Maxima's Lab

안녕하세요, 오늘은 Pytorch 내 Tensor와 Cuda 사용법에 대해서 알아보도록 하겠습니다. Tensor 및 Cuda 사용법에 대한 내용은 다음과 같습니다. torch.tensor() torch.as_tensor() size() dtype device unsqueeze() & squeeze() permute() & transpose() 다음은 Tensor와 Cuda를 사용하기 전 Cuda와 관련된 상태를 알아보는 코드입니다. import torch print(torch.cuda.is_available()) print(torch.cuda.current_device()) print(torch.cuda.device_count()) print(torch.cuda.get_device_name(0)) 위의 ..

안녕하세요, 오늘은 Pytorch 내 TensorDataset과 DataLoader에 대해 알아보도록 하겠습니다. 코드를 구현하기 위한 과정은 다음과 같습니다. 임의의 numpy.narray 타입의 데이터 셋 생성(train_x, train_y) numpy.narray 타입의 데이터 셋을 torch.Tensor 타입으로 변환 TensorDataset을 이용하여 데이터 셋 구성 DataLoader를 이용하여 Batch로 구성 위의 과정에 대해 전체 코드는 다음과 같습니다. import torch from torch.utils.data import TensorDataset, DataLoader import numpy as np train_x = np.random.randint(0, 256, (64, 3, 2..

안녕하세요, 오늘은 "U-Net: Convolutional Networks for Biomedical Image Segmentation" 위 논문에 대해서 리뷰를 해보도록 하겠습니다. 먼저 U-Net의 전체 구조에 대해서 살펴보겠습니다. 위의 U-Net의 구조를 보시면 전체적으로 왼쪽, 오른쪽 부분을 나눠서 생각할 수 있습니다. Left side : Convolution(3x3, ReLU), Max Pooling(Downsampling), Crop Right side : Convolution(3x3, ReLU), Convolution(1x1, ReLU), Upsampling, Copy 왼쪽과 오른쪽 부분 모두 Convolution(ReLU)가 동일하게 사용된다는 공통점이 있지만, 왼쪽은 Max Pooli..

안녕하세요, 오늘은 "SegNet : A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation" 위 논문에 대해서 리뷰를 해보도록 하겠습니다. SegNet은 Segmentic Pixel-wise Segmentation을 위한 모델이며, Encoder와 Decoder의 형태로 구성되어 있습니다. 모델의 전체 구조는 다음 그림과 같습니다. 위의 SegNet 아키텍처 내 좌측 Layer 구성이 Encoder, 우측 Layer 구성이 Decoder 입니다. 먼저, Encoder에 대한 내용입니다. [Encoder, 인코더] 위상적으로 VGG16의 Convolutional Layer와 동일하며, Fully Connected Layer 포함 ..

안녕하세요, 오늘은 PyQt5 모듈을 사용하여, 윈도우 창을 생성하고, 해당 윈도우 창의 위치와 크기를 조절하는 방법에 대해서 알아보겠습니다. 윈도우 창의 위치와 크기를 조절하는 것을 2가지 방법으로 알아보겠습니다. setGeometry(x, y, width, height) move(x, y) + resize(width, height) 첫번째, setGeometry() 함수를 사용하여 윈도우 창을 생성한 결과는 다음과 같습니다. import sys from PyQt5.QtWidgets import * app = QApplication(sys.argv) win = QWidget() win.setWindowTitle('Maxima') win.setGeometry(200, 200, 800, 600) win.s..

안녕하세요, 오늘은 Tkinter 모듈을 사용하여, GUI 중 Place를 활용해서 위젯을 배치하는 방법에 대해서 알아보겠습니다. Place를 활용하기 위해 필요한 항목들은 다음과 같습니다. x : width 축 방향으로의 절대 위치 (Ex) 0, 10, 100, 200, ... y : height 축 방향으로의 절대 위치 width : 배치될 위젯의 width 축 방향으로의 절대 길이 height : 배치될 위젯의 height 축 방향으로의 절대 길이 relx : width 축 방향으로의 상대적 위치 (Ex) 0, 0.1, 0.2, ..., 1 (0이상 1이하의 값을 가짐) rely : height 축 방향으로의 상대적 위치 relwidth : 배치될 위젯의 width 축 방향으로의 상대 길이 (0이상..

안녕하세요, 오늘은 Pytorch 내 DataLoader (데이터 셋 불러오기)에 대해서 알아보겠습니다. torchvision.datasets 내 데이터 셋 예시들 중 CIFAR10를 활용해서 진행해보도록 하겠습니다. import torch import torchvision import torchvision.transforms as transforms import numpy as np transform = transforms.Compose( [transforms.ToTensor()]) train_dataset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) print(train_data..

안녕하세요, 오늘은 Tensorflow 내 tensorflow.keras.metrics 함수들에 대해서 알아보겠습니다. tensorflow.keras.metrics 내 사용해볼 함수들은 다음과 같습니다. Mean() : 주어진 값들에 대해 평균값을 계산하며, 주로 update_state, reset_state, result 함수를 호출 SparseCategoricalAccuracy() : 정수값과 대응되는 Logit의 argmax값의 정확도를 계산하며, 유사하게 update_state, reset_state, result 함수를 호출 먼저, Mean() 함수에 대해서 알아보겠습니다. import tensorflow as tf mean = tf.keras.metrics.Mean() print(mean.re..