전투코딩

터미널에서의 Top 5 기본 명령어

심전코 — Thu, 3 Nov 2022 02:44:50 +0900

Top 5 기본 명령어

$ pwd : 현재 경로를 나타내는 명령어
$ mkdir {폴더명}: 폴더(디렉토리)를 생성
$ cd {폴더명} : 폴더에 들어가는 명령어
$ ls : 현재 디렉토리 안의 파일 및 폴더 목록을 출력
$ ls -l : 상세정보 출력
$ ls -a : 숨긴 파일까지 표시
$ ls -al : 숨긴 파일까지 상세정보 포함해서 출력
$ cat {파일명} : 파일을 터미널에 출력

이외에도 터미널에서 사용하는 명령어들은 무수히 많다.

키워드로 검색해 보며

자신이 사용할 명령어들을 정리해 보길 바란다.

추천 키워드: bash 쉘 기본 명령어, 리눅스 기본 명령어 등

https://linuxjourney.com/lesson/the-shell

Learning | Linux Journey

1. The Shell The world is your oyster, or really the shell is your oyster. What is the shell? The shell is basically a program that takes your commands from the keyboard and sends them to the operating system to perform. If you’ve ever used a GUI, you’

linuxjourney.com

터미널과 CLI 란?

심전코 — Thu, 3 Nov 2022 02:40:53 +0900

터미널이란?

글자 기반으로 명령을 전달할 수 있는 Application. 즉, Program 을 의미한다.

CLI 란?

글자 기반으로 작성자의 명령을 내리고, 결과를 확인할 수 있는 환경을 의미한다.

그렇다면,

CLI 는 왜 만들어 졌을까?

-> 컴퓨터와 소통 하기 위해

하지만, 소통은 GUI 로도 가능한데?

GUI 는, CLI 가 익숙하지 않은, 배우기 어려운 사람들을 위해

‘코딩을 할 줄 몰라도 컴퓨터를 다룰 수 있었으면 좋겠다..’

라는 의견이 있어 탄생하게 되었다.

(단, 개발자에게 GUI 는 불필요하다 → 효율성의 문제(리소스가 많아지며, 느려짐의 원인))

https://battlecoding.tistory.com/56

CLI vs GUI

코딩을 접해봤다면, 아래 cmd 창이 상당히 익숙할 것이다. cmd 창에서 입력하는 것을 CLI (Command Line Interface) 라고 하며, 이는, 글자 기반(command) 으로 명령을 내리는 것을 의미한다. → 키보드 위주의

battlecoding.tistory.com

Python, Git, Docker 등 엔지니어링을 위한 개발 도구들은

주로 CLI 를 기반으로 만들어졌다.

개발과 연관된 영역에서는 CLI 는 선택이 아닌 필수이다.

CLI 를 사용하기 위해서는 운영체제에 따라 사용할 수 있는 터미널을 설치해야한다.

맥 / 리눅스

기본 터미널 혹은 iterm 을 이용해서 CLI 를 이용.

윈도우

'git bash' 를 설치 후 CLI 를 이용.

CLI vs GUI

심전코 — Thu, 3 Nov 2022 02:36:51 +0900

코딩을 접해봤다면,

아래 cmd 창이 상당히 익숙할 것이다.

cmd 창에서 입력하는 것을 CLI (Command Line Interface) 라고 하며,

이는,

글자 기반(command) 으로 명령을 내리는 것을 의미한다.

→ 키보드 위주의 명령 진행

그럼 반대로 커맨드에서 무엇인가를 하기 싫은 경우도 있지 않겠는가?

이를 GUI (Graphical User Interface) 라고 하며,

이는,

그림 기반 ( graphic ) 으로 명령을 내리는 것을 의미한다.

→ 마우스 위주의 명령 진행.

간단한 예를 들어 설명한다면,

바탕화면의 코드잇 폴더로 진입하려 한다.

GUI 의 경우,

-> 마우스로 바탕화면에 있는 코드잇 폴더를 더블클릭해 진입한다.

