1. colab 2. tutorial 1. colab - google에서 만든 python 전용 노트 - 현존 가장 간편하게 python 코딩이 가능한듯 - google ID만 있으면 간단한 무료버전 사용 가능 https://colab.research.google.com/?hl=ko Google Colaboratory colab.research.google.com 2. tutorial - google drive 페이지에서 시작 - 신규 > 더보기 > google colab click - New script - 간단한 테스트 - pip로 패키지 설치 - file upload: 1 > 2 click - file download
1. Transfer Learning 2. ResNet50 (Keras) 3. Dataset 4. Tutorial Code 1. Transfer Learning 전이 학습은 기존에 핟습된 모델을 다른 작업에 재사용하는 기법이며 기존 모델이 학습한 특징을 활용하여 새로운 작업에 대한 학습을 빠르고 효율적으로 수행할 수 있음 장점 학습 시간 단축: 기존 모델의 특징을 활용하여 학습을 시작할 수 있으므로, 새로운 작업에 대한 학습 시간을 단축할 수 있다 데이터 효율성 향상: 기존 모델이 학습한 데이터를 활용하여 학습을 수행할 수 있으므로, 새로운 작업에 대한 데이터 수집 및 전처리 비용을 절감할 수 있다. 성능 향상: 기존 모델의 특징을 활용하여 새로운 작업에 대한 성능을 향상시킬 수 있다. 단점 데이터의 유..
1. Previous posting 2. Flask tutorial 3. Git-hub 1. Previous posting 2022.08.16 - [Python] - [web framework][python] FLASK vs DJANGO, Flask 튜토리얼 [web framework][python] FLASK vs DJANGO, Flask 튜토리얼 flask vs django(vs fastAPI) flask 튜토리얼 flask vs django https://ddi-dev.com/blog/programming/django-vs-flask-which-better-your-web-app/ https://morioh.com/p/a91d4f7a5eb2 https://www.youtube.com/watch?v=..
1. 생명과학을 위한 딥러닝 2. install 3. tutorial 1. 생명과학을 위한 딥러닝 - from ChatGPT 『생명과학을 위한 딥러닝』은 딥러닝과 생명과학 분야의 교차점을 탐구하는 책이다. Bharath Ramsundar, Peter Eastman, Patrick Walters 및 Vijay Pande가 작성했으며 2019년에 출판되었습니다. 이 책은 딥 러닝에 대한 포괄적인 소개와 약물 발견, 유전체학, 단백질 구조 예측과 같은 생명 과학의 다양한 문제에 대한 적용을 제공합니다. 기계 학습 및 프로그래밍에 대한 기본적인 이해가 있는 독자를 위해 설계되었으며 실습 예제 및 코드 스니펫을 통해 딥 러닝에 대한 실용적인 접근 방식을 제공합니다. 책은 세 부분으로 나뉩니다. 첫 번째 부분에서는..
1. Federated learning2. Framework3. Tutorial1. Federated learning1) from ChatGPT- 요약Federated learning은 딥러닝 모델을 개발하기 위해 중앙 집중식 데이터 저장소 없이 여러 개인의 디바이스에서 데이터를 수집하고 모델 학습을 수행하는 분산 학습 방법입니다. 이를 통해 개인 데이터의 프라이버시 보호와 중앙 서버에 대한 의존도를 줄일 수 있습니다.- 장점:1. 개인 데이터 보호: 중앙 집중식 데이터 저장소 없이 학습이 가능하기 때문에 개인의 데이터는 해당 디바이스에서만 사용되며, 중앙 서버에 전송되지 않아 프라이버시가 보호됩니다.2. 대규모 데이터 처리: 대규모 데이터 세트의 처리가 필요한 경우에도 분산된 디바이스에서 학습이 가능하..
0. ANACONDA 1. VirtualENV(venv) 0. ANACONDA - 환경생성 conda create -n ENV_NAME python=3.x # from file conda env create -n ENV_NAME -f requirements.txt - 환경실행 conda activate ENV_NAME - 환경종료 deactivate - 패키지관리 # txt conda env export > requirements.txt # yml conda env export > requirements.yml ref: https://www.anaconda.com/ 1. VirtualENV(venv) - 환경생성 python3 -m venv ENV_NAME - 환경실행 source ENV_NAME/bin..
0. install auto-py-to-exe 1. 파이썬 파일 변환 2. 실행 0. install auto-py-to-exe - install pip install auto-py-to-exe - run auto-py-to-exe 1. 파이썬 파일 변환 (Convert .py to .exe) - Script Location, 파일선택 - One Directory or One File One Directory One File - Console Window Console Based(콘솔창 실행) vs Window Based(콘솔창 X) - etc 아이콘 설정, 추가 파일 선택, 고급 등 설정 - 변환(CONVERT) 2. 실행 - output 폴더에서 .exe 파일 더블클릭 - CMD창에서 파일 실행 ref..
0. VS Code에서 Cloud Run extension 설치 1. 스크립트 준비 2. 배포 3. 확인 0. VS Code에서 Cloud Run extension 설치 - VS Code extension에서 Cloud Code 검색하여 설치 1. 스크립트 준비 - 배포할 코드 준비 - 예시 디렉토리 - index.html AJAX 목차 이름 내용 {% for row in rows %} {{ loop.index }} {{ row['name'] }} {{ row['context'] }} {% endfor %} - main.py from flask import Flask, render_template, jsonify, request app = Flask(__name__) board = [{"id": 1, "..
