T형 인간

1. np.square(x): 제곱 연산 -. x: 숫자 혹은 ndarray import numpy as np np.square(4) # 결과 16 2. np.sqrt(x): 제곱근 연산 -. x: 숫자 혹은 ndarray import numpy as np np.sqrt(36) # 결과 6.0 3. np.exp(x): 지수 연산 -. x: 숫자 혹은 ndarray import numpy as np np.exp(1) # 결과 2.718281828459045 4. np.sin(x): 삼각함수 연산 -. x: 숫자 혹은 ndarray import numpy as np np.sin(np.pi/2.) # 결과 1.0 5. np.cos(): 삼각함수 연산 -. x: 숫자 혹은 ndarray import numpy ..

1. np.add(x1, x2): 덧셈 -. x1, x2: 숫자 혹은 ndarray -. 숫자와 ndarray간의 계산 및 다른 크기의 ndarray간의 계산도 가능 import numpy as np a = np.zeros((2, 3)) b = np.ones((2, 3)) np.add(a, b) # 결과(ndarray 간 계산) array([[1., 1., 1.], [1., 1., 1.]]) 2. np.subtract(x1, x2): 뺄셈 -. x1, x2: 숫자 혹은 ndarray -. 숫자와 ndarray간의 계산 및 다른 크기의 ndarray간의 계산도 가능 import numpy as np a = np.zeros((2, 3)) b = 1 np.substract(a, b) # 결과(숫자와 ndarr..

1. np.full(shape, fill_value, dtype=None): 특정 값을 가지는 ndarray 생성 -. shape: ndarray 크기, 튜플 형태로 입력, 1차원일 경우 숫자만 입력 가능 -. fill_value: ndarray 생성시 초기값 지정 -. dtype: ndarray 데이터 타입 지정, default 값 int64(None) import numpy as np np.full((2, 3), 7) array([[7, 7, 7], # 출력 [7, 7, 7]]) 2. np.empty(shape): 임의의 값을 가지는 ndarray 생성 -. shape: ndarray 크기, 튜플 형태로 입력, 1차원일 경우 숫자만 입력 가능 -. 값이 초기화 되지 않은 상태로 생성, 임의의 값이 저..

1. np.array(object, dtype): numpy ndarray 생성 -. object: ndarray에 저장할 데이터, 일반적으로 리스트 -. dtype: 데이터 타입, 기본값은 None이고 생략가능 import numpy as np test = np.array([1, 2, 3, 4]) test array([1, 2, 3, 4]) # 출력 type(test) # 출력 2. np.arrange((start), stop, (step)): 연속된 numpy ndarray 생성(파이썬 range() 함수와 동일) -. start: 시작값, 생략 가능, 생략 시 default 값은 0 -. stop: 끝값 (끝값 -1 적용) -. step: 증분값, 생략 가능, 생략 시 default 값은 1 imp..

1. ndarray의 형태(몇 행 몇 열) 확인: ndarray.shape 2. ndarray의 전체 원소의 수 확인: ndarray.size 3. ndarray의 데이터 타입 확인: ndarray.dtype 4. ndarray의 차원의 수 확인: ndarray.ndim 5. 1차원 ndarray: (값,) 6. 2차원 ndarray: (행, 열) 7. 3차원 ndarray: (면, 행, 열)

1. numpy: NUMerical PYthon의 줄임말 2. 대규모의 고성능 수치 계산을 위한 파이썬 라이브러리 3. N차원의 배열을 효율적으로 다룰 수 있는 라이브러리 4. ndarray(N Dimension ARRAY)라는 핵심 자료구조 제공 5. number: scalar라고 지칭 6. 1d array: vector라고 지칭 7. 2d array: matrix라고 지칭 8. 3d array: tensor라고 지칭

요즘 Point Cloud Segmentation에 대해서 공부하고 있다. kaggle에서 제공하는 shapenetpart_hdf5_2048 데이터셋으로 학습하고 있는데 나중에 Custom 데이터셋으로 학습이 필요할 것 같아서 Point Cloud Data를 labeling 할 수 있는 tool을 서칭해 보았다. 물론 무료만. 아직 써 보지는 않았지만 나중에 제일 쓰기 편한것은 코멘트 하도록 하겠다. 1. labelCloud: 설치해서 잠시 써보았는데 나쁘지 않음 GitHub - ch-sa/labelCloud: A lightweight tool for labeling 3D bounding boxes in point clouds. A lightweight tool for labeling 3D boundin..

지속적으로 업데이트 예정 1. 최신 소식 -. 인공지능신문: 국내외 인공지능 관련 소식, https://www.aitimes.kr/ -. 추가 예정 2. 챗봇 -. ChatGPT: 대화형 챗봇, https://openai.com/blog/chatgpt추가 예정 -. 추가 예정 3. Cloud IDE -. Google Colaboratory: 웹 개발 플랫폼, https://colab.research.google.com/ -. replit: 웹 개발 플랫폼, https://replit.com/ -. 추가 예정 4. 학습 -. 인프런: 프로그래밍, 강의 사이트(일부 무료), https://www.inflearn.com/ -. 코드프레소: 프로그래밍, 강의 사이트(일부 무료), https://www.codep..

1. 내컴퓨터 그래픽카드 사양 확인하기 바탕화면 마우스 우클릭 > NVIDIA 제어판(NVIDIA Control Panel) > 시스템 정보(System Information) ex) 아래 내 노트북의 경우 NVIDIA GeForce 940MX 2. GPU Compute Capability 확인하기 아래 사이트에서 검색하면 GeForce GTX 1080 Ti 의 경우 6.1 CUDA GPUs - Compute Capability Explore your GPU compute capability and CUDA-enabled products. developer.nvidia.com 3. GPU Compute Capability 호환 suda sdk 버전 확인 (녹색 부분이 Compute Capability 점..

[기본 프로세스] 0단계 : 모델의 가중치, 편향을 무작위로 초기화 1단계 : 앞서 배운 인공 신경망을 통해 데이터를 입력받아 출력값/예측값 계산 2단계 : 예측값과 레이블/정답 사이의 차이를 정의하는 손실함수를 이용해 손실(loss, cost, error) 계산 3단계 : 최적화 알고리즘을 통해 손실을 최소화하는 방향으로 모델의 가중치/편향값을 수정 1. 학습(train) 상기 0단계에서 시작하여 1, 2, 3단계를 자동으로 반복하며 최적화된 모델(가중치, 편향)을 찾는 과정 ​ 2. 순전파(forward propagation) 입력층-은닉층-출력층을 거쳐 예측값을 내는 과정 ​ 3. 역전파(backward propagation) 출력층-은닉층-입력층을 거쳐 손실함수 계산 및 최적화 알고리즘을 통해 w..