BW

드디어 아기다리고기다리던

포코폰 f1과 미밴드(같이 구매함)가 거의 한달여만에 도착

들뜬 마음으로 바로 뜯어보았다

미밴드는 바로 충전을 시키고

미밴드는 한글설치에 꽤 애를 먹어서 실제로 벽돌이 되었지만 나중에 한글화 지원하는 공식 펌이 나왔다는것을 찾아

설치해주니 바로 복구가 되었다 ㅎㅎㅎ 

이전에 사서 언락만해놓고있던 미8se와 비교샷

언락 기다리는 사이 포코폰의 존재를 알게되어서 결국 하나 더 구매하게된 슬픈 사연이 ㅜㅜ

비교해보면 8se가 베젤이 더 좁다

근데 포코폰이 IPS인데도 불구하고 디스플레이가 아몰레드인 8se나 원플러스3t에 꿀리지 않더라

성능 비교는 안해봤다

안좋은 소식은, 기프트로 준다던 강화유리와 샤오미 이어폰이 안왔다 ㅜㅜ

다행히 웬일로 패키지 뜯을때 영상을 찍어놔서 셀러에게 보여주니 보내준다고 한다.

그때까지 임시로 8se용 보호필름을 붙여봤는데 노치로 툭튀어나온 양쪽 뺴고는 99퍼센트 보호가 가능했다

스코코의 뛰어난 필름 성능에 놀라고(바로 포코폰용 하나 지름)

8se의 베젤 효율이 뛰어나다는 것에 두번 놀랐다..!

위 사진처럼, 핸드폰 기준 아래부분에 맞추면 딱 전면카메라 밑에까지 보호가 가능하다

즉, 노치로 인해 튀어나오는 양쪽과, 폰 전체적으로 미세하게 양옆 0.1mm 정도? 제외하면

8se 보호필름으로도 전부 커버가 가능하고, 들뜨지도 않는다

포코폰 리뷰

우선 좋은점은, 18대9 비율 모든 폰의 장점이긴하지만

하드웨어 크기 대비 액정크기가 매우 커서 시원시원하다

영상볼때든 서핑할때든.. ㄷㄷ

또한

원플러스 3t 유저로써 제스쳐(음악 조절, 카메라실행, 노크온, 후레쉬 점등 등)가 진짜 맘에들었는데

포코폰은 그나마 음악 조절 외에 다른것들은 가능해서

기분이 매우 좋았다

그밖에도 좋은점 투성이인데 

진짜 사소하지만 딱하나 안좋았던점은

제스쳐를 통해 전원버튼 두번누르는걸 카메라 실행으로 했는데

홈화면에서 전원두번 누르면 카메라가 켜지지만 그 전에 전원버튼 처음 눌렀을때 화면이 잠겨서

카메라 앱을 종료하면 다시 잠금을 풀어야한다는점 ㅜㅜㅜ

바로 피드백을 보냈으니 제발 업데이트로 수정해줬으면 좋겠다

관련 링크

https://www.degruyter.com/downloadpdf/j/itms.2017.20.issue-1/itms-2017-0003/itms-2017-0003.pdf

https://stats.stackexchange.com/questions/164876/tradeoff-batch-size-vs-number-of-iterations-to-train-a-neural-network

http://forums.fast.ai/t/batch-size-effect-on-validation-accuracy/413

https://www.quora.com/Intuitively-how-does-mini-batch-size-affect-the-performance-of-stochastic-gradient-descent

http://goodtogreate.tistory.com/entry/Batch-%ED%81%AC%EA%B8%B0%EC%9D%98-%EA%B2%B0%EC%A0%95-%EB%B0%A9%EB%B2%95

https://blog.lunit.io/2018/08/03/batch-size-in-deep-learning/

1. "Impact of Training Set Batch Size on the Performance of Convolutional Neural Networks for Diverse Datasets" 에 따르면(VIII 결론 부분)

CNN의 퍼포먼스를 늘리는 문제(image recognition의 정확도)에 있어서 CNN 파라미터 중 배치사이즈는 치명적인(crucial) 영향력을 갖고 있다

이 값이 높을수록 인식 정확도가 높아진다. 반면 계산 양이 많아진다

대략 200부터 다양한 크기의 배치사이즈가 적절하다고 말하고있다.

2. From Nitish Shirish Keskar, Dheevatsa Mudigere, Jorge Nocedal, Mikhail Smelyanskiy, Ping Tak Peter Tang. On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima. https://arxiv.org/abs/1609.04836  에 내용

large-batch 에서 generalization이 부족한데 그 이유는 sharp minimizers로 수렴하는 경향 때문이라고 한다.

이런 minimizer들은 

의 eigenvalue가 큰 양수인 특징이 있다고 한다. 반면 flat minimizer들은 그게 작은 양수 값들임

그들의 관찰에 의하면 large-batch의 딥러닝들은 주로 sharp minima에 빠지는 경우가 많당

그리고 Ian Goodfellow가 '왜 그래디언트 계산할때 모든 트레이닝셋을 쓰지않는지 즉 미니배치를 왜쓰는지'에 대해 답변하길

러닝레이트(learning rate)는 코스트 함수(cost function)가 얼마나 굽어져있는지(curved) 등에 의해 제한된다. gradient descent가 코스트 함수의 linear approximation을 만든 것을 생각할때 기울기를 보고 아래쪽으로 움직이지. 만약에 코스트 함수가 상당히(highly) non-linear하면(즉 highly curved) 그 근사치(approximation)이 충분히 좋지 않아 lr이 작아야 안전하다.

미니배치에 m개를 넣으면 시공간 복잡도가 각각 O(m)이다. 하지만 O(sqrt(m))으로 줄일수있다(이부분 의역)

다른말로, 미니배치에 더 많은 예시를 넣게 되면 약해진 미미한(diminishing marginal) 결과를 얻는다

또한 전체 트레이닝 셋을 다 쓴다고해서 정확한 기울기값을 알수있는게 아니다. 데이터 분포에 영향받기 때문에 기대값을 갖게될수밖에 없다.

그밖에 

http://goodtogreate.tistory.com/entry/Batch-%ED%81%AC%EA%B8%B0%EC%9D%98-%EA%B2%B0%EC%A0%95-%EB%B0%A9%EB%B2%95

https://blog.lunit.io/2018/08/03/batch-size-in-deep-learning/

위 두 글에서도 잘 정리가 되어있는데 한국어이니 여기에 정리는 안하고 나중에 필요하면 다시 읽어볼것이다

근데 결론이 좀 어렵다.