제목 1 (Heading 1)제목 2 (Heading 2)제목 3 (Heading 3)제목 4 (Heading 4)제목 5 (Heading 5)제목 6 (Heading 6)📌 텍스트 스타일이것은 굵은 텍스트(Bold) 입니다.이것은 기울임 텍스트(Italic) 입니다.이것은 굵은 기울임(Bold & Italic) 입니다.이것은취소선(Strikethrough)입니다.이것은 인라인 코드(Inline Code) 입니다.이것은 밑줄(Underline) 입니다.이것은 일반 텍스트^위첨자^ 입니다.이것은 일반 텍스트아래첨자입니다.💡 이것은 인용문(Blockquote) 입니다.여러 줄로 작성할 수 있습니다.중첩된 인용문도 가능합니다.3단계 중첩 인용문📋 목록 (Lists)순서 없는 목록항목 1하위 항목 1-1하..

티스토리 스킨에 Mermaid 다이어그램 적용하기GitHub README나 Notion에서 자주 보는 편리한 Mermaid 다이어그램, 티스토리 블로그에서도 쓰고싶다면 아래 글 참고해서 적용하시면 좋을거 같습니다.티스토리 기본 마크다운 에디터에 ```mermaid 블록을 넣으면 도식이 아닌 단순한 회색 코드블록으로만 표시됩니다. 이 글에서는 티스토리 인기 스킨인 hELLO 스킨을 간단히 수정해 실제 도식으로 렌더링되도록 만드는 방법을 정리해 보았습니다.💡 적용 후 모습 미리보기설정 완료 후 아래 예제 섹션의 플로우차트나 시퀀스 다이어그램 코드를 복사해서 새 글에 붙여넣었을 때, 텍스트가 아닌 정상적인 그림(도식)으로 그려진다면 성공입니다.🧐 왜 수정이 필요한가요?hELLO 스킨은 코드블록의 문법 색상..

mermaid 코드 테스트flowchart TD subgraph Entry["Entry Layer — 사용자 진입점"] direction LR A1["REPL.tsx대화형 REPL"] A2["QueryEngine.tsSDK · 헤드리스"] A3["print.tsclaude -p 모드"] end subgraph Composition["Composition Layer — 조립 계층"] direction TB B1["queryContext.tsfetchSystemPromptParts()"] B2["prompts.tsgetSystemPrompt()"] B3["context.tsgetUserCont..

티스토리 스킨 적용작성일: 2026-04-17티스토리에 스킨 적용 가이드 개요티스토리에서 스킨 적용을 위한 가이드를 작성합니다. 우선 해당 브로그에서는 깔끔하고 IT 관련 기술 블로그에 가장 많이 사용하는 스킨인 hELLO 스킨을 적용하는 예시를 사용합니다.이번에 오랜만에 다시 제대로 블로그 운영하려고 기존에 있던 스킨에서 새롭게 스킨을 바꾸면서 약간의 커스텀한 부분도 추가해두었습니다. hELLO 스킨https://pronist.tistory.com/5참고 URL에 적용 관련해서 자세한 가이드가 나와 있는데 주의해야할 점이나 실제 적용하면서 문제가 있을만한 부분을 추가로 정리하려고 합니다. 버전 확인작성일 기준 현재 최신 버전은 v4.10.6 왠만하면 현재 최신버전을 사용하면 좋습니다. 기존에 버그들을 ..

gist 여러 파일 중 하나만 포스트 하기 gist를 사용하다 보면 한 gist에 여러 file을 올리는 경우가 생깁니다. 이때, 글로 포스팅 하려고 할 때 script코드를 그대로 가져다 쓰면 모든 파일의 코드 블록이 생깁니다. 여기서 자기가 원하는 file만 코드 블록을 만들고 싶으면 아래 내용을 참조 바랍니다. gist 여러 개 파일 소스 코드 올릴 때 gist 활용 글을 이용해서 gist를 올릴 때 아래 사진 처럼 한 gist에 여러 file을 올리는 경우가 생긴다. 이때, gist의 Embed코드를 그대로 사용하면 아래와 같이 2개의 코드 블록이 생기는 것을 확인 할 수 있다. gist의 여러 파일 중 원하는 파일만 코드 블록 만들기 여기서 자신이 원하는 파일만 코드 블록을 만들고 싶으면 먼저 ..

