척척석사가 되어보자

#include using namespace std; int main(){ int num[1001]; int d[1001]; int N; cin >> N; int n = N; while(n--){ cin >> num[N-n]; } d[0]=0; d[1]=num[1]; for(int i=2; i num[i] ? num[1]*i : num[i] ; for(int j=1; j (d[i-j]+d[j]) ? d[i]: (d[i-j]+d[j]); } } cout

#include using namespace std; int main(){ int n; cin >> n; int d[1000000]; d[0] = 1; d[1] = 2; for(int i=2; i

혼자끄적이는 공부 활성화 함수가 "입력값과 가중치(weight)의 곱의 합"의 강도를 조절해 주는 것은 알겠지만 어떠한 상황에서 적절한 활성화 함수가 무엇이고 어떤 장단점이 있는지 잘 몰라서 정리를 해보았다. 공부하면서 느낀건데 이 활성화 함수들의 장단점을 정확히 이해하기 위해 순방향(feeforward)과 역전파(back propagation) 계산을 직접 해보아야 겠다는 생각을 하였다. 그래야 Vanishing gradient 문제를 이해할 수 있을것 같다. 다음 포스팅은 역전파 계산과정을 써보아야겠다. 1. sigmoid 함수 보통 1 또는 0의 활성함수 값을 갖는다. 장점 : 선형 관계가 아니다 ( 선형모델에서는 종속변수에 대한 비례가 100%가 넘어갈수 있어 이치에 맞지 않는다. 예를들어, y=..