고양이 두 잔

목차지난 글에서는 MNIST데이터셋을 이용한 오토인코더 모델 코드를 분석해 보았다. [PyTorch]오토인코더(Autoencoder) [PyTorch]오토인코더(Autoencoder)목차 지난 글에서는 전이 학습을 구현하고, RNN의 발전에 대해 가볍게 정리했다. [PyTorch]전이 학습(Transfer Learning) [PyTorch]전이 학습(Transfer Learning)목차 전이 학습(Transfer Learning) 전이 학습(Transfgnidinger.tistory.com 이번 글에서는 Fashion MNIST를 사용한 Vanilla GAN 코드에 대해 살펴본다. 언제 적 GAN이냐고 할지 모르지만, 나는 오늘이 초면이다. 가능한 샅샅이 살펴보겠다. 선 요약 이 글에서 다룰 코드는 다음..

목차 지난 글에서는 전이 학습을 구현하고, RNN의 발전에 대해 가볍게 정리했다. [PyTorch]전이 학습(Transfer Learning) [PyTorch]전이 학습(Transfer Learning)목차 전이 학습(Transfer Learning) 전이 학습(Transfer Learning)은 딥러닝 모델이 이미 학습한 정보를 새로운 작업에 재사용하는 방법이다. 예를 들어, ImageNet이라는 대규모 데이터셋에서 학습된 모델gnidinger.tistory.com[Pytorch]Vanilla RNN과 확장된 기법들: LSTM, GRU, Bidirectional LSTM, Transformer [Pytorch]Vanilla RNN과 확장된 기법들: LSTM, GRU, Bidirectional LSTM,..

목차 자바 프로그래밍을 하다 보면 객체를 복사해야 하는 상황이 자주 생긴다.  그런데 복사를 하는 방식에는 크게 두 가지가 있다. 바로 얕은 복사와 깊은 복사다.  이 두 가지는 겉보기엔 비슷해 보이지만, 동작 방식과 결과에서 큰 차이를 보인다. 천천히 그리고 가볍게 정리해 보자. 얕은 복사(Shallow Copy) 얕은 복사는 객체의 주소값만 복사하는 방식이다.  즉, 새로운 객체를 만들긴 하지만 내부에서 참조하는 필드들은 원본 객체와 동일한 주소를 공유한다.  따라서 원본 객체의 내부 값이 변경되면, 복사한 객체에서도 그 변경사항이 반영된다.public Book shallowCopy() { return new Book(this.name, this.author);}이 메서드는 새로운 Book 객체..

목차 이전 게시글에서도 순환 신경망(RNN)과 그 발전에 대해 다룬 적이 있다. 순환 신경망(Recurrent Neural Network, RNN) 순환 신경망(Recurrent Neural Network, RNN)목차 딥러닝의 역사와 발전: 머신러닝에서 딥러닝까지의 여정 인공 신경망의 기본 구조와 중요성 활성화 함수(Activation Functions) 이해하기 손실 함수(Loss Functions)의 역할과 중요성 딥러닝에서의gnidinger.tistory.com순환 신경망의 발전(The Evolution of RNN) 순환 신경망의 발전(The Evolution of RNN)목차 딥러닝의 역사와 발전: 머신러닝에서 딥러닝까지의 여정 인공 신경망의 기본 구조와 중요성 활성화 함수(Activation..

목차 전이 학습(Transfer Learning) 전이 학습(Transfer Learning)은 딥러닝 모델이 이미 학습한 정보를 새로운 작업에 재사용하는 방법이다. 예를 들어, ImageNet이라는 대규모 데이터셋에서 학습된 모델은 일반적인 이미지 분류 작업에 필요한 유용한 특성을 이미 학습했기 때문에, 이를 활용해 상대적으로 작은 데이터셋(CIFAR-10)에서 학습 시간을 단축하고 성능을 높이는 데 사용할 수 있다. 전이 학습의 중요성은 다음과 같다: 데이터 효율성: 대규모 데이터가 부족한 상황에서 모델의 일반화 능력을 향상한다.학습 시간 단축: 사전 학습된 모델을 기반으로 학습하기 때문에 초기 단계부터 학습할 필요가 없다.성능 향상: 기존 모델의 강력한 특성 표현력을 활용하여 더 나은 성능을 얻을 ..