티스토리, 마크 다운 글꼴 바꾸기 티스토리 내부의 글꼴이나 이전에 마크 다운 파일 포스팅 하는 방법을 따라했다면 아래 방법대로 쉽게 원하는 글꼴로 바꿀 수 있습니다. 1. 원하는 웹 폰트 선택 웹 폰트마다 저작권이 다 다르기 때문에 잘 확인하고 사용하기 바랍니다. 아래 무료 제공 폰트 사이트 링크를 걸어두었습니다. 구글 폰트 눈누 폰트 필자는 눈누 사이트를 기준으로 설명하겠습니다. 다 똑같아서 다른 사이트도 똑같이 따라하면 됩니다. 먼저, 사이트에 들어가서 원하는 폰트를 확인하고 Click!! ❗ 아래 저작권 요약표를 잘 확인!! 2. CSS 적용 필자의 글씨체는 이랜드 초이스체 M을 사용하였습니다. 해당 목록으로 들어가서 웹폰트로 사용 부분의 code를 복사. 티스토리 관리자 페이지 관리자 페이지 → ..

티스토리 코드블럭, gist 줄 없애기 gist를 사용하여 코드 공유을 할 때, HTML모드에서 script를 삽입하여 공유한다. 이때 이상하게 티스토리에서 줄이 생기게 되는데 해결 방법을 포스팅 합니다. ❗ 문제의 결과물 해당 문제는 티스토리를 중심으로 해결 과정을 적었다. 혹시나 다른 플랫폼을 사용하고 있으면 이 글을 참조하여 해결할 수 있는 부분은 참고하면 좋을 것 같다. 해결 방법 1. 티스토리 관리자 페이지 꾸미기 → 스킨 편집 → html 편집 📌 스킨 편집 📌 html 편집 2. CSS 마지막 라인 소스 코드 추가 /*gist line remove*/ .gist table tr,td{ border:0px !important; } 위와 같은 소스 코드를 아래 그림과 같이 넣고 적용하면 끝!! ..

소스 코드 올릴 때 Github gist 활용하기 예전 포스팅 알고리즘 소스 코드 올리기에서 Color Scripter사이트를 이용해도 되지만 Github gist를 사용하면 코드 기록도 해놓고 highlighting도 이뻐서 보기 좋다. 사용 방법은 굉장히 간편하다. 1. github 로그인 먼저 github에 들어가서 로그인을 한다. 만약 아이디가 없다면 가입!! 2. git gist git에 로그인하면 오른쪽 상단에 아래 같이 아이콘을 클릭해서 Your gists에 접속한다. gist에 접속하고 나면 github와 비슷한 페이지가 뜨는데 여기서 오른쪽 상단에 +버튼을 누르면 작성 모드로 들어가게 된다. 📌 여기서 굳이 gist에 들어갔다가 작성하지 않고 바로 작성으로 들어가고 싶으면, github ..

[Day44] Training & Inference 오늘 한 일 지금까지는 기본적으로 모든 데이터를 학습해서 제출을 진행하였다. 이제는 모든 데이터를 사용해서 학습을 진행하는 것이 아니라 검증 데이터를 따로 나눠서 진행을 해보자. 현재 대회는 이미지 분류이므로 랜덤으로 검증 데이터를 나누는 방법이 아니라 각 class마다 같은 비율로 검증데이터를 나눠야 조금 더 적절한 검증을 진행 할 수 있다. sklearn패키지를 이용하여 train과 test set을 나누어 보겠다. from sklearn.model_selection import train_test_split X_train,X_val,y_train,y_val=train_test_split(train_data['image_path'],t..

[Day43] Model 새로운 모델을 짜서 학습을 시켜보자. 이때 학습에 시간을 줄이기 위한 방법을 생각하자. 오늘 한 일 파이토치 성능향상을 위한 7가지 모델 학습시 전처리 방법 Dataset을 직접 만들어서 각 iter마다 데이터를 불러오는데 시간을 줄이기 DataLoader num_workers에 대한 고찰 DataLoader에 대한 실험 아래 값은 고정으로 두고 실험을 진행 epochs = 5 batch_size=32 # Dataset은 고정 class imgDataset(Dataset): def __init__(self, img_paths, transform): self.img_paths = img_paths['image_path'] self.labels=img_paths[&#3..

