Deep-Dive AI

백그라운드에서 학습 시키는 방법을 배웠다. 형식: nohup 명령어 > 출력파일 & 예시 nohup python train.py --batch_size 4 --load_size 256 1024 --epoch 100 -- ... > result.out & 그러면 .out 파일에 train.py를 실행시키며 설정해둔 값들이 저장됨 .out.log에 실행한 결과물이 담김 폴더에 하고 싶으면 현재 경로에서 폴더로 지정해주면 됨 좋은 이유: 터미널에서 뜬 결과들은 지워지는데, 설정을 바꾼 명령어에 따른 기록을 log 파일에 저장해둘 수 있으며, out 파일에도 설정해둔 파라미터 값을 살펴볼 수 있으니 좋음 또 다른 팁으로는 log.ipynb 같은 파일을 만들어서 마크다운으로 그때마다 실행시킨 파일과 명령어를 저장..

🐳🐳🐳🐳🐳 pip install opencv-python apt-get update apt-get install libgl1-mesa-glx apt-get install libglib2.0-0 이상입니다.

OSError [출처] 예외 생성자에 주어진 인자들의 튜플. 일부 내장 예외(예, OSError)는 특정 수의 인자를 기대하고 이 튜플의 요소에 특별한 의미를 할당하는 반면, 다른 것들은 보통 오류 메시지를 제공하는 단일 문자열로만 호출됩니다. 이 예외는 시스템 함수가 시스템 관련 에러를 돌려줄 때 발생하는데, “파일을 찾을 수 없습니다(file not found)” 나 “디스크가 꽉 찼습니다(disk full)” 와 같은 (잘못된 인자형이나 다른 부수적인 에러가 아닌) 입출력 실패를 포함합니다. 생성자의 두 번째 형식은 아래에 설명된 해당 어트리뷰트를 설정합니다. 어트리뷰트를 지정하지 않으면 기본적으로 None 이 됩니다. 이전 버전과의 호환성을 위해, 세 개의 인자가 전달되면, args 어트리뷰트는 ..

Peak Finder peak을 찾는 것이 주제입니다! Find a peak if it exists a peak: 극대값이 여러 개여도 하나만 찾으면 됨 if it exists: 극대값의 정의에 따라 배열에 극대값이 존재 여뷰가 갈림. 따라서 이 조건이 붙음 두 가지 버전이 있는데, 1-dim과 2-dim입니다. One-dimensional Version 여기서는 Position 2와 9가 peak이라고 합니다. 대신 조건으로 $b \ge a$, $b \ge c$이고, $i \ge h$이어야 합니다. 앞에서부터 직진하면서 시작하고, left에서 시작하게 될 경우, 평균적으로 n/2개를 살펴보게 될 것입니다. 그리고 가장 worst case는 모든 n개를 다 살펴보는 경우가 됩니다. Complexity는 ..

Batch Normalization 논문을 읽고 정리해봅니다. 솔직히 Paper Review긴 하지만 의식의 흐름대로 정리했습니다. 정말 유명하고 기본이 되는 논문이라 리뷰 글이 정말 많습니다. (다른 글을 더 추천한다는 의미) Reference로 아래에 참고한 글을 달아둘테니 논문 정독 대신 요약 리딩과 깔끔한 정리를 원한다면 맨 아래로 가주세요. 그래도 오류와 틀린 내용이 있다면 지적 부탁드립니다. Batch Normalization : Accelerating Deep Network Training by Reducing Internal Covariate Shift 누르면 논문 PDF로 이동합니다. Motivation Reduce the internal covariate shift 이 논문의 주제이자 ..

너무 공부하기 싫은 강화학습 울며 겨자먹기로 공부 시작 강화학습에는 agent라는 학습자와 의사 결정자가 존재합니다. 그리고 상호 작용하는 주변을 환경(environment)이라고 합니다. 환경은 agent의 행동(action)에 따라 보상(reward)과 새로운 상태(state)를 제공합니다. 따라서 강화학습에선 agent에게 어떻게 해야하는지 가르치지 않고 행동에 따른 긍정적이든 부정적이든 보상을 제공합니다. (나도 잘하면 떡 좀 주라.) 그리고 강화학습은 모든 문제를 수학적으로 공식화합니다. 가장 기본이 되는 공식이 MDP(Markov Decision Process)입니다. 알아야 하는 것 The Agent-Environment relationship Markov Property Markov Pro..

제 인생 첫 강화학습, 솔직히 그냥 안 하고 싶은데 그래도 일단 꾸역꾸역 시작해봅니다. 저는 Fundamental of Reinforcement Learning 페이지를 참고하여 공부하고 정리했습니다. 글 가장 아래에 Reference를 다시 남기도록 하겠습니다. 강화학습을 공부하면 나오는 기본 단어들 에이전트(Agent), 상태(State), 행동(Action), 포상(Reward), 정책(Policy) 강화학습의 시작은 Trial and error Optimal control 이 두 가지라고 합니다. 첫 번째는 시행 착오를 통해 변화한다는 특징, 두 번째는 어떤 비용함수의 비용을 최소화하도록 controler를 디자인하는 것을 의미합니다. 두 번째 문제는 Bellman equation(벨만 방정식)을..

MIT의 INTRODUCTION TO ALGORITHMS 수업을 바탕으로 공부하였고 정리합니다. - 잘못된 내용이 있다면 댓글로 지적 부탁드립니다. 구구절절한 설명 시작 AVL tree는 Balanced Binary search tree라고 볼 수 있습니다. 기본 property가 BST이기 때문입니다. 중요한 점은 being balanced입니다. 이미 균형이 잡혀 있다는 것이 기본 속성이기 때문인데요. Balance factor의 부분이 AVL tree의 중요한 속성이기 때문에 이점을 중심적으로 보면 좋을 것 같습니다. 강의는 AVL trees의 definition, rotations, insert를 중점으로 봅니다. Binary Search Tree(BSTs)의 경우, left/right subtr..