dhwiii's notepad | 딥 러닝, 코덱 일기장

파이썬에서 문자와 숫자를 합쳐서 출력할 경우 TypeError: can only concatenate str 와 같은 TypeError가 나게 됩니다. 숫자를 str(Value) 로 변환 해주거나, int(Value)로 형변환을 한 뒤 같은 실행 라인에 넣어야 합니다.

공부를 하면서 몰랐던 용어들을 한번에 보기 쉽게 정리하려고 만든 용어 정리장 입니다. - Bottle Neck Channel 수를 줄였다가 다시 늘이는 구조 GoogLeNet의 Naive Inception Module의 문제점을 해결하기 위해 Tensor의 Depth를 줄이려고 BottleNectk Layer를 사용하는데, 1x1 Conv층을 사용하여 Depth를 줄인다. - YOLO You Only Look Once, 이미지 전체를 단 한번만 본다. Real-time Object Detection의 특징이 YOLO를 유명하게 만들었고, 실시간으로 여러장의 이미지를 탐지할 수 있다. Fast R-CNN가 0.5FPS인 반면에 YOLO는 45FPS성능을 가진다. - Fine-Tuning 기존에 학습되어져 ..

분명히 해당 모듈이 깔려있으나, 경로를 찾지 못해서 해당 에러가 일어나게 된 것 같다. 환경변수 편집에서 %PYTHONPATH%를 추가해줬더니 해결되었다.

import torch print(torch.__version__) cmd 명령창이라면 python을 입력한 후 위의 명령을 사용하면 파이토치의 버전을 알 수 있다.

파이썬 파이토치 에러 입니다. [PyTorch] BrokenPipeError: [Errno 32] Broken pipe torch.utils.data.DataLoader()에 있는 num_worker 파라미터가 0 이외의 다른 값을 가지게 되면 해당 에러가 발생하게 됩니다. 파이토치 Windows FAQ 에 해당 에러를 해결하는 방법이 나와 있었습니다. : pytorch.org/docs/stable/notes/windows.html?highlight=brokenpipe Windows FAQ — PyTorch 1.8.1 documentation Shortcuts pytorch.org 상위 프로세서가 데이터 전송을 끝내기 전에 하위 프로세스가 종료하게 되면 발생하는 에러라고 합니다. DataLoader의 n..

파이썬 파이토치 에러입니다. IndexError: invalid index of a 0-dim tensor. Use tensor.item() to convert a 0-dim tensor to a Python number 파이썬 파이토치의 버전이 0.5 이전 버전을 사용하게 되면 해당 에러가 나타나게 되는데, [변경 전] generator_adversarial_loss.data[0] -> [변경 후] generator_adversarial_loss 이런 식으로 제일 뒤에 있는 [0]을 지워주시면 해결 됩니다. 참고 : github.com/NVIDIA/flownet2-pytorch/issues/113

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 논문 링크 : https://arxiv.org/abs/1609.04802 GAN(Generative Adversarial Network) 구조를 이용한 Super-Resolution(초해상화) 방법론입니다. (수정 중 입니다.) Key Points : It’s frist framework capable of inferring photo-realistic natural images for 4X upscaling factors. - 4배 업스케일링이 가능한 첫 번째 프레임워크. : To achieve upscaling, developers propose a ..

1. 반정규화 개념 반정규화 정의 : 정규화에 충실하여 모델링을 수행하면 종속성과 활용성은 향상되나, 수행속도가 증가하는 경우가 발생하기 때문에 기를 극복하기 위해 성능에 중점을 두어 정규화 하는 방법 특징 : 데이터 모델링 규칙에 얽매이지 않고 수행 / 시스템이 물리적으로 구현되었을 떄 성능 향상이 목적 사용시기 - 정규화에 충실하였으나 수행속도에 문제 발생 - 다량의 범위를 자주 처리 - 특정 범위의 데이터만 자주 처리 - 처리 범위를 줄이지 않고는 수행속도를 개선할 수 없는 경우 - 요약 자료만 주로 요구되는 경우 - 추가된 테이블의 처리를 위한 오버헤드를 고려 - 인덱스의 조정이나 부분 범위 처리로 유도하고, 클러스터링을 이용하여 해결할 수 있는지 검토 후 결정 2. 반정규화 유형 용도 유형 기법..

1. 논리 데이터 모델 검증 일반적인 시스템 개발 절차 : 일반적인 시스템 개발은 데이터 / 프로세스 관점의 두 가지로 진행되는데 개념 모델링 -> 논리 데이터 모델링 / 분석 모델링 -> 물리 데이터 모델링 / 설계 모델링 -> 데이터베이스 구축, 애플리케이션 개발 단계로 진행된다. 2. 데이터 모델링 개요 데이터 모델링의 정의 : 실체(Entity)와 관계(Relation)를 중심으로 명확하고 체계적으로 표현하여 문서화 하는 기법 데이터 모델링의 목적 - 정보 요구에 대한 정확한 이해 - 사용자, 설계자, 개발자 간의 효율적인 의사소통 수단 - 고품질 SW와 유지보수 비용의 감소 효과 - 신규 또는 개선 시스템의 개발 기초를 제공 데이터 모델링의 특성 - 업무 흐름 파악 용이 - 데이터 무결성을 보장..