CLI 의 경우,

-> cd 명령어로 바탕화면의 경로로 진입하고, 다시 cd 명령어로 코드잇을 입력해 폴더로 진입한다.

단순히 본다면 더블클릭을 하는 GUI 방식이 더 쉬워보이지만,

모름지기 개발자라면,

마우스보다 키보드가 익숙해지는 때가 반드시 올 것이다.

활성화 함수 - 소프트맥스 함수 (Softmax function) 란?

심전코 — Sat, 29 Oct 2022 02:50:58 +0900

활성화 함수(Activation function)

활성화 함수는 가중 합의 출력 값이 입력되었을 때, 그대로 출력 하지 않고

값을 증폭 시키거나, 감소 시키는 등 얼마 만큼의 신호로 출력 할 지 정해주는 함수이다.

4. 소프트맥스 함수 (Softmax function)

시그모이드 함수와 유사한 함수이다.

단,

시그모이드 함수는 2진 분류 문제에 적합하였다면,

소프트맥스 함수는 다중 분류 문제에 적용할 수 있도록 시그모이드 함수를 일반화 한 함수이다.

가중 합 값을 소프트맥스 함수에 통과 시키면,

모든 클래스 값의 합이 1이 되는 확률 값 으로 변환된다.

활성화 함수 - ReLU 함수 (ReLU function) 란?

심전코 — Sat, 29 Oct 2022 02:29:50 +0900

활성화 함수(Activation function)

활성화 함수는 가중 합의 출력 값이 입력되었을 때, 그대로 출력 하지 않고

값을 증폭 시키거나, 감소 시키는 등 얼마 만큼의 신호로 출력 할 지 정해주는 함수이다.

3. ReLU 함수 (ReLU function)

ReLU 함수는

Rectified Linear Unit 의 약자이며,

시그모이드 함수를 중복 해 사용하면 기울기 소실 ( Vanishing Gradient ) 문제가 발생하는데,

기울기 소실 문제를 해결하기 위해 등장한 것이 ReLU 함수이며,

실제로도 많이 사용되는 활성화 함수이다.

주로 0 으로 유지되다가 직선으로 올라가는 형태의 그래프를 띄고 있다.

ReLU function

ReLU 함수는

양의 값이 입력되면 그 값을 그대로 출력하고,

음의 값이 입력되면 0 을 반환한다.

ReLU 함수 공식

코드 예시

def ReLU(x):
    zero = np.zeros(len(x))
    return np.max([zero, x], axis=0)

x = np.arange(-3, 3, .1)
y = ReLU(x)

fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(x, y)
ax.set_ylim([-1.0, 3.0])
ax.set_xlim([-3.0, 3.0])
#ax.grid(True)
ax.set_xlabel('z')
ax.set_title('ReLU: Rectified linear unit')

plt.show()
fig = plt.gcf()

ReLU function

활성화 함수 - 시그모이드 함수(Sigmoid function) 란?

심전코 — Sat, 29 Oct 2022 02:19:55 +0900

활성화 함수(Activation function)

활성화 함수는 가중 합의 출력 값이 입력되었을 때, 그대로 출력 하지 않고

값을 증폭 시키거나, 감소 시키는 등 얼마 만큼의 신호로 출력 할 지 정해주는 함수이다.

2. 시그모이드 함수

계단 함수의 신호를 컴퓨터가 받기에는 제한되는 부분이 있어

(임계 값 지점에서 미분이 불가능하고, 나머지 지점에서는 미분 값이 0 이 나옴)

이를 개선하기 위하여 시그모이드 함수가 고안되었다.

(계단 함수를 활성화 함수로 채택하면 학습이 제대로 이루어 지지 않음)

시그모이드 함수는 1 과 0 두 가지 분류인 2진 분류 문제 적합한 함수이다.

Sigmoid function

계단 함수의 그래프와 유사하지만 부드러움이 추가된 곡선의 형태를 띄고 있다.

계단 함수처럼

임계 값 ( 0 ) 보다 작은 부분은 0 에 가까워 지고, 큰 부분은 1에 가까워 진다.

하지만 위에서 언급한 것처럼,

곡선의 형태를 띄고 있어 모든 지점에서 미분이 가능하며, 미분 값도 0 이 아니다.

