Hiwony blog

스포티지R 2010년식을 타고 있습니다. 10번째 자동차 보험 납기일이 곧 다가오네요. 최근에 캠핑 준비를 하면서 트렁크가 매우 작다는걸 실감하고 방법이 없나 고민을 하였습니다. 2010년식인 제차에는 트렁크 숨은 공간에 스페어 타이어가 자리 잡고 있었습니다. 스페어 타이어를 탈거 하였더니 가로95cm X 세로75cm X 높이23cm 정도의 공간이 생김니다. 리터로 대충 환산했을때 약 150~160L 정도 확보됩니다. 처음에는 그냥 합판 1개판으로만 해서 덮어버릴까 하다가 스페어타이어 자리에 움푹 들어간 자리가 너무나 아까운것입니다. 깊이도 7cm에 넓기도 해서 이쪽에만 25L 정도 들어가더라구요. 열에 강하고 얇고 적당한 잡동사니들을 수납하기에는 좋을거 같습니다. (숯집게, 바람막이, 내열장갑, 기타 ..

먼저 batch_size 32를 기준으로 삼고 순수 Train 시간(초) 기준으로 그래프를 작성하였다. Computer System CPU : 라이젠5 3600 4.1 OC GPU : 1080 ti 11G x2 RAM : 24G PSU : 1000w M/B : AX370 일단 이번 test는 GPU 를 2장을 SLI로 묶었을때의 학습 시간에 대해서 TEST 한것이다. batch_size 별로 학습의 영향(loss, accuracy)이 얼마나 있을지에 대한 연구가 진행되고 있다고 한다. 사실 내가 이해한 바로는 batch_size가 작을 수록 학습시간은 늘어나지만 학습에 대한 디테일이 좋아져서 적은 epoch으로도 학습이 잘된다라고 알고있고, bacth_size가 커지면 그 만큼의 train_data들이 ..

CPU : 라이젠7 1700 3.8 OC RAM : 커세어 vengernce 32G XMP 3000 M/B : aorus AX370-gaming k5 GPU : aorus 1080 ti 11G PSU : 커세어 HX1000i (1000w) case : T800 가성비 개인 AI 머신 구성을 하는데 참 안타까운게 많다 일단 기존에 쓰던 게임용 PC를 개조(?)를 통해서 GPU만 대충 우겨 넣었는데 case 변경 : winin 101c -> 3RSYS T800 풍통 GPU 변경 : 1060 6G -> 1080ti 11G x2 T800 풍통은 빅타워 케이스 이다. 빅타워는 솔직히 처음 써본다.. 전명 160mm 3개 후면 140mm 2개 하단 120mm 2개 RGB 쿨링팬 기본셋트 인데 나쁘지는 않다. 120..

jupyter notebook을 설치를 했고, 가상환경까지 만들었는데 kernel에 가상환경이 계속 안보여서 이게 뭐지 하다가 conda install nb_conda_kernels 이거 설치하니까 가상환경 설치했던 anaconda 포함 kernel이 다나온다 이제 이거 안되면 python -m ipykernel install --user --name 'env이름' --display-name '주피터커널이름'

기존에 쓰던 PC 를 딥러닝용으로 사용하기 위해 Ubuntu 를 설치하게 됐고 프로젝트를 진행하다보니 학습시간이 너무 오래 걸려서 GPU를 바꾸기로 결심했다. 요즘 나오는 RTX 2070S, 2080, 2080ti 너무 비싸다. 그래픽카드 순위를 보고 벤치마크 결과를 봤더니 1080 ti 가 꽤 해주고 있는것이 아니던가!! 난 게임을 할 용도가 아니였기 때문에 게임 벤치마크는 크게 의미 없고, 머신러닝 개발 용도에 대한 자료를 찾아보기가 매우 어려웠다. 그래서 맨땅에 해딩하기로 했다. 원래의 PC 사양은 CPU : 라이젠7 1700 3.6 OC RAM : 커세어 32G 3000 OC (튜닝램) GPU : 1060 6G OS : Ubuntu 18.04 제목에서와 같이 1060 vs 1070 vs 1080 ..

