Solbi Lee님의 블로그

1. 예제 코드의 목적과 역할 분석 그래프 신경망 중에서도 가장 기본이 되는 GCN을 구현한 예제 해결하려는 문제 : - 노드 분류 : 논문 인용 네트워크에서 각 논문(노드)이 어떤 주제 분야에 속하는지 예측 - 반지도 학습 : 전체 노드 중 일부만 라벨이 있는 상황 실무적 가치 :- 추천 시스템 : 사용자-아이템 관계 그래프에서 사용자 선호도 예측- 소셜 네트워크 분석 : 사용자 그룹 분류, 영향력 분석- 분자 구조 분석: 화합물의 특성 예측- 지식 그래프: 엔티티 분류 및 관계 예측 2. 필수 라이브러리 분석 import torch : 모델 정의, 옵티마이저 설정, 텐서 조작torch.nn.functional as F - 함수형 API : F.relu(), F.log_softmax(), F.nll..

1. Object Detection 이미지나 영상에서 특정 객체의 존재 여부를 확인하고, 해당 객체의 위치를 바운딩 박스로 표시하는 기술. 이미지 내에서 여러 개의 객체를 동시에 탐지하고 분류할 수 있다. 주로 CNN 모델 활용 자율주행, 보안감시, 의료 영상 분석, 증강현실 등 분야에서 활용됨 2. 객체 탐지 방식의 분류 객체 탐지 방식은 크게 전통적 기법과 딥러닝 기반 기법으로 나눌 수 있다. 1. 전통적인 기법 이미지에서 특징 (Feature)을 추출해 객체를 탐지하는 방식 대표적으로 HOG+SVM, Haar Cascade, Selective Search 등이 있음 최근에는 딥러닝 기법 대비 성능이 떨어져 잘 사용되지 않음 2. 딥러닝 기반 기법 딥러닝 기법은 크게 Two-Stage와 One-S..

컴퓨터 비전과 데이터셋의 중요성 컴퓨터 비전은 컴퓨터가 인간의 시각과 유사하게 이미지나 영상을 분석하고 이해하는 인공지능 분야 최근에는 CNN 등 딥러닝 기술의 발전으로 이미지 분류, 객체 검출, 얼굴 인식 같은 다양한 작업의 성능이 크게 향상되었다. 자율주행과 의료 영상 진단 등 여러 산업에서 활발히 활용되고 있다. 컴퓨터 비전 기술에서 가장 중요한 요소 중 하나는 양질의 데이터셋이다. 딥러닝 모델은 다양한 환경에서 촬영되고 정확히 라벨링된 충분한 양의 이미지 데이터를 통해 패턴을 학습하기 때문이다. ImageNet, COCO, Pascal VOC와 같은 대규모 데이터셋은 객체 검출 및 이미지 분류 분야의 표준이 되었다. 특정 도메인을 위한 의료 영상 데이터셋 등도 널리 사용되고 있다. 최근에는 데이..

1. 요구사항 분석 및 목표 문제 정의 : 이미지 (28 x 28, 그레이 스케일) 에서 원, 삼각형, 엑스를 분류 목표 :1. 파이토치 CNN 모델 설계, 학습 2. 학습된 모델의 성능(정확도)을 평가 3. 훈련된 모델 파일 저장, 가중치 저장 2. 사용하는 기술 스택 및 라이브러리 딥러닝 프레임 워크 : 파이토치 (torch, torchvision)데이터 전처리, 증강 : torchvision.transforms데이터 로딩 : torch.utils.data.Dataset, DataLoader시각화 : Matplotlib(plt)모델 최적화 : torch.optim.Adam손실함수 : nn.CrossEntropyLoss 3. 코드 3-1. 데이터 변환 transform = transforms.Com..

CNN을 구성하는 레이어 1. 입력 레이어 (Input Layer)역할 : 원본 이미지를 숫자 행렬 ( 예 : 32 x 32 x 3, RGB 채널)로 네트워크에 전달 비유 : 요리를 시작하기 위해 주방에 재료(이미지 파일)를 꺼내 놓는 단계 2. 합성곱 레이어 (Convolution Layer)역할 : 작은 커널(=필터) (예 3 x 3)을 사용해 이미지 위를 슬라이딩 하며, 국소적인 패턴 (경계, 질감 등)을 추출 출력 : 커널 수만큼의 특징 맵 (feature map) 생성 (H, W, C_out) 형태 비유 : 모서리 찾기 도장 스탬프를 이미지를 따라 찍어서 "여기 경계 있슈!" 라고 표시하는 과정 3. 배치 정규화 레이어 (Batch Normalization, 선택적)역할 : 합성곱 출력 채널별로..

