티스토리

개발자CuCu
검색하기

블로그 홈

개발자CuCu

n-brogrammer.tistory.com/m

N-analyst 님의 블로그입니다.

구독자
5
방명록 방문하기
공지 티스토리에서 원하는 글 찾는 방법 모두보기

주요 글 목록

  • 넷마블 자소서 보호되어 있는 글입니다. 공감수 0 댓글수 0 2021. 11. 13.
  • 자소서 보호되어 있는 글입니다. 공감수 0 댓글수 0 2021. 11. 4.
  • 잠시 공부용... 보호되어 있는 글입니다. 공감수 0 댓글수 0 2021. 10. 31.
  • gist 여러 파일 중 하나만 포스트 하기 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 .. 공감수 1 댓글수 0 2021. 8. 25.
  • 티스토리, 마크 다운 글꼴 바꾸기 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 → .. 공감수 0 댓글수 0 2021. 8. 22.
  • 티스토리 코드블럭, gist 줄 없애기 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!! .. 공감수 0 댓글수 0 2021. 8. 20.
  • 소스 코드 올릴 때 Github gist 활용하기 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 .. 공감수 1 댓글수 0 2021. 8. 20.
  • [Day44] Training & Inference [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.. 공감수 0 댓글수 0 2021. 4. 3.
  • [Day43] Model [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.. 공감수 0 댓글수 0 2021. 3. 31.
  • [Day42] Data Feeding [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.. 공감수 0 댓글수 0 2021. 3. 31.
  • [Day41] EDA [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.. 공감수 0 댓글수 0 2021. 3. 29.
  • [Day40] 행렬 분해 [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 .. 공감수 0 댓글수 0 2021. 3. 19.
  • [Day39] 양자화 & 지식 증류 [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.. 공감수 0 댓글수 0 2021. 3. 18.
  • [Day38] 가속화 & pruning [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... 공감수 0 댓글수 0 2021. 3. 17.
  • [Day37] 시간복잡도 & entropy [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 .. 공감수 0 댓글수 0 2021. 3. 16.
  • [Day35] Muti-modal & 3D understanding [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 공감수 0 댓글수 0 2021. 3. 12.
  • Multi-modal tasks II (Visual data & Audio) 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.. 공감수 0 댓글수 0 2021. 3. 12.
  • Multi-modal tasks I (Visual data & Text) 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.. 공감수 0 댓글수 0 2021. 3. 12.
  • [Day34] Instance/Panoptic segmentation & Conditional generative model [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.. 공감수 0 댓글수 0 2021. 3. 11.
  • Panoptic segmentation Panoptic segmentation¶ ✅ Panoptic segmentation¶ 1️⃣ What is panoptic segmentation?¶ Instance segmentation은 배경에는 관심이 없고 움직이는 작은 물체들에 대해서 나눴다. 하지만 배경에 대한 분할은 Semantic segmentation이 효과적이지만 Instance에 대해서는 구별을 하지 못하는 한계를 가지고 있다. 따라서 이 두가지가 가능한 Panoptic segmentation이 제시 되었다. 2️⃣ UPSNet¶ $$\text{Semantic & Instance head → Panoptic head → Panoptic logits}$$ backbone Network는 기존의 FPN 구조를 사용한다. Head branc.. 공감수 0 댓글수 0 2021. 3. 11.
  • Instance segmentation Instance segmentation¶ ✅ Instance segmentation¶ 1️⃣ What is instance segmentation?¶ Instance segmentation은 class가 같더라도 개체가 다르면 다르게 분류한다. Instance segmentation = Semantic segmentation + distinguishing instances 2️⃣ Instance segmenters¶ Mask R-CNN¶ RoIAlign을 통한 RoI추출 한다. RoI pooling의 개선 된 버전이다. 기존의 RoI pooling은 정수 좌표만을 지원했다. 정수 좌표에서 feature들을 뽑아 왔다. RoIAlign에서는 interpolation을 통한 정교한 subpixel 소수점 p.. 공감수 0 댓글수 0 2021. 3. 11.
  • Conditional generative model Conditional generative model¶ ✅ Conditional Generative Model¶ 1️⃣ (Basic) GAN vs Conditional GAN¶ D: Discriminator G: Generator 다른 부분은 다 똑같지만 Conditional GAN은 입력에 Conditinal 정보를 넣어주기 위해서 c라는 부분이 존재한다. 2️⃣ 예시: Super resolution¶ Input: 저해상도 이미지 Output: Input image에 고해상도 이미지 Conditional GAN의 대표적인 예시 입력은 저해상도 영상이 들어가고 출력은 고해상도 가짜 영상이 나오게 된다. Real 데이터로는 고해상도 이미지를 주어서 판별기가 현재 주어진 생성 영상이 실제 고해상도 영상과 비슷.. 공감수 0 댓글수 0 2021. 3. 11.
