Skip to content

assignment1.md

Latest commit

 

History

History
85 lines (56 loc) · 5.26 KB

assignment1.md

File metadata and controls

85 lines (56 loc) · 5.26 KB
layout page
mathjax true
permalink /assignment1/

이번 과제를 통해 간단한 k-Nearest Neighbor나 SVM/Softmax classifier에 기반한 image classification pipeline을 합치는 것을 연습하게 됩니다. 이번 과제의 목표는 다음과 같습니다.

  • 간단한 Image Classification pipeline 이해 및 자료 주도적 접근 (data-driven approach, train/predict 단계에서) 이해
  • 학습/검증/테스트로 데이터를 나누고, hyperparameter tuning에 검증 데이터(validation data)를 사용하는 것을 이해
  • numpy를 이용하여 벡터화된 효율적인 코드 작성 숙달
  • k-Nearest Neighbor (kNN) classifier 구현 및 적용
  • Multiclass Support Vector Machine (SVM) classifier 구현 및 적용
  • Softmax classifier 구현 및 적용
  • 위 classifier 간의 차이점과 장단점 이해
  • 실제 픽셀 (예: 색상 히스토그램, 기울기 히스토그램 (HOG) 등) 대신에 higher-level representations을 사용하면 성능이 향상된다는 것을 간단히 이해

설정

이 과제는 로컬 머신에서 직접 실행하거나, Terminal을 통해 가상 머신에서 수행하는 두 가지 방법으로 진행할 수 있습니다.

※ 이 과제에 필요한 모든 자료는 여기에서 받으실 수 있습니다.

로컬 머신에서 직접 실행

코드 가져오기

Starter Code 다운로드.

[선택] virtual environment 설정

Starter Code를 압축 해제한 뒤에 virtual environment을 만들 수도 있습니다. Visual environment를 사용하지 않으면 직접 본인 컴퓨터에 모든 dependency들을 설치해야 합니다.

visual environment 설정 방법은 아래와 같습니다.

cd assignment1
sudo pip install virtualenv      # 아마 설치되어 있을 것임
virtualenv .env                  # virtual environment 생성
source .env/bin/activate         # virtual environment 활성화
pip install -r requirements.txt  # dependency 설치
# Work on the assignment for a while ...deactivate                       # virtual environment에서 나가기

데이터 다운로드

starter code를 다운로드 하면, CIFAR-10 데이터셋도 다운로드 해야 합니다. assignment1 디렉토리에서 다음을 실행합니다.

cd cs231n/datasets
./get_datasets.sh

IPython 시작 CIFAR-10 데이터를 받은 뒤, assignment1 디렉토리에서 IPython notebook server를 실행해야 합니다. IPython에 대한 자세한 정보는 IPython tutorial에서 확인하실 수 있습니다.

터미널에서 작업하기

이 과제를 위한 Terminal snapshot이 준비되어 있습니다. 여기에서 다운로드 가능합니다. Terminal을 이용하면 브라우저에서 과제를 수행할 수 있습니다. Terminal 튜토리얼은 여기서 확인하시기 바랍니다.

과제 제출

과제를 모두 마쳤다면 collectSubmission.sh 스크립트를 실행하십시오. 로컬 머신에서 직접 과제를 했든, Terminal을 이용했든 상관 없습니다. 이 파일을 이 과정을 위한 coursework 페이지를 통해 dropbox에 업로드하십시오.

Q1: k-Nearest Neighbor classifier (30점)

IPython Notebook knn.ipynb을 이용해 kNN classifier를 구현합니다.

Q2: Training a Support Vector Machine (30점)

IPython Notebook svm.ipynb을 이용해 SVM classifier를 구현합니다.

Q3: Implement a Softmax classifier (30점)

IPython Notebook softmax.ipynb을 이용해 Softmax classifier를 구현합니다.

Q4: Higher Level Representations: Image Features (10점)

IPython Notebook features.ipynb을 이용해 이 과제를 해결할 수 있습니다. raw pixel 값 대신에 higher-level representation을 이용하면 얻을 수 있는 향상을 볼 수 있을 것입니다.

Q5: Bonus: 자신만의 feature 설계하기! (+10 점)

이 과제를 위한 Color histogram과 HOG feature가 제공됩니다. 이 보너스 점수를 얻으려면, numpy나 scipy (추가적인 dependency 사용 금지)만을 이용하여 자신만의 feature를 처음부터 구현하십시오. 구현하고 싶은 아이디어를 얻으려면 다른 feature가 무엇이 있는지 조사할 필요가 있습니다. 이 과제를 통해 만든 새로운 feature는 Q4의 feature보다 좋은 성능을 내야 보너스 점수를 바을 수 있습니다. 좋은 feature를 만들어 온다면 강의 시간에 소개하겠습니다.

Q6: Cool Bonus: 무언가 더 해보기! (+10 점)

이 과제 주제와 관련된 다른 무언가를 구현하고, 조사하고, 분석한 뒤, 본인이 개발한 코드를 사용하십시오. 예를 들어, 질문을 받을 만한 다른 흥미로운 질문이 있을 것입니다. 이해하기 쉬운 시각화를 그려 볼 수 있지 않을까요? 아니면 loss function을 실험해 보는 것은 어떨까요? 끝내 주는 결과를 제출하면 보너스 점수를 받고, 수업 시간에 여러분의 결과를 소개해 줄 수도 있습니다.