# network Network 구조체 입니다. ```c typedef struct network{ int n; int batch; size_t *seen; int *t; float epoch; int subdivisions; layer *layers; float *output; learning_rate_policy policy; float learning_rate; float momentum; float decay; float gamma; float scale; float power; int time_steps; int step; int max_batches; float *scales; int *steps; int num_steps; int burn_in; int adam; float B1; float B2; float eps; int inputs; int outputs; int truths; int notruth; int h, w, c; int max_crop; int min_crop; float max_ratio; float min_ratio; int center; float angle; float aspect; float exposure; float saturation; float hue; int random; int gpu_index; tree *hierarchy; float *input; float *truth; float *delta; float *workspace; int train; int index; float *cost; float clip; } network; ``` * `n`: 레이어의 개수입니다. * `batch`: 하나의 batch에 있는 이미지의 개수 * `seen`: 학습 데이터 셋에서 본 이미지의 개수 * `t`: 학습 중인 epoch의 번호 * `epoch`: 학습 중인 epoch의 번호(소수점 표시 가능) * `subdivisions`: 입력 이미지의 크기를 조절하기 위한 파라미터 * `layers`: 네트워크에 사용되는 레이어 배열 * `output`: 출력값을 저장할 배열 * `learning_rate_policy`: 학습률 조절을 위한 정책 * `learning_rate`: 초기 학습률 * `momentum`: 모멘텀 * `decay`: 가중치 감소 * `gamma`: 학습률 감소 비율 * `scale`: 입력 이미지의 크기 조절 비율 * `power`: 학습률 감소를 조절하는 파라미터 * `time_steps`: RNN 모델에서 사용되는 파라미터 * `step`: 현재 학습 중인 step의 번호 * `max_batches`: 최대 batch 개수 * `scales`: 각 레이어의 학습률 조절을 위한 파라미터 * `steps`: 학습률 조절을 위한 step 배열 * `num_steps`: 학습률 조절을 위한 step의 개수 * `burn_in`: 초기 학습률 감소에 사용되는 파라미터 * `adam`: Adam 알고리즘 사용 여부 * `B1, B2, eps`: Adam 알고리즘에 사용되는 파라미터 * `inputs`: 입력 이미지의 채널 수 * `outputs`: 출력 레이어의 개수 * `truths`: 학습 데이터 셋에서 정답 label의 개수 * `notruth`: 학습 데이터 셋에서 정답 label이 없는 이미지의 개수 * `h, w, c`: 이미지의 높이(height), 너비(width), 채널 수(channel)를 나타내는 변수 * `max_crop, min_crop` : 이미지를 무작위로 자를 때, 최대 및 최소 자를 크기 * `max_ratio, min_ratio` : 이미지를 무작위로 자를 때, 최대 및 최소 자를 비율 * `center` : 이미지를 중앙으로 정렬할지 여부를 나타내는 변수 * `angle` : 이미지를 회전할 각도 * `aspect` : 이미지의 종횡비(aspect ratio)를 무작위로 변화시키는 비율 * `exposure, saturation, hue` : 이미지를 밝기, 채도, 색상으로 무작위로 변화시키는 비율 * `random` : 무작위 데이터 증강 (augmentation) 을 사용 여부를 나타내는플래그 * `gpu_index` : GPU 인덱스 * `hierarchy` : 사용할 YOLO의 계층 구조 * `input` : 네트워크에 입력되는 데이터 * `truth` : 학습 시, 실제 정답 데이터 * `delta` : 학습 시, 역전파 시 사용될 오차 * `workspace` : 메모리를 동적으로 할당 * `train` : 현재 모드가 학습 모드인지, 추론 모드인지 결정하는 플래그 * `index` : 네트워크의 인덱스 * `cost` : 현재 배치에서의 손실값 * `clip` : 그래디언트 폭주 방지를 위해 클리핑, 일정 범위를 넘어서는 그래디언트 값을 자르는데, 이 때 잘라낼 최대 크기 #### + momentum을 추가하면 어떻게 되나요? ```c # origin weight = weight + learning rate * dL / dw # momentum velocity = momentum * velocity - learning rate * dL / dw weight = weight + velocity ``` 만약 momentum이 0.9이고 2번을 한다고 가정하면, $$velocity = 0.9 \* (-\frac{\partial L}{\partial W\_1}) - \lambda \frac{\partial L}{\partial W\_2}$$ * `decay` : weight decay (L2 regularization) L2 regularization은 가중치가 크면 클수록 큰 페널티를 줘서 overfitting을 방지하는 방법입니다. Loss함수에 $$\frac{1}{2} \lambda W W^T$$를 더합니다. 여기서 $$\lambda$$가 `decay`입니다. 클수록 가중치에 큰 페널티를 줍니다. $$\frac{1}{2}$$가 있는 이유는 미분시 $$W^2$$의 2가 내려와서 값을 1로 만들기 위함입니다. $$W = W - learning rate \* (\frac{\partial L}{\partial W} + \lambda W)$$ --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://opensource-book.gitbook.io/darknet-book-2/structure/network.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.