코드 예시

def sigmoid(x):
  return 1/ (1+np.exp(-x)) 
	# np.exp : 밑이 자연상수 e 를 지수함수(e^x) 의 형태로 변환해줌.
	# np.exp(0) == e^0 == 1.0
	# np.exp(1) == e^1 == 2.718..
  
x = np.array([-5, -1, 0, 0.1, 5, 500000])
print(sigmoid(x))
# [0.00669285 0.26894142 0.5        0.52497919 0.99330715 1.        ]

x = np.linspace(-10, 10, 100) 
  
plt.plot(x, sigmoid(x)) 
plt.xlabel("x") 
plt.ylabel("Sigmoid(X)") 
  
plt.show()

Sigmoid function

활성화 함수 - 계단 함수 (Step function) 란?

심전코 — Sat, 29 Oct 2022 01:57:32 +0900

활성화 함수(Activation function)

활성화 함수는 가중 합의 출력 값이 입력되었을 때, 그대로 출력 하지 않고

값을 증폭 시키거나, 감소 시키는 등 얼마 만큼의 신호로 출력 할 지 정해주는 함수이다.

활성화 함수는

크게 4가지 종류가 있다.

1. 계단 함수 ( Step function )

입력 값이 임계값을 넘기면 1, 그렇지 않으면 0 을 출력하는 함수이다.

주로,

생물체의 전기적인 신호를 보낸다=1, 보내지 않는다=0 의 형태로 대화하기 때문에

이를 모사하기 위하여 계단 함수가 고안되었다.

임계값이란?

귀무가설 하 검정 통계량의 분포에서

귀무가설을 기각해야 하는 값의 집합을 정의하는 점 이다.

이 집합은 임계 또는 기각 영역이라고 한다.

(예시 이미지의 그래프 에서는 임계값이 0 으로 주어져 있다.)

Step function

위 그래프를 토대로 출력 값(==가중 합 == 0.5)을 입력 해 보면,

1 이 출력 됨을 알 수 있다.

코드 예시

###python 코드
# 필요한 패키지를 import 해줍니다.
import numpy as np
import matplotlib.pyplot as plt 
import math 

# 입력할 샘플 데이터를 만들고 확인합니다. 
x = np.array([-1, 1, 2])
print("input : ", x)

# 입력 값이 임계값(0)을 넘기는지 판단합니다.
y = x>0
print("Logic : ", y)

# 논리(boolean)형태를 정수형으로 바꾸어 0과 1로 나타냅니다.
y = y.astype(np.int)
print("Boolean : ", y)

>>> input :  [-1  1  2]
>>> Logic :  [False  True  True]
>>> Boolean :  [0 1 1]


### 함수
def step_function(x):
  return np.array(x>0, dtype=np.int)
  
# 함수가 제대로 만들어 졌는지 값을 출력해봅니다.
print(step_function(-1))	# 0
print(step_function(0.5))	# 1
print(step_function(500000))	# 1

# 구현한 계단 함수의 값을 바탕으로 그래프를 그려봅시다.
x = np.linspace(-1, 1, 100)
plt.step(x, step_function(x)) 
plt.show()

step function

퍼셉트론의 도식화 (Feat. 가중치, 가중합)

심전코 — Fri, 28 Oct 2022 03:41:50 +0900

이전 포스트에서 예고했듯,

이번 글에서는 퍼셉트론의 도식화에 대해 자세히 알아보려한다.

퍼셉트론의 도식화

Constant

편향 (Bias) 라는 의미로, 고유한 값을 의미한다.

(Section2 의 Trade-Off 관계에서 등장한 편향과 딥러닝에서의 편향은 별개임을 명시한다.)

도식화 에서 볼 수 있듯,

크게 두 가지 부분으로 나눌 수 있다.

1. 가중치(Weight)-편향(bias) 연산

퍼셉트론은 여러 개의 신호를 입력 받는다.

