• H(x)식에 입력 x로부터 예측된 y를 얻는 것을 forward 연산이라 함
  • 학습 전, prediction = model(x_train)은 x_train으로부터 예측값을 리턴하므로 forward 연산
  • 학습 후, pred_y = model(new_var)는 임의의 값 new_var로부터 예측값을 리턴하므로 forward 연산
• 학습에서 비용 함수를 미분하여 기울기를 구하는 것을 backward 연산이라 함
  • cost.backward()는 비용 함수로부터 기울기를 구하라는 의미, backward 연산

• Lab 02 : Linear Regression(단순 선형 회귀)
• Lab 03 : Deeper Look at GD
• Lab 04_01 : Multivariable Linear regression
• Lab 04-02 : Loading Data
• Lab 05 : Logistic Regression

<aside> 🔥 2주차 실습코드

Google Colaboratory

궁금한 점

1. cost로 H(x) 개선할 때 매번 gradient를 0으로 초기화하는 이유? 안하면 학습이 안되긴 하는데..

   ⇒ Pytorch에서는 gradients값들을 추후에 backward를 해줄 때 계속 더해주기 때문임.

2. Custom Dataset 을 사용하는 이유?

   ⇒ 방대한 데이터의 양 -> 데이터를 한 번에 불러오기 쉽지 않기 때문에 데이터를 한 번에 부르지 않고 하나씩만 불러서 쓰는 방식을 택해야 함. 따라서 모든 데이터를 불러 놓고 사용하는 기존의 Dataset 말고 Custom Dataset 이 필요한 것임.

3. dataset과 tensordataset 차이? 왜 굳이 dataset를 쓰는 걸까요..?_?

   ⇒ tensordataset은 tensor용으로 생각하자.

</aside>

<aside> 💡 2주차 문제

Google Colaboratory

</aside>