목차 지난 글에선 CNN과 CIFAR-10 데이터셋을 이용한 이미지 분류 문제를 살펴보았다. [PyTorch]CNN을 활용한 이미지 분류 문제(CIFAR-10) [PyTorch]CNN을 활용한 이미지 분류 문제(CIFAR-10)목차 지난 글에선 기초적인 MLP를 이용한 집값 예측 모델을 만들어 보았다. 이번 글에서는 컴퓨터 비전 쪽으로 넘어와서 CNN을 이용해 CIFAR-10 데이터셋을 학습하고, 테스트 데이터를 분류하는gnidinger.tistory.com 이번 글에서는 순환 신경망RNN(Recurrent Neural Network)을 사용해 코스피 데이터를 기반으로 주식 가격을 예측하는 문제를 살펴본다. RNN은 시계열 데이터와 같은 순차적 데이터에서 매우 유용한데, 주식 가격은 과거 데이터가 현재와..

목차 지난 글에선 기초적인 MLP를 이용한 집값 예측 모델을 만들어 보았다. 이번 글에서는 컴퓨터 비전 쪽으로 넘어와서 CNN을 이용해 CIFAR-10 데이터셋을 학습하고, 테스트 데이터를 분류하는 코드를 구현해 보겠다. 참고로 CIFAR-10은 10가지 클래스(예: 자동차, 개, 새 등)의 컬러 이미지를 포함한 데이터셋이며, 딥러닝에서 CNN은 이미지 데이터의 특성을 잘 학습하기 때문에 이미지 분류 문제에 자주 사용된다. 사실 구현이라기 보단 학습 코드를 뜯어보는 것에 가깝기 때문에, 별 새로운 내용은 없다. 선 요약 먼저 오늘 뜯어볼 코드와 결과는 다음과 같다:import torchimport torchvision.datasets as datasetsimport torchvision.transform..

목차 오랜만에, 그리고 다소 뜬금없이 파이토치에 대한 글이다. 지난 글에 이어 아주 기초적인 코드를 가지고 데이터 준비부터 모델 학습 및 평가까지의 과정을 알아보려 한다. 총 세 개의 완전 연결층(Fully Connected Layer)로 이루어진 기초적인 MLP 모델이며 활성화 함수는 ReLU를, 과적합 방지를 위해 드롭 아웃을, 손실함수는 MSE, 최적화 알고리즘은 Adam을 사용하였다. 나도 이 단어의 나열이 정확히 무엇을 뜻하는지는 모른다. 코드를 보며 정리해보자. 선 요약 먼저 오늘 구현할 코드와 결과는 다음과 같다:import pandas as pdimport numpy as npfrom sklearn.model_selection import train_test_splitimport torch..

목차 Spring Data JPA는 데이터를 다루는 데 있어 강력한 도구다.  그중에서도 새로운 Entity인지 여부를 판단하는 기능은 데이터 처리 효율성과 무결성을 보장하는 데 중요한 역할을 한다.  이번 글에서는 Spring Data JPA가 새로운 Entity를 어떻게 식별하는지,  그리고 이를 구현하기 위해 필요한 핵심 원리를 간단히 정리해 보자. 선 요약 새로운 Entity 식별 기준기본적으로 JpaEntityInformation 인터페이스의 isNew() 메서드로 판단.@Version 필드와 @Id 필드의 값으로 새 객체 여부를 결정.@Version 필드의 역할필드 없음: 기본 로직으로 판단.Wrapper 타입: null 여부 확인.Primitive 타입: 기본값 여부 확인.@Id 필드와 키 ..

목차 스프링 부트(Spring Boot)로 개발을 진행할 때, 설정 파일에 정의된 값을 쉽게 주입하기 위해 @Value 어노테이션을 자주 사용한다. 이 어노테이션은 특정 클래스에 값을 주입하여 환경별로 달라질 수 있는 값을 유연하게 관리할 수 있는 유용한 방법을 제공한다. 이 글에선 @Value 어노테이션의 사용법과 함께 주의해야 할 몇 가지 사항에 대해 간단히 살펴보자. 선 요약 기본 사용법: @Value("${property.key}") 형식으로 설정 파일의 값을 주입한다.프로파일 적용 가능: 스프링 프로파일을 사용해 환경별 다른 값을 주입할 수 있다.주입 방식: 필드 주입, 생성자 주입, 세터 주입 중 상황에 맞게 선택하여 사용한다. -> 생성자 주입이 안전하고 테스트에 유리함.@Configurat..