입력된 신호는 각각의 가중치와 곱해지고 그 결과를 더해주는데,

이것을 가중 합 (Weighted Sum) (=가중치) 이라고 하며,

퍼셉트론의 첫 번째 단계이기도 하다.

import numpyas np

input= np.array([1, 2, 3])
weight= np.array([0.2, 0.3,-0.1])

np.dot(input, weight)

// 출력값 == 0.5 이다.

위 코드 블럭 풀이

즉, 입력 신호인 1과 가중치인 0.2 가 곱해지는 형태로 이어지게 된다.

위 형태가 누적되고 이를 모두 더한 값을 가중 합 이라고 한다.

가중 합의 일반화 공식

일반화란?

특정 사례들의 공통되는 속성들을 일반적인 개념이나 주장으로 공식화하는 추상화의 한 형태이다.

https://ko.wikipedia.org/wiki/%EC%9D%BC%EB%B0%98%ED%99%94

일반화 - 위키백과, 우리 모두의 백과사전

위키백과, 우리 모두의 백과사전. 일반화(一般化, generalization)는 특정 사례들의 공통되는 속성들을 일반적인 개념이나 주장으로 공식화하는 추상화의 한 형태이다.[1][2] 일반적으로, A와 B라는 서

ko.wikipedia.org

2. 활성화 함수(Activation function)

활성화 함수는 가중 합의 출력 값이 입력되었을 때, 그대로 출력 하지 않고

값을 증폭 시키거나, 감소 시키는 등 얼마 만큼의 신호로 출력 할 지 정해주는 함수이다.

활성화 함수에 대해서는 다음 글에서 자세히 알아보도록 하자

https://battlecoding.tistory.com/52

활성화 함수 - 계단 함수 (Step function) 란?

활성화 함수(Activation function) 활성화 함수는 가중 합의 출력 값이 입력되었을 때, 그대로 출력 하지 않고 값을 증폭 시키거나, 감소 시키는 등 얼마 만큼의 신호로 출력 할 지 정해주는 함수이다

battlecoding.tistory.com

https://battlecoding.tistory.com/53

활성화 함수 - 시그모이드 함수(Sigmoid function) 란?

battlecoding.tistory.com

https://battlecoding.tistory.com/54

활성화 함수 - ReLU 함수 (ReLU function) 란?

battlecoding.tistory.com

https://battlecoding.tistory.com/55

활성화 함수 - 소프트맥스 함수 (Softmax function) 란?

battlecoding.tistory.com

퍼셉트론 (Perceptron) 이란?

심전코 — Thu, 27 Oct 2022 19:00:30 +0900

퍼셉트론을 레고에 비유하여 설명 해 보면..

레고는 유사하게 생긴 기본 블록을 계속 쌓아가면서 전체적인 형태를 만들어 나가게 된다.

앞으로 배울 신경 망 역시 기본이 되는 구조를 겹겹이 쌓아 만들어진다.

퍼셉트론(Perceptron) 은, 신경망을 이루는 가장 기본 단위를 말한다.

퍼셉트론(Perceptron)이란?

퍼셉트론은 다수의 신호를 입력으로 받아 하나의 신호를 출력 하는 구조를 말한다.

노드 = 퍼셉트론 = 유닛

퍼셉트론의 도식화

퍼셉트론의 도식화는 다음 포스트에서 자세히 알아보도록 하자

선형 회귀 (Linear Regression) 모델이란?

심전코 — Thu, 27 Oct 2022 18:25:22 +0900

실제 데이터를 바탕으로 모델을 만들어 예측하는데 있어

가장 직관적이고 간단한 모델은 선 (line) 이다.

예측한 모델을 설명할 수 있는 선을 찾아 분석하는 방법을 선형회귀분석 이라고 한다.

예시

다양한 분포가 있는 키와 몸무게 데이터가 있다.

이를 잘 설명할 수 있는 선을 그리면 특정인의 키를 바탕으로 몸무게를 예측할 수 있을 것이다.

그어진 선은 근사치를 가리키며,

이번 세션에서 자주 등장하는 ‘예측’ 이라는 단어는

말 그대로,

정확하진 않지만 최대한 가까운, 비슷한 값을 구하는데 의를 둔다.