본문 바로가기
반응형

전체 글266

정당 정당 • 사회의 구성원인 개인이나 집단이 국가의 요직을 차지하기 위하여, 또는 국가의 정책결정이나 집행 에 영향력을 행사하기 위하여 상호 작용하는 모든 과정 • 현대 정치사회에서 정치과정에 영향을 미치는 사 회조직으로 정당, 이익단체, 대중매체, 시민단체 등이 있다. - 투입(input) : 개인, 이익집단, 정당, 군 등이 정부에 대한 정책요구, 정부에 대한 지지 혹은 불만의 표시. - 산출(output): 정부의 정책. 행정부, 입법부, 사법부의 결정과 행동. - 환경: 경제체계, 사회체계, 문화체계, 생태체계 등 정치외적 요소를 지칭. 국내적 환경과 국제적 환경으로 구성 - 환류(feedback): 정부의 산출이 환경에 영향을 미치고 동시에 투입에 영향을 미치는 과정. 정당의 형성 • 정당은 의회정.. 2021. 6. 27.
스마트 컨트랙트 • 특정 계약을 스스로 성립, 검증, 이행 하기 위한 컴퓨터 프로토콜 - 1994년 Nick Szabo 가 최초로 제안한 개념 - 계약의 보안을 높이고 비용을 감소하기 위한 방안 - 조건에 따른 계약 결과가 명확하고, 계약 내용을 즉각 이행 가능. 계약의 과정 또한 간소화 - 하지만, 디지털로 된 자료의 취약점 -> 복사가 쉽고 조작이 쉬움 - 돈에 관련된 계약이 많아 해커의 공격대상이 되기 쉬움 • 스마트 컨트랙트 - 블록체인 안에 저장되는 프로그램 - Solidity로 만들어진 프로그램 - World Computer (miner)에 의해서 실행되는 프로그램 • DAPP - 스마트 컨트랙트와 연동되어서 작동하는 어플리케이션 - Back-end 가 P2P 분산 네트워크 안에 존재하는 어플리케이션 - Fr.. 2021. 6. 20.
이더리움 Merkle-Patricia Trie Merkle Tree - Merkle Proof 는 머클트리에 존재하는 데이터가 올바른 데이터인지 입증하는 절차 - Merkle proof에는 다음 값들이 필요함 > 증명하려는 데이터와 그것의 해시값 > 머클트리의 루트 해시값 > branch(데이터에 해당하는 리프노드에서 루트노드까지의 경로 노드들을 계산하는데 필요한 해시값들) > 데이터의 해시값과 branch 해시값들을 이용해 경로에 해당하는 노드들의 해시값을 구할 수 있고, 이를 반복해 루트 노드의 해시값을 구할 수 있음 > 구한 루트노드의 해시값과 기존에 알고 있던 루트노드의 해시값이 같다면 검증한 데이터가 올바른 데이터임을 입증 할 수 있다. - 머클 트리의 한계 > 상태 정보는 [키와 값] 의 Map 구조 키 : 어카운트 주소 값 : 이더 잔액.. 2021. 6. 20.
이더리움 블록헤더 엉클블록 - 블록 생성에 성공하였고 검증에 오류가 없어서 이더리움 네트워크를 통해 다른 노드에 브로드 캐스팅은 되었으나, 메인 체인으로 채택되지 못한 블록들이 엉클 블록(uncle block, stale block)이 됨 - Bitcoin은 보상 지급 X, 이더리움은 조금의 보상이 있음. 엉클블록이 많아지는 경우 - 블럭을 생성하는 속도가 빨라지면 엉클블럭은 많아진다. - 속도가 빠르다면 블록에 컨펌받고, 검증 후 메인체인이 되기전에 새로운 블록이 생성되기 때문이다. 엉클블록이 많아지면 생기는 문제점 트랜잭션 처리를 지연 될 수 있다. • 동시에 두 마이너가 블록을 생성한다면 마이너 들에게는 서로 다른 트랜잭션이 포함하지만 엉클블록에 포함된 트랜잭션은 처리 되지 않기 때문에 처리속도가 늦어짐 • Conf.. 2021. 6. 19.
Initialization 1, Optimizer 1 Data의 Input - 위 이미지에서 데이터 한개에 784개의 정수가 있는 것이다. - 따라서 input layer의 unit의 개수는 784개 이다 - 이러한 데이터가 batchsize 만큼 존재하는것. - batchsize 는 데이터를 몇 개씩 넣어줄 것인지 정해주는 요인. Initialization - 위의 그림에서 78400 / 10000 / 1000개의 Weight 값이 있따. - Weight 값을 0으로 초기화 시키면, 어떠한 숫자를 입력하여도 Output이 0이 나오게 된다. - Weight 값이 굉장히 많기 때문에, 초기화할 값이 중요하다. - 아래의 그림은 initialization의 종류이다. Optimizer - 머신러닝 학습 프로세스에서 실제로 파라미터를 갱신시키는 부분을 의미. .. 2021. 6. 19.
CNN. Image Kernel Kernel 종류 No change Shift Blur Convolutional Neural Network 특징 추출 단계(Feature Extraction) - Convolution Layer : 필터를 통해 이미지의 특징을 추출. - kernel : Weight 값들로 구성. 동일한 커널로 이미지 파일 한장을 만들음. 위 그림에서는 (25*n1)개의 Weight 값이 존재. (5*5*n1) 차원 - Pooling Layer : 특징을 강화시키고 이미지의 크기를 줄임. (Convolution과 Pooling을 반복하면서 이미지의 feature를 추출) 이미지 분류 단계(Classification) - Flatten Layer : 데이터 타입을 FC네트워크 형태로 변경. 입력데이터의 shape 변경만 수.. 2021. 6. 19.
Autograd, NN 모델 Autograd - 자동미분 기능 - back-propagation을 할때 사용. - 각각의 미분값을 찾을 수 있음. - 따라서 Weight값을 조정할 수 있음. NN 모듈 기초 2021. 6. 18.
PyTorch Pytorch - 프로그램 라이브러리 - Deep Learning의 여러 계산을 편리하게 하기위한 라이브러리 - Feed-forward, Back Propagation 등이 존재한다. 사용법 import torch Pytorch의 구성요소 torch : Tensor를 생성하는 라이브러리 torch.autograd : 자동미분 기능을 제공 torch.nn : 신경망 생성 torch.mmultiprocessing : 병렬처리 Class : torch.Tensor - 객체 - Attribute(속성) 과 Methods를 적절히 이용. torch.empty(a) import torch x = torch.empty(3) # 초기화되지않은 tensor 생성. (1,3) Result torch.rand(a) impo.. 2021. 6. 18.
Vectorization 벡터화 - Vectorization - 행렬화와 비슷하다. - 위 그림과 같은 이유로 아래와 같이 표현할 수 있다. - 벡터를 통해 Input과 Unit이 각각 3가지 라는 것을 알 수 있다. 복잡했던 기존의 식 벡터화를 통해 정리할 수 있다. 정리하자면 아래와같이 나타낼 수 있다. - 인풋이 아래와 같이 행렬형태의 벡터라면, Loss도 아래와 같이 두개가 나온다. Derivatives f(a) 를 줄이려면 a를 줄여야 하기 때문에, W를 값을 찾을 때 미분값을 찾아서 차를 구하여 계산한 것. Gradient Desent 아래와 같이 표현이 가능하다. 2021. 6. 18.
반응형

티스토리툴바