Story (3) 썸네일형 리스트형 [Pytorch] Contiguous 목차 메모리를 따로 할당하지 않는 Tensor 객체 연산 메모리를 따로 할당하지 않을때 문제점 해결방안 : Contiguous 함수 정리 1. 메모리를 따로 할당하지 않는 Tensor 객체 연산 - narrow() - view() - expand() - transpose() - permute() etc (찾는대로 추가필요) 위 목록에 있는 Tensor 겍체와 관련된 몇가지 연산들은 원본 데이터를 따로 메모리에 할당하여 복사하지 않고 원본 메모리 주소를 공유한다. 다시말해, Tensor 객체의 메타 정보만을 수정하기 때문에 offset과 stride가 새로운 모양을 갖는것 뿐이다. 그러므로 위의 연산을 거친 Tensor 객체 내 데이터를 변경하면 원본 Tensor 데이터도 함께 변경된다. (== 같은 po.. 차원의 저주 : Curse of Dimensionality 본 포스트는 주관적인 예제와 [Hands-On Machine Learning with Scikit-Learn & TensorFlow] (저자 : Aurelien Geron / 부제: 핸즈온 머신러닝) 8장 및 [다크프로그래머 블로그 : 차원의 문제](https://darkpgmr.tistory.com/145)를 참고하여 작성되었다. 목차 차원 : Dimensionality 차원의 저주 : Curse of Dimensionality 차원 : Dimensionality 이 곳에서는 차원 축소를 설명하기에 앞서, 기계학습적 관점에서 차원의 의미를 짚고 넘어간다. 일반적으로 한 데이터를 나타내면 데이터가 가진 특성을 나열하여 표현한다. 예를 들어 친구의 얼굴을 설명할때 우리는 그 친구의 눈 크기, 눈썹 모양, .. [내 맘대로 이해하는 PRML] 2. 확률분포(1) 2. 확률 분포 이 장에서 논의하는 분포의 역할들 중 하나는 한정된 수의 관찰 집합 $x_1, ..., x_N$ 이 주어졌을 때, 확률 변수 $x$의 확률 분포 $p(x)$를 모델링하는 것이다. 이를 밀도 추정(density estimation) 문제라 한다. 이 장의 목표를 위해 모든 데이터 포인트들을 독립적이며, 동일하게 분포(iid)한다 라고 가정한다. 밀도 추정 문제는 크게 2가지로 나누어 접근할 수 있다. 매개변수적(parametric) 접근법 비매개변수적(non-parametric) 접근법 1) 매개변수적(parametric) 접근법 이항분포, 다항분포, 가우시안(Gaussian)분포, 디리클레(Dirichlet)분포 등은 작은 수의 조절 가능한 매개변수에 의해 결정된다. 이 분포들을 이용하여.. 이전 1 다음
