'K-MOOC'에 해당되는 글 51건

으아아

스킵

1. 그래프 안에서 데이터를 나타내는 것은 Tensor이고 그리고 그래프에서 수행하면서 상태를 보존하면서 가지고 있는 것을 나타내는 것이 변수 Variable에 해당합니다.
2. 마지막으로 계산을 나타내는 것이 Operation입니다. Operation은 추상적인 계산을 나타내는 인터페이스이고, 실제로 해당하는 Operation을 구체적으로 구현한 것을 Kernel이라고 부릅니다.
3. Kernel은 특정 디바이스 타입에서 수행될 수 있는 구체적인 구현체라고 보시면 되겠습니다.

### 모델 정의

Define a graph : h = ReLU(Wx + b)

import tensorflow as tf

b = tf.get_variable('bias', tf.zeros((100,)))
W = tf.get_variable('weights', tf.random_uniform((784, 100), -1, 1))

x = tf.placeholder(tf.float32, (None, 784))

h = tf.nn.relu(tf.matmul(x, W) + b)

코드는 적엇는데 아직 구동방법을 모름

### 구동 심볼릭 모드

import tensorflow as tf
import numpy as np

b = tf.get_variable('bias', tf.zeros((100,)))
W = tf.get_variable('weights', tf.random_uniform((784, 100), -1, 1))

x = tf.placeholder(tf.float32, (None, 784))

h = tf.nn.relu(tf.matmul(x, W) + b)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(h, {x: np.random.random(64, 784)})

@@ Linear Regression

import tensorflow as tf
import utils
DATA_FILE = "data/system_cpuutil_applatency.txt"

# Step 1:readin data from the .txt file
# data is a numpy array of shape(100000, 2 ) , each eow is a datapoint
data, n_samples = utils.read_system

# Step 2: create placeholders for X (CPU util) and Y (app latency)
X = tf.placeholder(tf.float32, name='X')
Y = tf.placeholder(tf.float32, name='Y')

# Step 3: create weight and bias, initialized to 0
w = tf.get_variable('weights',initializer=tf.constant(0.0))
b = tf.get_variable('bias',initializer=tf.constant(0.0))

# Step 4: construct model to predict Y (app latency from CPU util)
Y_predicted = w * X + b

# Step 5: use the square error as the loss function
loss = tf.square(Y - Y_predicted, name='loss')

# Step 6: using gradient descent with learning rate of 0.001 to minimize loss
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(loss)

## 수행하는곳
with tf.Session() as sess:
	# Step 7 : initialize the necessary variables, in this case, w and b 
    sess.run(tf.global_variables_initializer()
    
    # Step 8 : train the model
    for i in range(100): #run 100 epochs
    	for x, y in data:
        	# Session runs train_op to minimize loss 
            sess.run(optimizer, feed_dict={X:x,Y:y})
            
    # Step 9 : output the values of w and b
    w_out, b_out = sess.run([w.b])

### 구동 이거 모드 eager mode

import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()

x = [[3.]]
m = tf.matmul(x, x)
print(m)
# tf.Tensor([[9.]], -(1, 1), dtype=float32)

### 사이즈가 고정된경우 좀더 빨리 할 수 있다

dataset = tf.data.FixedLengthRecordDataset([file1, file2, file3, ...])

iterator = dataset.make_one_shot_iterator()
input, label = iterator.get_next()
...
for i in range(100):
	...
    try:
    	while True:
        	sess.run([optimizer])
    except tf.errors.OutOfRangeError:
    	pass
        

dataset = dataset.shuffle(1000)
dataset = dataset.repeat(100)
dataset = dataset.batch(128)


dataset = dataset.map(lambda x:tf.one_hot(x, 10))

class MultiplGate(object):
	def forward(x,y):
    	z = x*y
        self.x = x # must keep these around
        self.y = y
        return z
    def backward dz :
    	dx = self.y*dz # [dz/dx * dL/dz]
        dy = self.x*dz # [dz/dy * dL/dz]
        return [dx, dy]

음... 왜 이렇게 나오려나???

###TF IDF  

특정 중요한 단어를 산출하는 것

@@user - user CF

@@ Item - Item CF

사용자 가 아이템을 좋아할 까?? 

표로 나타네어 다른데에 row mean 을 빼주고 평균을 만들어준다

그냥 평균에 유사도를 만들어 평점을 또넣어서 평균에 평균을 구하는거 같음

### 게임이론의 중점

서로의 최대의 이익을 보는것이 아니라

서로의 최악의 경우를 피하는 것으로 중점을 둠

2  0  1

4 -3  2

1 -2 -2 

이런 값에서 행은 1플레이어

열은 2플레이어이다

이중 1은 값이 높은게 이득

2는 값이 낮은게 이득

그럼 1은 2 0 1 의 행을 선택하고

열은 0 -3 -2 를 선택해야 

서로의 최대의 이득을 받을 수 있다

2  0  1

4 -3  2

1 -2 -2

이렇게 되어 0 이 산출 된다

왜냐면  2가 절대로 손해보는 1 은 선택을 하지 않을 것이다 ㅇ

그리고 3는 손해될 확률이 높음으로 안한다 1플레이어가 3을 선택할 확율은 없기 때문이다

즉  2 입장에선 저건 눈에 안들어온다 

X  0  1

X -3  2

X -2 -2

다음 1 입장에선 

2  0  1

4 -3  2

X  X  X

이것이 안들어온다

결과로 

X  0  1

X -3  2

X  X  X 

이이중에 이득을 볼 수 있는 것은 

2입장에선 

X  0  X

X -3  X

X  X  X

왜냐면 3번쨰는 이득되는게 없음

그럼으로 서로의 이득을 찾다가 0 이 되는 거임

최악으 조건만 피하는 경우로 예상하여 플레이 한 결과 

1은 첫줄 

2는 둘째줄 이선택된다

부부상황 

남자는 풋볼을 보고싶고 여자는 발레를 보고싶을때는 서로 양보하면 불이득인 반대인 경우가 나온다

그리고 한명만 양보하면 최고의 이득을 받는다 

이런것도있고

치킨게임

서로 양보하거나 서로 같으면 충돌이 나서 안좋다 부부상황에 비슷하지만 같은 경우를 선택한 경우가 손해이다