SYDev

학습 목표 프로그램 속 명령어와 데이터는 실행 전후로 레지스터에 저장되므로, 레지스터만 잘 관찰해도 CPU가 돌아가는 상황을 어느정도 파악할 수 있다. 이런 레지스터의 종류와 역할을 학습하고, 각 레지스터를 통해 명령어가 처리되는 과정을 이해해보자. 주요 레지스터 8종 프로그램 카운터: 메모리에서 가져올 명령어의 주소를 저장, 명령어 포인터(IP; Instruction Pointer)라고도 불림 명령어 레지스터: 메모리에서 가져온 명령어를 저장 메모리 주소 레지스터: 메모리의 주소를 저장, CPU에서 주소 버스로 보내기 전 거치는 레지스터 메모리 버퍼 레지스터: 메모리와 주고받을 데이터와 명령어를 저장, 데이터 버스로 이동하기 전 거치는 레지스터 프로그램 카운터에 저장된 명령어의 주소 -> 메모리 주소 ..

자료형이 다른 두 피연산자를 대상으로 하는 연산 연산자 오버로딩을 이용하면 다음 예제와 같이 서로 다른 자료형의 두 데이터간의 연산이 가능해진다. #include using namespace std; class Point { private: int xpos, ypos; public: Point(int x=0, int y=0) : xpos(x), ypos(y) { } void ShowPosition() const { cout

증가, 감소 연산자의 오버로딩 ++ : 1 증가 연산자 -- : 1 감소 연산자 #include using namespace std; class Point { private: int xpos, ypos; public: Point(int x=0, int y=0) : xpos(x), ypos(y) { } void ShowPosition() const { cout

문제 Self-Reference의 반환 파트에서 다음 코드를 보고 의문점이 생겼다. SelfRef& ShowTwoNumber() // 객체 자신의 참조의 정보(참조값)을 반환 { cout

학습 목표 ALU와 제어장치가 어떤 정보를 내보내고 받아들이는지를 중심으로 두 장치의 역할을 학습 ALU ALU가 받아들이는 정보 피연산자 from 레지스터 제어 신호 form 제어장치 받아들인 제어 신호를 통해 피연산자로 산술 연산, 논리 연산 등을 수행 ALU가 내보내는 정보 연산 결과 to 레지스터 -> ALU가 연산할 때마다 결과를 메모리에 저장하면 CPU가 메모리에 자주 접근하는데, 이는 레지스터에 접근하는 것보다 속도가 느리기 때문에 프로그램 속도가 느려짐 플래그 to 플래그 레지스터 플래그: 연산 결과에 대한 추가적인 상태 정보 ALU가 내보내는 대표적인 플래그는 아래와 같다. 플래그 종류 의미 연산 결과 부호 플래그 연산한 결과의 부호를 나타낸다. 플래그가 1일 경우 음수, 0일 경우 양수..

연산자 오버로딩 #include using namespace std; class Point { private: int xpos, ypos; public: Point(int x=0, int y=0) : xpos(x), ypos(y) { } void ShowPosition() const { cout

텐서(tensor): 데이터를 위한 컨테이너(container) 텐서는 임의의 차원 개수를 가지는 행렬의 일반화된 모습 랭크(rank): 텐서의 축 개수 스칼라(0D 텐서) 스칼라(scalar): 하나의 숫자만 담고 있는 텐서 스칼라 텐서, 0차원 텐서, 0D텐서 Numpy에서 스칼라 텐서 -> float32나 float64 타입 숫자 >>> import numpy as np >>> x = np.array(12) >>> x array(12) #숫자 요소가 하나 -> 0dim >>> x.ndim 0 벡터(1D 텐서) 벡터(vector): 숫자의 배열 1D 텐서 >>> x = np.array([12, 3, 6, 14, 7]) >>> x array([12, 3, 6, 14, 7]) #5개의 원소를 가지므로 5..

케라스 파이썬 라이브러리를 사용하여 손글씨 숫자 분류를 학습하는 신경망 예제를 살펴보자. 문제 흑백 손글씨 이미지(28X28 픽셀)를 10개의 범주(0에서 9까지)로 분류 머신 러닝 커뮤니티에서 고전으로 취급받는 데이터셋인 MNIST 사용 문제 해결 과정 더보기 클래스(class): 머신 러닝에서 분류 문제의 범주 샘플(sample): 데이터 포인트 레이블(label): 특정 샘플의 클래스 MNIST 데이터셋은 넘파이(Numpy) 배열 형태로 케라스에 이미 포함됨 from keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images, train_labels..