좋은 강의 감사드립니다! 차원 관련하여 질문 드립니다 [1,2,3,4,5] 1차원 / [[1], [2], [3], [4], [5]] 2차원 구분은 데이터 관계의 깊이라는 점에서 제대로 이해한 것 같습니다. cifar_y는 cifar10 이미지들의 분류 정답을 말해주는 데이터인데 값은 category로 0~9 사이의 하나의 답들의 집합이라고 이해했습니다. 그런데 mnist_y도 하나의 답만 내어주지만 1차원인데 비해서 cifar_y도 비슷하게 분류 값 하나만 출력하는 데도 굳이 깊이를 더한 2차원인 이유가 궁금합니다!
케라스에서 의도적으로 그렇게 차이를 둔 건지 아니면 별 생각없이 그냥 다르게 세팅된 것인지는 잘 모르겠네요. :) 의도가 있다고 가정한다면 차원이 다른 것에 대해 학습할 수 있도록 만들어 둔 장치일 거라는 생각을 하고 있습니다. 텐서플로우 포함하여 여러가지 머신러닝 라이브러리를 사용할 때에 사용할 모델에서 수용하는 종속변수의 모양을 정확히 알고 그에 맞는 형태로 종속변수의 모양을 만들어 주지 않으면 에러가 나게 됩니다. 종속변수의 모양이 다르게 셋팅이 되는 것은 이런 구분에 대해 이해하고 있으면 되겠습니다.
기본을 이해하는데 쉽게 설명해 주신것 같습니다. 감사합니다.
좋은 강의 감사드립니다!
차원 관련하여 질문 드립니다
[1,2,3,4,5] 1차원 / [[1], [2], [3], [4], [5]] 2차원 구분은 데이터 관계의 깊이라는 점에서 제대로 이해한 것 같습니다.
cifar_y는 cifar10 이미지들의 분류 정답을 말해주는 데이터인데
값은 category로 0~9 사이의 하나의 답들의 집합이라고 이해했습니다.
그런데 mnist_y도 하나의 답만 내어주지만 1차원인데 비해서
cifar_y도 비슷하게 분류 값 하나만 출력하는 데도 굳이 깊이를 더한 2차원인 이유가 궁금합니다!
케라스에서 의도적으로 그렇게 차이를 둔 건지 아니면 별 생각없이 그냥 다르게 세팅된 것인지는 잘 모르겠네요. :) 의도가 있다고 가정한다면 차원이 다른 것에 대해 학습할 수 있도록 만들어 둔 장치일 거라는 생각을 하고 있습니다.
텐서플로우 포함하여 여러가지 머신러닝 라이브러리를 사용할 때에 사용할 모델에서 수용하는 종속변수의 모양을 정확히 알고 그에 맞는 형태로 종속변수의 모양을 만들어 주지 않으면 에러가 나게 됩니다.
종속변수의 모양이 다르게 셋팅이 되는 것은 이런 구분에 대해 이해하고 있으면 되겠습니다.
@@봉수골개발자이선비 에러까지 날 수도 있는 부분이군요. 답변 감사드립니다!😊😊
안녕하세요.
강의 잘 듣고 있습니다.
듣다가 실습 쪽에서 실사진을 사용하는데 (3000, 4000, 3 )의 사진을 (1000,1000,3)으로 변경하고 싶은데 reshape 이 아닌 다른 방법으로 해야 하는 건가요?
다음 예제를 참고하시면 도움이 될 거에요. :)
www.tensorflow.org/tutorials/load_data/images
@@봉수골개발자이선비
좋은 정보 감사합니다!