[Day42] Data Feeding 오늘 한 일 먼저 기본 baseline에 있는 모델을 통해서 정확도를 확인해 보았다. epochs=10, lr=0.0001의 결과 정확도는 11.62% 나왔다. 다음으로 epochs=100을 놓고 다시 학습한 결과 정확도는 13.25%가 나왔다. 위 그림에서 결과를 볼 수 있듯이 데이터의 class가 4,3,0,1 순으로 많이 몰려 있는 것을 볼 수 있다. 이렇게 학습한 결과 오른쪽과 같이 결과에도 4,3이 많이 예측한 것을 볼 수 있다. 이 문제를 해결하기 위해서 다른 class의 학습 데이터들이 더 필요하다는 것을 확인할 수 있다. ✅ 어떻게 더 많은 데이터를 확보할 것인가? 가장 먼저 많이 없는 class에 대해서 data augmentation을 진행한다. 우..

[Day41] EDA 기본적인 EDA와 몰랐던 함수의 기능들을 정리한다. 오늘 한 일 opencv 문제 가장 먼저 jupyter notebook에서 !pip install -r requirements.txt를 실행하여 관련 패키지를 다운 받았다. 여기서 import cv2에서 다음과 같은 에러가 발생하였다. # ImportError: libGL.so.1: cannot open shared object file: No such file or directory 이 문제를 해결하기 위해서 먼저 jupyter notebook에서 Terminal로 들어가서 apt install libgl1-mesa-glx를 실행하여 해결하였다. 전체적인 과정 가장 먼저 데이터의 전처리를 진행 하였다. train.csv파일에 있는..

[Day40] 행렬 분해 중요 Kernel method 우리는 2차원 데이터를 위와 같이 분류 하고 싶다. 2차원에서 분류를 하게 되면 Decision surface를 결정하기 쉽지 않다. 하지만 고차원(그림에서 3차원)으로 보내 분류 작업을 진행하면 오른쪽 그래프와 같이 Decision surface를 정의할 수 있다. 그런데 이렇게 모든 점을 3차원으로 보내는 변환 작업을 진행하여 내적을 통한 유사도를 구하게 되면 많은 계산 비용이 든다. 그래서 우리는 kernel을 이용한다. kernel은 모든 점을 3차원으로 옮기는 변환을 진행하는 것이 아니라 3차원에서의 내적 계산 함수를 가지고있어서 원래 2차원의 두 점을 대입하면 바로 내적의 값을 얻을 수 있는 함수이다. 이렇게 되면 같은 결과를 내면서 더 ..

[Day39] 양자화 & 지식 증류 중요 Fixed-point & Floating-point Floating-point 방법을 더 많이 사용한다. 하지만 FPUs를 사용하는데 이것이 조금 무겁고 계산이 오래 걸린다. Quantization 빠른 inference를 위해서 왜 딥러닝에서 양자화가 필요한지에 대한 내용은여기를 확인해 보면 좋을 것 같다. 양자화 mapping은 링크에서 확인 하자. 양자화까지 좋은데 이때 backwoard를 할 때 문제가 된다. 미분 불가능한 점들이 존재하기 때문에 smoothing을 통해서 해결 가능하다. 📌 Quantization 종류 Dynamic quantization(DQ): weight는 미리 양자화 되지만 activation은 inference동안 동적으로 양자화..

