이것저것 기록

리스트와 리스트, 혹은 두 개 이상의 리스트를 비교해보자. 우선 리스트 두 개를 생성해줄 것이다. a = [1, 3, 4, 5, 1, 3, 3, 7, 9] b = [1, 2, 4, 2, 1, 3, 6, 2, 9] 1. 겹치는 원소 찾기 # Same elements same = [i for i, j in zip(a, b) if i == j] print(same) # [1, 4, 1, 3, 9] 2. 겹치지 않는 원소 찾기 # Different elements df1 = [i for i in a if i not in b] df2 = [i for i in b if i not in a] print(df1) # [5, 7] print(df2) # [2, 2, 6, 2] 3. 리스트 내에서 유니크한 원소 찾기 # ..

파이토치의 reshape()과 view()는 둘 다 텐서의 모양을 변경하는 데에 사용될 수 있다. 그러나 둘 사이에 약간의 차이가 존재한다. - reshape(): reshape은 가능하면 input의 view를 반환하고, 안되면 contiguous한 tensor로 copy하고 view를 반환한다. - view(): view는 기존의 데이터와 같은 메모리 공간을 공유하며 stride 크기만 변경하여 보여주기만 다르게 한다. 그래서 contigious해야만 동작하며, 아닌 경우 에러가 발생함. 출처: subinium.github.io/pytorch-Tensor-Variable/ 바로 연습! import numpy as np import torch t = np.zeros((4,4,3)) #0으로 채워진 4x..

1. 정의 - 스칼라: 차원이 없는 값 - 벡터: 1차원으로 구성된 값 - 행렬: 2차원으로 구성된 값 / 일반적으로 이용하는 데이터 형태 (batch size, dim) - 텐서: 3차원으로 구성된 값 / Vision에서는 (batch size, length, dim) 2. Numpy 와 PyTorch 텐서 비교 Numpy PyTorch 선언 np.array() torch.FloatTensor, torch.Tensor() 차원 확인 .ndim .dim() 크기 확인 .shape .size() 3. 파이토치로 텐서 선언 import torch t1 = torch.Tensor(3) #원소가 3개인 단일 텐서 선언 t2 = torch.Tensor(3, 5) #3x5의 2차원 텐서 선언 rn1 = torch...

나만의 데이터셋을 CNN에 학습시키기 위한 첫 번째 단계 - 이미지를 텐서 자료형으로 변환하는 것. 딥러닝에서 이미지, 텍스트, 음성, 비디오 등의 데이터를 다룰 때, 이 데이터들을 파이썬 모듈 (이미지의 경우는 PIL이나 openCV)로 데이터를 numpy array의 형태로 불러온 후 torch.Tensor로 변환하는 작업이 필수적이다. 나만의 데이터셋을 텐서로 변환하는 순서는 다음과 같다. 1. 이미지 파일을 텐서로 변환 및 정규화하기 from PIL import Image import torch from torch.utils.data import Dataset, DataLoader import numpy as np import torchvision from torchvision import tra..

https://arxiv.org/abs/1703.10593 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks Image-to-image translation is a class of vision and graphics problems where the goal is to learn the mapping between an input image and an output image using a training set of aligned image pairs. However, for many tasks, paired training data will not be a arxiv.org CycleGAN 원논문 주소 Im..