YongWook's Notes

딥러닝 환경 구축하기 (Tensorflow) - 사용 이전 포스트에서 Python3.6, Anaconda, CUDA 9.0, cuDNN을 모두 설치하였다. 이번 포스팅에서는 Anaconda를 이용하여 가상 환경을 만들고, Tensorflow 예제를 실험해보도록하자. 이번 포스트는 Anaconda의 사용법 공부보다는, 딥러닝 환경을 구축하는 것 자체에 목적을 두기 때문에 명령어 위주로 간단히 짚고 넘어가겠다. 가상 환경 생성 Windows10의 시작버튼을 클릭하고 Anaconda를 검색하여 설치된 Anaconda Prompt를 실행한다. 이제 conda라는 명령어로 Anaconda를 사용할 수 있게 되었다. 프롬프트에 다음의 코드를 입력하여 새 가상환경을 만들자. >> conda create -n tens..

딥러닝 환경 구축하기 (Tensorflow) - 설치 이제껏 모든 실험은 연구실의 PC로 진행했었는데 이제 집에서도 딥러닝 실험을 돌리며 따뜻하게 겨울을 나야겠다는 생각에 오랜만에 환경구축을 해보았다. 연구실에서는 Windows10 + Anaconda + CUDA 8.0 + cuDNN 조합이었는데, 이번에 집에서 세팅한 환경은 Windows10 + Anaconda + CUDA9.0 + cuDNN이다. 간단하게 과정을 설명하기 위해 링크 위주로 포스팅을 진행한다. 편의상 Windows10은 설치 되어 있다고 가정한다. 설치 순서는 다음과 같다. 0. Python 3.6.7 설치 링크 : https://www.python.org/downloads/ - Download Python 3.6.7 Python은 T..

Python : yield from 앞선 포스트에서 알아보았던 generator & yield에서 한걸음 더 나아가, 이번 포스트에서는 yield from 이라는 파이썬 문법을 알아보려고 한다. yield from은 python 3.3 이상 버전에서 사용가능한 문법이다.이번 포스트 또한 Simeon Visser’s blog의 내용을 참조하여 작성하였음을 미리 알린다.사실 기초 프로그래밍을 공부하는 학생들은 generator를 다룰 일이 자주 없지만, 실제 프로그래밍에서는 심심찮게 등장하기 때문에 개념을 숙지해놓으면 분명 도움이 될 것이다. yield from의 필요성 def generator(): for i in range(10): yield i for j in range(10, 20): yield j ..

이번 포스트에서는 이 generator와 yield에 대해서 알아보자.본 포스트는 Simeon Visser’s blog의 내용을 참조하여 작성되었음을 미리 밝힌다. generator의 필요성 def not_a_generator(): result = [] for i in range(1000): result.append(expensive_computation(i)) return result 위의 코드는 일반적인 함수이다. 이 함수가 호출된다면 expensive_computation이라는 매우 비싼 작업이 1000번 연속해서 실행되고 그 결과가 모조리 리턴될 것이다. 이러한 함수는 expensive_computation의 결과가 특정 값이 되었을 때 break해야하는 상황이라면 비효율적일 수 있다.아래의 코드..

본 포스팅은 Tensorflow Machine Learning Cookbook 교재로 공부한 내용을 재구성하였음을 미리 밝힙니다. 텐서플로우 동작 방식 시작 -> 데이터셋 가져오기 또는 생성하기 -> 데이터 변환 및 정규화 -> 데이터셋을 학습셋, 테스트셋, 검증셋으로 분할 -> 알고리즘 매개변수 설정 -> 변수 및 플레이스홀더 초기화 -> 모델구조 정의 -> Loss Function 선언 -> 모델 초기화 및 학습 -> 모델 평가 -> Hyperparameter 조정 -> 적용 및 새로운 결과 예측 -> 끝 텐서 정의 고정텐서 - 0값으로 채워진 텐서 : zero_tsr = tf.zeros([row_dim, col_dim]) - 1값으로 채워진 텐서 : ones_tsr = tf.ones([row_dim..

-개인적 공부를 위해 작성하는 포스트입니다. Delving Deeper Into Convolutional Networks for learning Video Representation GRU를 이용하여 percept라는 '시각적 표현의 중간단계'로부터 비디오의 일시적 공간특징 (spatio-temporal features)을 학습한다. high level percept -> highly discriminative video representation. / low spatial resolution low level percept -> high spatial resolution high spatial resolution을 가지고 있는 low level percept를 사용하면 motion pattern을 눈으..

Multiple-Object Detection에 관한 두번째 포스트(http://man-about-town.tistory.com/52)에서는 SPP-Net을 이야기해 보았다.SPP-Net에 대해 요약해 보자. SPP-Net은 전체 Input image를 곧바로 CNN에 넣고 특징을 추출한다. 그리고 그것을 Spatial Pyramid Pooling layer라고 하는 특수한 장치에 집어넣어서 Region단위 연산으로 RoI를 만들어낸다. 이 SPP-layer는 CNN에서 올라온 Feature map을 Spatial bin이라 불리는 여러 filter들로 pooling하고 그 결과를 Concatenate하므로써 Local 정보를 만든다. 그 결과물을 FC layer에 넣고 순차적으로 SVM과 Boudnin..

오후 내내 작성하던 포스트를 다 날리고 처음부터 다시 작성하려니 마음이 아프다... 이전 포스트에서 Multiple-Object Detection의 첫주자로 R-CNN를 다뤄보았다. 요약하자면, R-CNN은 먼저 Input image를 Selective Search를 통해 Object 후보들을 뽑는다. 그리고 이 후보들을 각각 Conv layer에 넣어 Feature를 추출하고 Classifier에 넣어 분류하는 동시에 Bounding Box를 그려낸다. 하지만 직사각형 등으로 검출되는 Object를 Conv layer의 Input size에 맞추기 위해 Warping 하면서 생기는 정보왜곡의 문제와 3단계 파이프라인 구조와 많은 양의 Convolution 연산에서 오는 저속의 문제가 R-CNN의 단점이..