john8538 님의 블로그

https://arxiv.org/abs/2303.16203대규모 텍스트-이미지 확산 모델이 이미지 생성뿐만 아니라 추가적인 학습 없이 zero-shot classification를 수행가능함을 보여주는 연구Abstract기존 Diffusion 모델의 한계극복기존에는 이미지 생성에만 집중하였다.그러나 Diffusion 모델의 조건부 밀도 추정을 활용하면 이미지 분류와 같은 다운스트림 작업이 가능하다.Diffusion Classifier 제안Stable Diffusion 같은 모델을 활용하여 추가적인 학습 없이 zero-shot classification가 가능기존의 지식 추출방법보다 우수한 성과를 보임ImageNet에서 학습된 Class-Conditional Diffusion Model을 활용해 학습을 진..

Github: https://github.com/boostcampaitech7/level2-cv-datacentric-cv-05 GitHub - boostcampaitech7/level2-cv-datacentric-cv-05: level2-cv-datacentric-cv-05 created by GitHub Classroomlevel2-cv-datacentric-cv-05 created by GitHub Classroom - boostcampaitech7/level2-cv-datacentric-cv-05github.com 본 내용은 네이버 부스트캠프 7기에서 진행한 세번째 프로젝트 내용에 대해 정리한 내용입니다. 모든 관련 저작권은 네이버 부스트캠프에 있음을 밝힙니다.  프로젝트 개요이번 프로젝트는 다국..

Github: https://github.com/lexxsh/level2-objectdetection-cv-05 GitHub - lexxsh/level2-objectdetection-cv-05: level2-objectdetection-cv-05 created by GitHub Classroomlevel2-objectdetection-cv-05 created by GitHub Classroom - lexxsh/level2-objectdetection-cv-05github.com 본 내용은 네이버 부스트캠프 7기에서 진행한 두번째 프로젝트 내용에 대해 정리한 내용입니다. 모든 관련 저작권은 네이버 부스트캠프에 있음을 밝힙니다.프로젝트 개요본 프로젝트는 재활용 품목을 자동으로 분류하기 위한 Object De..

본 내용은 네이버 부스트캠프 7기에서 진행한 첫번째 프로젝트 내용에 대해 정리한 내용입니다.깃허브는 아래 주소를 참고해 주세요.https://github.com/boostcampaitech7/level1-imageclassification-cv-05?tab=readme-ov-file 1. 소개 디지털 시대에 들어서면서 손으로 그린 스케치나 낙서를 인식하고 분류하는 기술의 중요성이 점점 더 커지고 있습니다. 스케치는 아이디어를 빠르게 표현하는 수단으로, 예술, 디자인, 엔지니어링 등 다양한 분야에서 널리 사용됩니다. 하지만 컴퓨터가 이러한 스케치를 이해하고 분류하는 것은 여전히 challenging한 과제입니다. 프로젝트 배경본 프로젝트는 컴퓨터 비전(CV) 분야의 핵심 과제인 이미지 분류에 초점을 맞추고..

회귀 모델의 성능을 평가하는 데 사용되는 주요 지표들에 대해 자세히 알아보겠습니다. 이 지표들은 모델의 예측이 실제 값과 얼마나 가까운지, 그리고 모델이 데이터의 변동성을 얼마나 잘 설명하는지를 측정합니다.1. 평균 절대 오차 (Mean Absolute Error, MAE)MAE는 예측값과 실제값 차이의 절대값 평균을 계산합니다.수식:여기서:n은 데이터 포인트의 수y_i는 실제값ŷ_i는 예측값특징:해석이 직관적이고 쉽습니다.오차의 단위가 원래 변수의 단위와 동일합니다.이상치에 비교적 덜 민감합니다.사용 사례:예측 오차의 평균적인 크기를 쉽게 이해해야 할 때이상치의 영향을 줄이고 싶을 때2. 평균 제곱 오차 (Mean Squared Error, MSE)MSE는 예측값과 실제값 차이의 제곱의 평균을 계산합니..

