신경망의 첫걸음인 Score function 과 Loss function 에 대한 기본적인 아이디어를 제공해 줍니다

1. Score Function 과
Loss Function

2. 유쉘
산업시스템 공학과를 졸업하고
딥러닝에 대해 공부하고 있습니다
yushell0417@gmail.com

3. 3
신경망 이해의 시작!!
이미지에 대한 점수

4. 4
점수란, 해당 이미지가 주어진 class 에
얼마나 적합한 지를나타내는 지표입니다.

5. 5
점수의 값은 가중치 값에 따라 결정 됨!!
고양이: -1.3
고양이의 점수가 -1.3점이고 개의 점수가 9점이기 때문에
개 라고 잘 못 분류했습니다.
신경망은 이미지에 대한 점수를
계산하여 분류를 합니다.
그럼 위에서 구한 이미지에 대한 점수 에 대해
틀린 정도를 정량화 하는 방법은?

6. 이미지에 대한 점수의 오차를
설명해 주는 Loss Function

7. 7
점수에 대한 틀린 정도를 구해주는 Loss Function
주어진 이미지에 대해 도출된 점수를 loss function에 입력합니다.
대표적으로 사용되는 loss function은 두 가지가 있습니다.
Hinge Loss!!
다른 예측 값
자신 예측 값
Margin
그러면.. 두 함수의 차이점은 무엇일까요?
Softmax entropy loss!!

8. 8
Hinge 는 둔감.. Softmax 는 민감!!
Hinge Loss
식을 보면 +1 이라는
safty margin 을 두어
점수 변화에 둔감!!
Softmax Cross Entropy
모든 데이터에 대한 값을
계산히기 때문에 민감!!
폐결절 X-ray 이미지 처럼
작은 변화도 감지해야 하는 경우라면?
값에 민감한 Softmax 를 사용합니다!!
“어떤 경우에 둘 중 선택해야 할까요?”

9. 9
지금까지의 내용 정리를 해보면..
점수 = 이미지 * 가중치
Loss = 점수의 틀린 정도를 정량화한 값
즉! Loss 는 가중치 에 영향을 받음!!

10. 이미지를 분류하는데 있어서
정확도를 높이기 위한 방법은
Loss를 줄이는 가중치를 찾는 것입니다.

11. 감사합니다