분류 전체보기

[REACT] propTypes

Btn.propTypes = { text: PropTypes.string, fontSize: PropTypes.number, }; function App(){ return( /*사용자가 보게 될 컴포넌트*/ ); } ui에서는 오류를 확인할 수 없지만 propTypes를 사용하면 경고문 확인 가능 우리의 컴포넌트가 어떤 prop을 받는지 검사하는게 가능해짐 fontSize: PropTypes.number.isRequired 컴포넌트가 어떠한 prop들만을 정확히 갖고 렌더 될 것이라는 걸 확실히 하고 싶다면 .isRequired 사용 복붙하는 대신에 어떤 prop들을 받을 수 있는 Btn 컴포넌트 생성 prop들은 우리가 인자를 통해 컴포넌트에 데이터를 보내기 위한 수단. 렌더링 되고 있는 Btn 컴포넌..

[REACT] JSX / setState / converter

*HARD WAY //import ReactJS & ReactDOM Empty div : ReactDOM이 React element를 가져다놓을 곳 ReactDOM에게 span을 root 안에 두라고 명령 -> 먼저 root를 가져와야함 -> 이제 ReactDOM에게 span을 root안에 render JS를 통해 element를 생성하고고 reactJS가 그걸 HTML로 번역 ReactDOM은 container element를 root div안에 render HTML 선택하고 event 등록 하나의 statement로 props에서 event까지 선언 가능 on~ : Eventlistener EASIER WAY ; JSX state ; Rendering function render() 생성하면 더 깔끔..

[REACT] Component

클래스형 컴포넌트 import React, { Component } from 'react'; import './App.css' class App extends Component{ render(){ const name = 'react'; return {name}; } } export default App; 클래스형 컴포넌트와 함수 컴포넌트의 차이점 : 클래스형 컴포넌트의 경우 이후 배울 state 기능 및 라이프 사이클 기능 사용 가능, 임의 메서드 정의 가능 클래스형 컴포넌트에서는 render 함수가 꼭 있어야하고, 그 안에서 보여 주어야 할 JSX 반환해야 함. 보통 함수 컴포넌트와 Hooks 사용 권장, 그치만 일단 알아두자.. const MyComponent = () => { //화살표 함수 문법 ..

[REACT] JSX

import logo from './logo.svg'; import './App.css'; //App이라는 컴포넌트 만들어주는 코드 function App() { //함수 컴포넌트 //프로젝트에서 컴포넌트 렌더링하면(보여준다는 의미) 함수에서 반환하고 있는 내용 나타냄 //JSX라고 부름 return ( Edit src/App.js and save to reload. Learn React ); } export default App; 이런 형식으로 작성한 코드는 브라우저에서 실행되기 전에 코드가 번들링되는 과정에서 바벨을 사용하여 일반 자바스크립트 형태의 코드로 변환. 매우 편하게 UI 렌더링 가능 function App() { //함수 컴포넌트 //프로젝트에서 컴포넌트 렌더링하면(보여준다는 의미) 함수에..

딥러닝 과적합 문제, 성능 저하 문제, 경사 하강법 유형, 기울기 소실과 폭주

Overfitting Problem 딥러닝에서 활성화 함수가 적용된 은닉층 개수가 많을수록 데이터 분류가 잘 된다. 하지만 훈련데이터를 과하게 학습하여 과적합이 발생될 수 있다. 예측 값과 실제 값 차이인 오차가 감소하지만 , 검증 데이터에 대해서는 오차가 증가하는 것이다. 과적합을 방지하는 방법에는 무엇이 있을까? 1. 데이터의 양을 늘린다 만약 데이터의 양이 적을 경우에는 의도적으로 기존의 데이터를 조금씩 변형하고 추가하여 데이터의 양을 늘리는 Data Augmentation을 적용하기도 한다. 이미지의 경우에 이미지를 돌리거나 노이즈를 추가하는 등의 방법으로 데이터를 증식시킴 2. 모델의 복잡도를 줄인다 ex) 선형 레이어(linear layer)의 수를 줄임 3. 가중치 규제 적용 L1 규제 : ..

퍼셉트론과 딥러닝, 활성화 함수, 손실 함수, 순전파와 역전파

들어가기 전에, *하이퍼 파라미터와 매개변수의 차이점 하이퍼 파라미터 - 사용자가 직접 정해줄 수 있는 변수 ex) 경사하강법에서 learning rate, 딥러닝에서 은닉층의 수, 뉴런의 수, 드롭아웃 비율 매개변수 - 모델이 학습하는 과정에서 얻어지는 값 , 기계가 훈련을 통해서 바꾸는 변수. 훈련용 데이터로 훈련을 모두 시킨 모델은 검증용 데이터를 사용하여 정확도를 검증하며 하이퍼 파라미터를 튜닝한다. 또한 이 모델의 매개변수는 검증용 데이터로 정확도가 검증되는 과정에서 점차 검증용 데이터에 점점 맞추어진다. 하이퍼 파라미터 튜닝이 끝났다면, 검증용 데이터가 아닌 새로운 데이터로 모델에 대한 평가를 진행한다. 하나의 데이터, 하나의 행을 샘플이라고 부름. 퍼셉트론 오늘날 인공 신경망에서 이용하는 구..