GANGAN(Generative Adversarial Networks : “적대적 생성 신경망”)은 AI기술 중 하나실제에 가까운 이미지나 사람이 쓴 것과 같은 글 등 여러 가짜 데이터들을 생성하는 모델서로 다른 두 개의 네트워크를 적대적으로(adversarial) 학습시키며 실제 데이터와 비슷한 데이터를 생성(generative)해내는 모델생성된 데이터에 정해진 label값이 없기 때문에 비지도 학습 기반 생성모델로 분류됩니다.학습 방법GAN은 Generator(G,생성모델/생성기)와 Discriminator(D,판별모델/판별기)라는 서로 다른 2개의 네트워크로 이루어져 있음이 두 네트워크를 적대적으로 학습시키며 목적을 달성. 생성모델(G)의 목적은 진짜 분포에 가까운 가짜분포를 생성하는 것이고 판별모..

https://velog.io/@danbibibi/KoBERT-fine-tuning-Sentiment-Analysishttps://www.notion.so/KoBERT-f7dff49a989c4b9cbdce46afc906c3c1 2021년경 KoBERT모델의 기존 서버가 닫히고 huginggace hub로 이전되었다.아래는 hugingface로 구현하는 방법이다.  패키지 설치 및 라이브러리 불러오기#필요 패키지 설치!pip install mxnet!pip install gluonnlp pandas tqdm!pip install sentencepiece!pip install transformers!pip install torch!pip install pandas!pip install numpy==1.23...

BERT란? BERT(Bidirectional Encoder Representations from Transformers)는 2018년에 구글이 공개한 사전 훈련된 모델입니다. 이전의 자연어 처리 모델과 달리 텍스트를 양방향으로 확인하여 자연어를 처리합니다. 이때문에 매우 높은 정확도를 나타내고 있어요. 트랜스포머(Transformer) 아키텍처를 기반으로 하는 언어 모델로 자신의 사용 목적에 따라 파인튜닝(finetuning)이 가능해요. https://github.com/google-research/bert GitHub - google-research/bert: TensorFlow code and pre-trained models for BERT TensorFlow code and pre-traine..

1번 베이스라인 공통사항 GPU 모드로 학습하셔야 주어진 시간안에 문제 해결이 가능합니다. (모든 문제 30초 내외 학습 가능) 모든 랜덤시드는 777 로 고정하고, Full-Batch로 학습하세요. (Mini-Batch 아님) 학습 시 epoch은 최대 2000, learning_rate = 0.001, 나머지는 default 로 설정하세요. 1. 베이스라인 1번 (1점) Neural Network 을 단층(1층)으로 설계하세요. NN (784=>10) SGD 옵티마이저를 사용하세요. linear=torch.nn.Linear(784,10) model=torch.nn.Sequential(linear) model=model.to(device) optimizer=torch.optim.SGD(model.par..

# 현재 opencv 코드는 3.4.2.17 에 맞춰서 작성되어 있어 버전을 맞추는 작업이 필요하다. ! yes | pip3 uninstall opencv-python ! yes | pip3 uninstall opencv-contrib-python ! yes | pip3 install opencv-python==3.4.2.17 ! yes | pip3 install opencv-contrib-python==3.4.2.17 import cv2 cv2.__version__ import os import numpy as np import pandas as pd from tqdm import tqdm import torch dataroot="/kaggle/input/2021-ai-w11-p1/" csvpath=o..

import os from os.path import join import cv2 from glob import glob from PIL import Image from tqdm import tqdm method = 'GoogLeNet' # (ResNet | VGG | GoogLeNet) import torch import random seed = 42 random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) if torch.cuda.is_available(): torch.cuda.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.benchmark = False torch..

x_train=train.drop(['Category'],axis=1)y_train=train['Category']x_train=x_train.to_numpy()test=test.to_numpy()y_train=y_train.to_numpy()method = "vgg"import cv2import torchimport torchvisionimport torchvision.transforms as transformsclass Custom_Loader(torch.utils.data.Dataset): def __init__(self, data, label=None, split='train', transform=None): self.label = label self.split = ..

딥러닝을 위한 하드웨어와 딥러닝 코드구현 및 수행을 위한 파이토치.,텐서플로우에대해 알아봄 딥러닝은 계산량이 많아 하드웨어 수준에서의 최적화 필요딥러닝을 위한 하드웨어 : CPU,GPU,TPUCPU: 중앙 처리 장치 컴퓨터가 구동하는데 필요한 모든 연산 담당GPU: 그래픽카드.. 그래픽카드를 만드는 회사  :엔비디아(연산용 그래픽 카드 선호도 높음) AMDNVIDIA: cuda과학계산용 코드 프레임워크 계발. 파이토치, 텐서플로우와 같은 입러닝 프레임워크에서 인공신경망과 관련된 빠른연산을 지원하기위해 엔비디아의 쿠다프레임워크 사용중 왜 GPU를 연산용으로 사용할까?초당 계산가능한 부동소수점의 수CPU와 GPU모두 가격대비 연산가능량 늘었음. GPU는 특히 지수적 증가 CPU와 GPU차이CPU는 다양한 기..

MNIST_CNN_LeNet5 (입력 32x32) # TorchVision의 MNIST 영상이 28x28로 가공되어 있어, Original 입력 사이즈 32x32로 맞추기 위해 transforms = transforms.Compose([transforms.Resize((32, 32)), transforms.ToTensor()]) # MNIST dataset # transform이 mnist_train & mnist_test에 반영되는게 아이라 train_loader & test_loader에서 반영되는 듯 mnist_train = dsets.MNIST(root='MNIST_data/', train=True, transform=transforms, download=True) mnist_test = dset..

MNIST_CNN_LeNet5 (입력 32x32) # TorchVision의 MNIST 영상이 28x28로 가공되어 있어, Original 입력 사이즈 32x32로 맞추기 위해 transforms = transforms.Compose([transforms.Resize((32, 32)), transforms.ToTensor()]) # MNIST dataset # transform이 mnist_train & mnist_test에 반영되는게 아이라 train_loader & test_loader에서 반영되는 듯 mnist_train = dsets.MNIST(root='MNIST_data/', train=True, transform=transforms, download=True) mnist_test = dset..