https://leehowon98.github.io/C언어, 파이썬, 자료구조, 알고리즘, AI 프로젝트를 정리하는 기술 블로그입니다. 2026-09-28T11:14:00+00:00 이호원 https://leehowon98.github.io/ Jekyll © 2026 이호원 /assets/img/favicons/favicon.ico /assets/img/favicons/favicon-96x96.png 2026-09-27T00:00:00+00:00 2026-09-27T00:00:00+00:00 https://leehowon98.github.io/posts/ai-study-day16-activation-function/ 이호원

Day 16. 활성화 함수(ReLU)와 다층 신경망 지난 시간에는 nn.Linear()를 이용해 여러 개의 입력 Feature를 여러 개의 출력 Feature로 변환하는 방법을 공부했다. 오늘은 Linear Layer를 여러 개 연결하는 방법과 활성화 함수가 필요한 이유를 알아보았다. 이번 학습의 핵심은 다음과 같다. Linear Layer만 여러 개 연결하면 발생하는 문제 활성화 함수가 필요한 이유 ReLU의 동작 원리와 미분 PyTorch를 이용한 다층 신경망 구현 비선형 데이터 학습 1. Linear Layer 복습 PyTorch에서 Linear Layer는 다음과 같이 정의한다. import torch import torch.nn as nn layer = ...

2026-09-06T00:00:00+00:00 2026-09-06T00:00:00+00:00 https://leehowon98.github.io/posts/ai-study-day15-linear-layer/ 이호원

[AI 수학] Day 15 - nn.Linear의 여러 출력과 뉴런, Shape 이해하기 들어가며 지난 시간에는 입력 Feature가 여러 개인 선형 모델을 공부했다. 입력이 두 개이고 출력이 하나라면 model = nn.Linear(2, 1) 을 사용했다. 내부 계산은 다음과 같다. ŷ = w₁x₁ + w₂x₂ + b 이번에는 여기서 한 단계 더 나아가 출력도 여러 개로 만들어보았다. model = nn.Linear(2, 3) 이를 통해 Weight와 Bias가 몇 개 필요한지 알아보고, nn.Linear가 뉴런과 Layer의 구조로 어떻게 연결되는지도 살펴보았다. 특히 처음 헷갈렸던 입력 Shape [4, 2] ↓ nn.Linear(2, 3) ...

2026-09-01T00:00:00+00:00 2026-09-01T00:00:00+00:00 https://leehowon98.github.io/posts/ai-study-day14-multiple-features/ 이호원

[AI 수학] Day 14 - 여러 Feature와 nn.Linear 이해하기 들어가며 지난 시간에는 PyTorch의 nn.Linear를 이용하여 선형회귀를 구현했다. model = nn.Linear(1, 1) 이 모델은 하나의 입력값을 받아 하나의 결과를 출력한다. 수학적으로는 다음과 같은 형태였다. ŷ = wx + b 이번에는 여기서 한 단계 확장하여 입력 Feature가 여러 개인 경우를 공부했다. 입력이 여러 개가 되면 Weight는 어떻게 변하는지, Tensor의 Shape은 어떻게 구성되는지, 그리고 nn.Linear의 숫자가 무엇을 의미하는지 알아보았다. 1. Feature란? 지금까지는 하나의 입력값 x를 사용했다. 예를 들어 x = 1 x = 2 x = 3 ...

2026-08-31T00:00:00+00:00 2026-08-31T00:00:00+00:00 https://leehowon98.github.io/posts/ai-study-day13-pytorch-linear/ 이호원

[AI 수학] Day 13 - nn.Linear로 구현하는 PyTorch 선형회귀 들어가며 지난 시간에는 여러 개의 데이터를 이용하여 선형회귀 모델을 직접 구현해보았다. 사용했던 모델은 다음과 같았다. ŷ = wx + b 그리고 Weight와 Bias도 직접 만들었다. w = torch.tensor(0.0, requires_grad=True) b = torch.tensor(0.0, requires_grad=True) 예측 역시 직접 계산했다. y_pred = w * x + b Loss도 MSE의 원리를 이용하여 직접 작성했다. loss = ((y_pred - y) ** 2).mean() 이번에는 이러한 기능들을 직접 구현하지 않고 PyTorch에서 제공하는 기능을 사용해보았다...

2026-08-25T00:00:00+00:00 2026-08-25T00:00:00+00:00 https://leehowon98.github.io/posts/ai-study-day12-linear-regression/ 이호원

[AI 수학] Day 12 - 여러 데이터로 배우는 선형회귀와 MSE 들어가며 지난 시간에는 다음과 같은 모델에서 Weight와 Bias를 학습하는 과정을 공부했다. ŷ = wx + b 이번에는 데이터 하나가 아니라 여러 개의 데이터를 이용해 모델을 학습해보았다. 특히 이번 학습에서는 선형회귀 여러 데이터의 예측 MSE Gradient 초기화 새로운 데이터 예측 을 중심으로 공부했다. 1. 선형회귀란? 다음과 같은 데이터가 있다고 해보자. x y 1 3 2 5 3 7 ...