Hiwony blog

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..

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/..

Server System CPU : AMD Ryzen 7 1700 OC 3.8 RAM : CORSAIR DDR4 32G (8Gx4) vengeance Pro RGB White XMP 3000 M/A : GIGABYTE GA-AX370-Gaming K5 AORUS SSD : WD Black SN750 M.2 2280 NVME SSD, BK2T00C, 500GB Power : 700W GPU : Geporce 1060 6G Server 환경은 그냥 그럭저럭 쓸만 합니다. 17년도 말 경에 AMD 세팅해둔 게임용 PC를 이번에 Deep Learning을 위한 Server로 변경해보려고 합니다. 이 정도는 가성비 실습하는 데에 전혀 문제없는 system 일거 같네요. Tensorflow 설치에 가장 필요한 부분..