  • [Day33] Object Detection & CNN Visualization [Day33] Object Detection & CNN Visualization Object detection https://n-brogrammer.tistory.com/123 CNN visualization 길이 문제로 조정 중... torch.autograd https://n-brogrammer.tistory.com/124 중요 autograd saliency_map activation map 피어세션 도커, 컨테이너, 가상머신에 관련된 발표를 진행하였다.(탐) 코드 리뷰, 코드 작성법에 대한 전반적인 개념들을 설명해 주었다.(죠르디) 공감수 0 댓글수 0 2021. 3. 10.
  • torch.autograd Autograd¶ Automatic differentiation이라고도 불리고 이건 모든 DL library에 내장 되어 있다. forward와 backward pass가 가능하다. 라이브러리 로드¶ In [1]: import numpy as np import torch x에 대한 y gradient 구하기¶ In [2]: x=torch.randn(2,requires_grad=True) print(x.grad) None In [3]: x=torch.randn(2,requires_grad=True) y=x*3 gradients=torch.tensor([100,0.1],dtype=torch.float) y.backward(gradients) print(x.grad) print(y.grad) tensor([3.. 공감수 0 댓글수 0 2021. 3. 10.
  • Object Detection Object Detection¶ ✅ Two-stage detector¶ 1️⃣ R-CNN¶ Input image를 구한다. Selective Search 같은 것을 통해서 region proposals을 먼저 구한다.(2천개 이하) 이제 각 region propsals을 Image Classification Network에 넣는다. 이때 이미지의 크기는 입력에 맞게 조정해서 넣어준다. 그 해당 결과로 분류를 하게 된다. 📌 단점 각 region proposals을 다 CNN에 넣어서 처리해야 하기 때문에 속도가 굉장히 느리다. region proposals는 별도의 hand design된 알고리즘을 사용해서 학습을 통해서 성능 향상의 한계가 있다. 2️⃣ Fast R-CNN¶ 영상 전체에 대한 featu.. 공감수 0 댓글수 0 2021. 3. 10.
  • [Day32] Semantic Segmentation [Day32] Semantic Segmentation Image classification II https://n-brogrammer.tistory.com/120 Semantic segmentation https://n-brogrammer.tistory.com/121 중요 1x1 convolutions import torch import torch.nn as nn # 1x1 convolutions nn.Conv2d(in_channel,out_channel, kernel_size=1) 1x1 convolutions는 kernel_size=1이다. 이때 input의 channel size를 out_channel로 압축하는 효과를 낸다. Upsampling torch.nn.Upsample(scale_facto.. 공감수 0 댓글수 0 2021. 3. 9.
  • Semantic segmentation Semantic segmentation¶ ✅ Semantic segmentation architectures¶ 1️⃣ Fully Convolutional Networks(FCN)¶ end-to-end architecture input size에 상관없이 input size에 맞게 output을 출력해 낼 수 있다. 📌 Fully connected vs Fully convolutional¶ Fully Connected layer: Output은 고정된 차원의 vector를 가지고 공간의 정보는 없어진다. Fully Convolutional layer: 공간 좌표가있는 분류 맵을 출력한다. 만약 Fully-connected로 분류를 하게 된다면 위와 같이 모든 feature map에 대해서 Flattenin.. 공감수 0 댓글수 0 2021. 3. 9.
  • Image classification II Image classification II¶ ✅ GoogLeNet¶ 1️⃣ Inception module¶ 이전 층의 input activation에 여러 filter을 적용한다. 1x1, 3x3, 5x5 convolution filters 3x3 pooling operation 채널 축으로 모든 필터 output을 연결한다. ❗ 그런데 이렇게 사용하게 되면 많은 계산량을 가지게 된다. 이를 해결하기 위해서 아래 그림과 같은 구조로 재구성 필터를 적용하기 전 1x1 convolutionds으로 채널 수를 줄여준다. 쉽게 말하면 압축을 한 후 필터를 적용하여 계산량을 줄인다. 📌 1x1 convolutions¶ 위 처럼 1x1 filter의 크기가 2이므로 input의 4개 채널이 2개의 채널로 압축이 이.. 공감수 0 댓글수 0 2021. 3. 9.
  • [Day31] Image Classification I & data Augmentation [Day31] Image Classification I & data Augmentation Image classification I https://n-brogrammer.tistory.com/117 Annotation data efficient learning https://n-brogrammer.tistory.com/118 중요 RGB to HSV HSV (색상, 채도, 명도) 색을 RGB로 많이 표현하지만 RGB말고 HSV로 나타낼 수 있다. H(Hue) 색상: 빨강, 파랑, 노랑 등과 같은 색의 종류를 나타낸다. H는 0 ~ 360의 범위를 가진다. H가 0보다 작으면 360을 더하여 최종 H가 구해진다. 0 = 빨강(Red), 120 = 초록(Green), 240 = 파랑(Blue) S(Satur.. 공감수 0 댓글수 0 2021. 3. 8.
  • Annotation data efficient learning Annotation data efficient learning¶ ✅ Data augmentation¶ 1️⃣ Learning representation of dataset¶ 우리가 얻어지는 Dataset은 거의 대부분 편향된 데이터이다. 왜냐하면 우리가 얻는 이미지는 카메라로 찍은 이미지가 될 것이고 이것은 사람들이 이쁘게 찍기위한 구도로 거의 비슷한 각도로 많이 존재하기 때문이다. 따라서 traing data와 real data와는 차이가 존재한다. 📌 훈련 데이터 세트는 실제 데이터의 일부만 포함한다.¶ 우리는 이러한 차이를 메워서 모델의 정확도를 높일수 있다. 2️⃣ Data augmentation¶ 데이터 셋에 다야한 이미지 변환을 적용한다. Crop, Shear, Brightness, Persp.. 공감수 0 댓글수 2 2021. 3. 8.
    문의안내
    • 티스토리
    • 로그인
    • 고객센터

    티스토리는 카카오에서 사랑을 담아 만듭니다.

    © Kakao Corp.