01) 머신러닝이란?Tom Mitchell(1998)의 정의에 따르면, 머신러닝은 "경험 E로부터 학습하여 작업 T에 대한 성능 P를 향상시키는 시스템"입니다. 즉, 데이터(경험)를 통해 특정 작업의 성능을 스스로 개선하는 알고리즘을 연구하는 학문이라고 할 수 있습니다. 1.1 머신러닝의 적용사례현재 머신러닝은 다양한 분야에서 활용이 되는데요,컴퓨터 비전문자 인식MLP음성 인식 등에 사용이 됩니다.1.2 머신러닝의 종류크게 3가지 유형으로 나뉩니다.지도학습 : 레이블이 존재하는 데이터(정답)로 학습비지도 학습 : 레이블이 없는 데이터로 패턴을 찾음강화학습 : 행동에 대한 보상을 통해 학습02) 머신러닝 라이프 사이클머신러닝 라이프사이클은 머신러닝 모델을 개발, 배포, 유지보수하는 일련의 단계들을 정의하는..

🌙 앞선 5강에서 이어지는 내용입니다. 참고해주세요01) 텐서의 노름(Norm)벡터 공간에서 정의되는 함수로, 벡터의 성질을 어떤 실수(Real Number)로 변환하는 함수를 의미합니다.즉 노름은 벡터 공간에서 벡터의 "크기" 또는 "길이"를 측정하는 함수입니다. PyTorch에서는 주로 L1, L2, L∞ 노름을 사용합니다.01_ L1 노름 (맨해튼 노름)L1 노름은 벡터 요소의 절댓값의 합으로 정의됩니다. 절댓값을 쓰는 이유는 다음과 같습니다.방향이 만약 -로 가게 된다면 음수가 나올 수 있으므로 절대값을 더해 ‘거리’를 구할 수 있게 됩니다이 노름이 맨해튼 노름으로 불리는 이유는 맨해튼 거리가 정확히 직교하기 때문에 맨해튼 내 어느 지점에서 지점까지 이동할때 최소거리를 블럭단위로 구하는 방식과 ..

🌙 PyTorch는 딥러닝 연구와 개발에 널리 사용되는 강력한 프레임워크입니다. 이 프레임워크의 핵심에는 텐서(Tensor)가 있습니다. 텐서는 다차원 배열로 모든 데이터와 모델 파라미터를 표현하는 데 사용됩니다. 따라서 텐서 연산을 효과적으로 다루는 것은 PyTorch를 마스터하는 데 필수적입니다.이번 포스트에서는 PyTorch의 주요 텐서 연산들을 살펴보고, 각 연산의 특징과 사용법을 자세히 알아보겠습니다.01) 텐서 결합 연산PyTorch에서 텐서를 결합하는 두 가지 주요 방법은 stack과 cat(concatenate)입니다.1.1 torch.cat()import torcha = torch.tensor([1, 2, 3])b = torch.tensor([4, 5, 6])c = torch.cat((..

강의Pytorch 3강 & 4강 수강 파이토치에서의 Tensor를 생성하고 다루는 방법의 기초에 대해 수강하였다. 강의 내용과 실습내용을 전부 타이핑해보며 손에 익히는 시간을 지녔으며, 추가로 궁금한 부분에 있어 따로 블로깅 하였다. 간단하게 요약해보자 3강# 특정 값으로 초기화된 텐서 생성torch.zeros() : 0으로 초기화torch.ones(): 1로 초기화# 난수로 값으로 초기화된 텐서 생성 torch.rand(): [0, 1] 구간의 연속균등분포 난수torch.randn(): 표준정규분포 난수# 특정 값으로 초기화된 텐서 변환 torch.zeros_like(): 크기와 자료형이 같은 0으로 초기화된 텐서로 변환torch.ones_like(): 크기와 자료형이 같은 1로 초기화된 텐서로 변환#..

CPU와 GPU 정리 & 차이점CPU란 중앙처리 장치를 뜻하며 컴퓨터 시스템을 통제하고 프로그램의 연산을 실행 - 처리하는 가장 핵심적인 컴퓨터 제어장치를 말한다. 수십억 개의 트랜지스터로 구축되었으며 여러 개의 프로세싱 코어를 갖출 수 있다. GPU란 더 작고 전문화된 코어로 구성된 프로세서다. 처리 작업을 병렬로 코어 간에 분할할 수 있으므로 대규모 성능을 제공한다. 둘다 중요한 컴퓨팅 엔진이고 실리콘 기반 마이크로프로세서이며 데이터를 처리하나 중요한 점은 아키텍처가 크게 다르며 만들어진 용도가 다르다.   주요 차이점은 아래 표에서 확인하자. Tensor에서의 CPU와 GPU이제 이 포스팅을 하게된 본론으로 들어가보자기본적으로 먼저 텐서를 생성한다.그 이후 텐서가 현재 어떤 디바이스에서 있는지 확인..