1. 데이터 분리하기 import osimport zipfileimport randomfrom shutil import copyfile, rmtree # src 경로의 파일을 dst 통째로 복사, 폴더 모두 삭제zip_file = 'multiclass-weather-dataset.zip'base_dir = './Multi-class Weather Dataset'train_dir = './train'test_dir = './test'extract_path = '.' # 폴더 생성 없이 현재 디렉터리에 압축 해제with zipfile.ZipFile(zip_file, 'r') as zip_ref: #zip 파일 열기 zip_ref.extractall(extract_path) # 전체 내용을 extra..

1. 퍼셉트론 - 가장 간단한 형태의 인공신경망 - 입력 값과 해당 가중치의 곱을 모두 더한 값에 편향을 더하고, 이를 활성화 함수로 변환해 이진출력을 생성- 학습 과정에서는 출력값이 실제 값과 다를 경우, 가중치를 조정하는 방식으로 학습이 이루어진다. - 단층 구조로, 선형적으로 분리 가능한 문제를 해결할 수 있었지만, XOR 같은 비선형적으로 분리되는 문제를 해결하지 못하는 한계가 있다. - 같을 땐 0, 다를 땐 1 # 논리 회귀(단층 퍼셉트론)로 AND 문제 풀기 (둘 다 1일 경우에만 1)import torchimport torch.nn as nnimport torch.optim as optimX = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]])y..

1. 손 글씨 숫자 데이터셋 0~9까지 숫자를 손글씨로 쓴 흑백 이미지로 구성되어있으며, 각 이미지는 8x8 픽셀 크기의 64차원 벡터로 표현된다. 각 픽셀 값은 0(흰색)에서 16(검은색)까지의 명암값을 가진다. 이 데이터는 총 1797개의 샘플로 이루어져 있다. 각 샘플에는 숫자 클래스가 레이블로 붙어있다. 주로 분류 알고리즘을 학습시키거나 데이터 시각화, 차원 축소 기법 등을 실험하는 데 사용된다. https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_digits.html load_digitsGallery examples: Recognizing hand-written digits Feature agglomeration Va..

1. 논리회귀란?주어진 입력 데이터를 기반으로 두 가지 이상의 범주로 분류하는 지도학습 알고리즘. 주로 이진분류 문제에 사용되고, 입력 변수의 선형 결합을 통해 특정사건이 발생할 확률을 예측. 이 알고리즘은 시그모이드 함수 또는 로지스틱 함수라는 비선형 함수를 사용해 예측값을 0과 1 사이의 확률로 변환한다. 모델의 결과는 일반적으로 특정 임계값을 기준으로 두 범주 중 하나로 분류된다.예 ) 이메일이 스팸인지 아닌지를 판별하거나, 환자의 병 진단 여부를 예측하는 데 사용될 수 있다. 논리회귀는 계산이 비교적 간단하고 해석이 용이해 머신러닝에서 널리 사용되는 알고리즘 * 시그모이드 함수 입력값을 받아서 이를 0~1 값으로 변환하는 수학함수 주로 확률을 예측해야하는 문제에서 사용된다. 논리회귀와 인공신경망..

독립변수 X와 종속변수 y간의 선형 관계를 찾아 수식 Y = WX + b (기울기 W, 절편 b)로 설명, 예측하는 통계 머신 러닝 기법 - 주어진 데이터에서 "입력 출력" 간 패턴 학습 - 새 입력에 대해 최대한 정확한 예측값 제공 1. 모델 수식 : Y = WX + b (기울기 W, 절편 b)2. 손실 함수 : 예측값과 실제값 차이를 측정 (예 : MSE)3. 최적화 알고리즘 : 경사하강법 등으로 W, b 업데이트 그냥 선형회귀 vs PyTorch 기반 선형회귀 * 그냥 선형회귀 - 수학적 해법 (정규 방정식) 또는 사이킷런 등 라이브러리 활용 장점 : 코드 한두 줄로 빠르게 모델 생성 학습 제약 : 내부 학습 과정을 세밀히 제어하기 어려움 * PyTorch 기반 선형회귀 - 프레임워크 위에서..