 차원 예 0 1명의 키, 건물의 높이 1 여러명의 키, 시간에 따른 풍속 2 회색조 사진, 위도&경도에 따른 해발고도 3 컬러 사진, 회색조 영상, 3D 캐릭터 회색조 모델 4 컬러 영상, 3D 캐릭터 컬러 모델
- 6. Dongmin Kim, 2018 행렬 연산 1 - Transpose (𝐴 𝑇 )𝑖,𝑗 = 𝐴𝑗,𝑖 (𝐴 𝑇 ) 𝑇 = 𝐴
- 7. Dongmin Kim, 2018 행렬 연산 2 – 덧셈 행렬 + 행렬 𝐶 = 𝐴 + 𝐵 ⟺ 𝐶𝑖,𝑗 = 𝐴𝑖,𝑗 + 𝐵𝑖,𝑗 행렬 + 벡터 𝐶 = 𝐴 + 𝑏 ⟺ 𝐶𝑖,𝑗 = 𝐴𝑖,𝑗 + 𝑏𝑗 행렬 + 스칼라 𝐶 = 𝐴 + 𝑏 ⟺ 𝐶𝑖,𝑗 = 𝐴𝑖,𝑗 + 𝑏
- 8. Dongmin Kim, 2018 행렬 연산 3 – 곱셈(1) Product Operation: 𝐶 = 𝐴𝐵 ⟺ 𝐶𝑖,𝑗 = 𝑘 𝐴𝑖,𝑘 𝐵 𝑘,𝑗 전제조건: A의 행수 = B의 열수 A가 m*p, B가 p*n일 때, C는 m*n Hadamard Product Operation(element-wise) 𝐶 = 𝐴 ⊚ 𝐵 ⟺ 𝐶𝑖,𝑗 = 𝐴𝑖,𝑗 𝐵𝑖,𝑗 전제조건: A와 B는 모양(행수과 열수)이 같다.
- 9. Dongmin Kim, 2018 행렬 연산 3 – 곱셈(2) 분배법칙 성립: 𝐴 𝐵 + 𝐶 = 𝐴𝐵 + 𝐵𝐶 결합법칙 성립: 𝐴 𝐵𝐶 = 𝐴𝐵 𝐶 교환법칙 불성립: 𝐴𝐵 = 𝐵𝐴가 항상 성립하는 것은 아님
- 10. Dongmin Kim, 2018 라이브러리 설치하기 pip 업그레이드: python –m pip install –upgrade pip numpy 설치: pip3 install numpy matplotlib 설치: pip3 install matplotlib TensorFlow 설치: pip3 install –-upgrade tensorflow
- 11. Dongmin Kim, 2018 numpy를 이용하여 텐서 생성하기 numpy 모듈 np라는 이름으로 임포트하기 import numpy as np n차원을 가지는 텐서 생성하기 a = np.ndarray([1, 2, 3]) #[1, 2, 3]이라는 모양을 가지는 3차원의 텐서 a의 차원 a.ndim a의 모양 a.shape
- 12. Dongmin Kim, 2018 numpy를 이용하여 텐서 내의 데이터 접근 (컴퓨터는 0부터 숫자를 센다는 사실에 유의) [3, 5]라는 모양을 가지는 텐서 a (1, 2)지점의 데이터에 접근할 때: a[0, 1] 1행의 데이터 전체에 접근할 때: a[0, :] 1행의 데이터 중 3열부터 끝까지 접근할 때: a[0, 2:] 1행의 데이터 중 2열부터 4열까지 접근할 때: a[0, 1:4] #1이상 4미만 2열의 데이터 전체에 접근할 때: a[:, 1] 전체 데이터에 접근할 때: a or a[:, :]
- 13. Dongmin Kim, 2018 예제: numpy와 matplotlib를 이용하여 이미지 흑백으로 변환하기 - 1 RGB 사진을 회색조로 변환하는 공식: Grayscale = 0.2126 × R + 0.7152 × G + 0.0722 × B matplotlib 내의 image, pyplot 모듈과 numpy를 불러오기 import matplotlib.image as mp_image Import matplotlib.pyplot as mp_plot Import numpy as np 이미지 파일 불러오기(png형식만 가능) input = mp_image.imread(‘[파일 경로와 이름]’) print(input.ndim) #3이 출력될 때 정상 print(input.shape) #[세로, 가로, 컬러채널] 컬러채널이 3일 때(RGB)와 4일 때(ARGB)*로 나뉨 A = Alpha Value(Transparentness, 투명도)
- 14. Dongmin Kim, 2018 예제: numpy와 matplotlib를 이용하여 이미지 흑백으로 변환하기 - 2 변환할 흑백 사진을 저장할 2차원 텐서 생성(원본 사진과 같은 가로, 세로) output = np.ndarray([input.shape[0], input.shape[1]]) 각 픽셀의 컬러채널에 대하여 가중치를 곱하여 흑백으로 변환 output = 0.2126 * input[:, :, 0] + 0.7152 * input[:, :, 1] + 0.0722 * input[:, :, 2] #RGB output = 0.2126 * input[:, :, 1] + 0.7152 * input[:, :, 2] + 0.0722 * input[:, :, 3] #ARGB 변환한 이미지를 출력 mp_plot.imshow(output, cmap=‘gray’) mp_plot.plot() 원본 이미지와 비교
- 15. Dongmin Kim, 2018 Python Overview
- 16. Dongmin Kim, 2018 Review - Matrix 행과 열로 표현한 데이터 a 𝑎 𝑏 𝑐 𝑑 𝑒 𝑎 𝑏 𝑐 𝑑 스칼라 (Scalar) 0차원 벡터 (Vector) 1차원 행렬 (Matrix) 2차원 텐서 (Tensor) n차원(𝑛 ≥ 0)