[Day38] 가속화 & pruning 중요 LLVM 컴파일러는 프론트엔드-미들엔드-백엔드의 단계로 구성되어 있다. 보통 이 세 단계는 하나의 프로그램으로 일괄 처리되는데, 이럴 경우 '언어의 종류 x 아키텍처의 종류'만큼 복수의 컴파일러가 필요하게 된다. 다양한 언어와 다양한 아키텍처에 대응할 수 있는 이식성이 중요한 요즘 이러한 컴파일러 구조는 재사용성을 떨어뜨린다는 문제가 있다. 바로 이것을 해결할 수 있는 컴파일러 구조가 LLVM이다. LLVM은 아키텍처별로 분리된 모듈식 미들엔드-백엔드를 중점으로 하고 있다. 프론트엔드가 여러가지 프로그래밍 언어들을 중간 표현 코드로 번역하고, LLVM은 그 중간 표현 코드를 각각의 아키텍처에 맞게 최적화하여 실행이 가능한 형태로 바꾸는 방식이다...

[Day37] 시간복잡도 & Compression 중요 NAS(Neural Architecture Search) 모델링을 자동으로 하는 신경망 아키텍쳐 탐색 기술이다. NAS는 검색 공간(search space), 검색 전략(search strategy), 성능 추정 전략(performance estimation strategy)의 세가지 측면으로 분류된다. 📌 검색 공간 검색 공간은 원칙적으로 표현할 수 있는 아키텍처를 정의한다. 적합한 아키텍처의 일반적인 속성에 대한 사전 지식을 사용하면 검색 공간의 크기를 줄이고 검색을 단순화 할 수 있다. 예를 들어 이미지 분류를 할 때에는 residual connection을 이용하여 residual block을 만들어 활용하면 좋을 것이라고 알려져 있다. 이 ..

[Day35] Muti-modal & 3D understanding Multi modal tasks I (Visual data & Text) https://n-brogrammer.tistory.com/130 Multi modal tasks II (Visual data & Audio) https://n-brogrammer.tistory.com/131 Image captioning 정리 중... 3D understanding 정리 중... 중요 추후 추가 예정... 피어세션 이번주 과제 3 CNN visualization에 대해서 같이 코드 보고 토론을 진행하였다. 팀원들이 모르는 부분을 설명하고 같이 공유할 내용에 대해서 봤다. 이번 과제에서 어려웠던 부분을 각자 이야기 해봄

Multi-modal tasks II (Visual data & Audio)¶ ✅ Sound representation¶ Spectrogram or MFCC로 음향의 특징을 추출한다. 1️⃣ Fourier transform(푸리에 변환)¶ 📌 Short-time Fourier transform(STFT)¶ 시간축(t)에 대해서 Waveform 전체를 푸리에 변환을 하게 되면 주파수(f) 축으로 옮겨지게 된다. 대신에 이렇게 전부다 주파수 축으로 옮기게 되면 시간에 따른 변화를 우리가 파악할 수 없게 된다. 그래서 제안 된것이 STFT이다. 짧은 window 구간 내에서만 푸리에 변환을 적용하는 방법이다. 여기서 그냥 변환하는 것이 아니라 Hamming Window랑 곱해서 결과를 도출한다. 이렇게 함으로..

Multi-modal tasks I (Visual data & Text)¶ ✅ Multi-modal learning Overview¶ 큰 의미에서 Mult-modal learning이라는 것은 다양한 데이터 타입, 데이터 형태, 다양한 특성을 갖는 데이터를 사용하는 학습법을 의미한다. 서로 다른 데이터를 이용해서 학습을 하는 것이다. 1️⃣ Multi-modal learning의 어려움¶ 📌 데이터 표현 방법이 매우 다양하다.¶ 📌 feature spaces간 Unbalance하다.¶ 우리가 Text로 아보카도 모양의 의자를 찾아 달라고 할 때 이런 shape를 가지는 의자의 형태는 Image데이터에 대해서 많이 존재 한다. 1:N 매칭이다. 그 반대도 마찬가지이다. 📌 특정 modality에 편향된 M..

[Day34] Instance/Panoptic segmentation & Conditional generative model Instance segmentation https://n-brogrammer.tistory.com/127 Panoptic segmentation https://n-brogrammer.tistory.com/128 Conditional generative model https://n-brogrammer.tistory.com/126 중요 Landmark location to Gaussian heatmap 피어세션 백준 2467번: 용액 문제를 풀고 토론을 진행 하였다. 많이들 투 포인터 방법으로 풀었지만 이분 탐색을 이용해서 문제를 풀어 보았다. import sys from bisect..