pytorch
1.Deep Learning & Machine Learning (머신러닝과 딥러닝의 차이와 활용 / 신경망구조 및 작동원리 / 다양한 학습 패러다임)
규칙이 너무 복잡하거나 많을 때:전통적인 프로그래밍 접근법으로 규칙을 하나하나 작성하기 어려운 경우.예: 자율 주행 자동차의 수백만 가지 규칙을 관리.환경이 계속 변화할 때:새로운 데이터에 적응하고 학습이 필요한 경우.예: 새로운 도로 환경에서 자율 주행 자동차의 적응
2.DeepLearning&PyTorch(활용사례/PyTorch란/Tensor란)
딥 러닝은 데이터를 숫자로 변환하고 그 숫자에서 패턴을 학습하는 알고리즘입니다.데이터가 숫자로 변환될 수만 있다면, 딥 러닝은 거의 모든 유형의 문제를 해결할 가능성을 제공합니다.예술이자 과학의 조합으로, 실험이 성공할 수도 있고 실패할 수도 있음.추천 시스템사용자의
3.Pytorch | 텐서(Tensor) 기초와 연산
이 문서는 PyTorch의 기본적인 사용법과 텐서(Tensor) 조작 방법 터득하기 비기너 단계MacOS에서는 CUDA(gpu)가 지원되지 않기 때문에, mps 를 사용하여 PyTorch를 구동할수 있다고한다. 나중에 자세한 이유를 알아봐야겠다. PyTorch가 올바르
4.Shape Error / Shape for Matrix Multiplication / min,max,mean,sum/ position of min and max
Shape errors occur when the dimensions of tensors do not match up.텐서의 차원이 맞지 않는 경우 발생.예를 들어, 두 텐서를 곱하려고 할 때 차원이 맞지 않으면 오류가 발생할 수 있음.There are two rule
5.Reshaping, stacking, squeezing, and unsqueezing, permute
PyTorch에서 텐서를 조작하는 것은 딥 러닝 및 기계 학습에서 필수적인 작업. 텐서의 모양을 변경하거나 차원을 추가/제거하는 작업은 데이터를 원하는 형식으로 준비하거나 네트워크에 입력하기 위해 필요하다. 텐서 조작은 PyTorch의 기본 기능 중 하나이며, 데이터를 모델에 입력하거나 분석할 때 필수적. reshape, stack, squeeze, uns...
6.Indexing & Numpy
텐서 인덱싱은 텐서에서 특정 요소나 데이터 범위를 선택하고 조작하는 방법. 다차원 데이터를 처리할 때 필수적인 기술이며, 데이터를 효과적으로 선택하고 활용할 수 있도록 돕는다.PyTorch의 텐서 인덱싱은 NumPy 인덱싱과 매우 유사하다. 크기 (1, 3, 3)는 다
7.Random Seed
재현성은 실험을 반복하거나 결과를 검증할때, 일관된 결과를 얻어야하기때문에 필요하다.신경망이 학습하는 방법:랜덤숫자 부터 시작 -> tensor 연산 수행 -> 데이터의 더 나은 표현 시도를 위한 랜덤 숫자 업데이트 -> 더 나은 랜덤 숫자 업데이트 -> 더 나은 랜덤
8.Different Ways of Accessing a GPU in PyTorch
GPUs = 더 빠르게 계산하기 위해 사용된다. (CUDA + NVidia 하드웨어 + Pytorch 코드 )하지만, MacOS에서는 GPU가 지원되지 않기 때문에 mps를 쓴다.Easiest way : Google Colab의 무료 GPU 사용하기 (option t
9.PyTorch Workflow | Data(visualize) -> Build Model -> Train Model ->
Preparing loading data 머신러닝에서의 데이터는 거의 모든것이 될 수있다. excel spreadsheet images of any kind videos (YouTube has lots of data) audio like songs or podcast