MNIST DATA로 UNET 모델 구현하는 실습을 진행하였습니다. 모델 구조를 파악하고 MNIST에 맞는 구조를 build 하였습니다. MNIST의 train, test 셋은 lebeling 된 데이터라 약간의 변형이 필요했습니다. unet에서 쓰이는 y_train, test set은 MNIST와 같은 0~9로 이루어진 숫자가 아니라 image가 필요했습니다. 1. Data set 선정 변경 전 변경 후 내용 x_trian y_train 학습 할 실제 이미지의 라벨링 x_test y_test 평가 할 실제 이미지의 라벨링 기존의 실제 image data set은 label image로 대체하고, train 하기 위한 dataset은 x_train image에 직접적으로 noise를 추가하였습니다. 2...

결국 Discriminator(판별자, 경찰)와 Generator(생성자, 도둑)의 적대적 관계에서 시작됩니다. (생성자, Generator, 도둑)은 Discriminator를 '속이기' 위해서 가짜를 더욱 진짜 같이 생성하고 (판별자, Discrimanator, 경찰)은 Generator가 준 가짜를 가짜라고 파단하기 위해서 애쓴다. 실제 GAN -> DCGAN 을 Code 분석을 해봤는데 생각보다 학습이 잘 안되었습니다. Discriminator는 진짜로 갈수록 1에 근접한 숫자를 뱉고, 가짜면 0에 근접한 숫자를 뱉었습니다. DCGAN은 적대적관계의 비지도 학습이고, 0과 1을 표현하기에 binary_crossentropy를 사용합니다. 그런데 사실 비지도 학습도 아닌 거라 생각이 드는 게 판별자..

Python Crawling으로 연예인 이름 crawling을 하자 m.search.daum.net의 #연예인명단 이라는 해시태그 페이지를 이용하여 Crawling 했습니다. from bs4 import BeautifulSoup as bs from tqdm import tqdm import urllib.request import time, sys, codecs, os, random, csv def celebrities_names(start,end): randomsl = random.uniform(1,3) hdr = {'User-Agent': 'Mozilla/5.0'} url = "https://m.search.daum.net/kakao?w=smok&DA=AQJ&q=%EC%97%B0%EC%98%88%EC%..

네이버에서 이미지를 크롤링 해봅시다. 아래 코드 참고하시구요 어느 사이트든 html 구조만 잘 분석하셔도 크롤링은 충분히 가능합니다. 크롤링을 할때는 항상 주의해주시구요 Python Naver image crawling from selenium import webdriver from selenium.webdriver.common.keys import Keys import time, random, os from urllib.request import urlretrieve from tqdm import tqdm def get_images(keyword) : # 1~3 초 사이의 랜덤난수 randomsl = random.uniform(1,3) print('Loading') # 스크롤 다운을 해야 되서 chro..

앞전에 Deep Learning Server 구현할 때 발생했던 문제점이 몇 가지 있었습니다. 그중 Tensorflow와 Cuda의 버전이 맞지 않아 발생하는 문제가 있었네요. Tensorflow 공식 홈에서의 내용을 보면 Tensor GPU 2.0 = CUDA 10.0 버전이 필요합니다. 필자는 Tensorflow GPU 2.0 버전을 사용하려고 하는 이유였고 ( 쓰고 있는 랩탑 Mac에서는 Tensor 2.0까지 ) 최신 nvidia 드라이버를 설치하니 Cuda 10.2 버전이 자연스래 따라와서 Jupyter Notebook 서버를 사용할 때의 문제점이 발생했었습니다. 2020-04-06 12:01:23.253018: W tensorflow/stream_executor/platform/default/..