치즈의 AI 녹이기

[11시-13시] 미용실 뿌염 & 커트 [13시-14시] 유산소 30분 & 복근 5세트 & 인바디 체크 -> 선명한 D라인.. 매우 뿌듯하다 [15시-17시] 셀프 제모 -> 당근으로 크림 제모제를 샀는데 생각보다 너무 오래걸리고 효과도 없었음..ㅠ -> 태닝 예약 시간 맞추려고 급하게 제모 안된 부분은 면도로 해결; [17시-19시] 압구정 이동 & 스프레이 태닝 -> 색이 여러 종류가 있는데 그 중에 아일랜드 컬러 2회 사용함. -> 직원분이 추천해줬는데 첨엔 가늠이 안되어서 긴가민가 하다가 -> 결과적으로 태닝 후 모습이 매우 만족스러웠음! -> 혼자 방에 들어가서 알아서 해야하는 데 직원분이 설명을 다 해주심 -> 발바닥 종이 붙이기, 눈꺼풀 보호 패드 붙이기, 머리망 얼굴에 쓰기, 다 하고 통 ..

추천은 크게 두 가지 방식으로 나누어지며, 각각의 평가지표가 다르다. 1. Rating oriented: 아이템에 대한 평점 예측 -> MSE, RMSE, Accuracy, Precision, Recall, F1-score 2. Ranking oriented: 아이템의 순위 예측 -> MRR. MAP, NDCG 이번 글에서는 Ranking oriented recommendation metric에 대해서 주로 다룬다. 해당 지표는 recommended item 중 relevant item이 얼마나 차지하는 지 측정하는 지표이다. relevant item : 사용자가 실제로 선호하는 아이템 recommended item : 추천된 아이템 1. Precision N: 추천된 Top N 아이템 중에 실제 관련된..

가설검정이란, 모집단의 특징에 대한 통계적 가설을 추출된 표본을 통하여 검토하는 추론 방법이다. 대립가설 : 주장하고자 하는 사실 귀무가설: 기각하고자 하는 사실 방법 : 검정 통계량을 구한 뒤 일정 기준을 만족시키는 가를 확인함 일정 기준의 척도는 유의 수준과 p값이 됨. p값(유의 확률) : 귀무가설이 옳다는 가정 하에 검정 통계량(귀무가설보다 극단적인 결과가 실제로 관측될 확률) 유의수준 : 1종 오류의 상한선, 1종 오류가 일어날 확률의 최대허용치 이는 귀무가설이 옳은데 실수로 기각될 확률(1종 오류)를 범하게 될 확률을 최소화 하기 위함 만약 귀무가설이 옳다는 가정 하에 검정 통계량이 계산될 확률인 p값이 정해진 유의수준을 넘어선다면, 1종 오류를 범할 가능성이 커졌다고 간주하고, 귀무가설을 함..

data.DataLoader에서 사용하는 collate_fn은 일반적으로 사용자 정의 함수에 의한 batch 단위의 데이터를 처리를 할 때 이용한다. 따라서 사용자 정의 함수의 argument는 batch 단위의 데이터 하나만 받는데 나의 경우, 특정 조건에 따라 전처리를 다르게 하기 위해 추가 인자를 넣어줘야 하는 상황이었다. 해결 방법은 간단하게 collate_fn을 위한 새로운 클래스를 생성하여, 추가 인자를 넣어주면 되었다. # 예시코드 class MyCollator(object): def __init__(self, *params): self.params = params def __call__(self, batch): # do something with batch and self.params . ..

아래 명령어를 입력하면 모든 파일에 대한 사용자 권한을 확인할 수 있다. permission denied 오류가 발생하는 파일의 경우, 사용자 권한이 다른 파일들과 일치하지 않는다. ls -l 따라서 오류가 나는 파일의 사용자 권한을 다음과 같은 명령어로 바꿔주면 된다. sudo chown -R 참고 링크 : https://withcoding.com/103 리눅스 권한 관리 명령어 사용법 정리 (chmod, chown, chgrp 명령어) 리눅스(Linux)는 하나의 컴퓨터를 여러 사람이 사용할 수 있는 멀티유저 운영체제(OS)이기 때문에 권한 관리가 매우 중요합니다. 파일과 디렉토리의 권한을 변경하고 소유권을 변경하는 방법을 withcoding.com

loss를 구할 때 detach()된 텐서가 어떻게 작용하는지 궁금해서 구글링 해봤다. 질문자는 다음과 같은 상황을 가정한다. 1. input x에 대하여 3개의 모델(A/ B/ C), 3개의 loss(L1 / L2 / L3)를 구한다. modelA = nn.Linear(10, 10) modelB = nn.Linear(10, 10) modelC = nn.Linear(10, 10) x = torch.randn(1, 10) a = modelA(x) b = modelB(a.detach()) b.mean().backward() print(modelA.weight.grad) #1 print(modelB.weight.grad) #2 print(modelC.weight.grad) #3 c = modelC(a) c.m..

노출 - 홈 상대의 홈에 노출이 되는 경우 이때, 댓글과 좋아요, 저장 수 등을 체크하여 알고리즘에 의해 선별 노출됨. 노출 - 프로필 내 계정 프로필에 들어와서 게시물을 보는 경우 스토리를 통해 게시물에 접근하는 경우 노출 - 탐색 탐색 창에서 게시물을 보는 경우 인스타그램의 추천으로 탐색창에 올라가게 됨. 노출 - 해시태그 해시태그를 통해 노출된 게시물을 보는 경우 노출 - 기타 DM을 통해 공유된 게시물, 저장된 게시물, 태그된 게시물, 검색엔진을 통한 노출 등

GAN의 구조 Discriminator 입장 : 들어오는 데이터(fake or real)에 대하여 fake/real을 구분하는 task 수행. Generator 입장 : 최대한 real에 가까운 데이터 생성. GAN Loss 이해하기 real을 real이라고 하는 경우 - 0 real을 fake라고 하는 경우 - log0으로 -무한대가 됨. fake를 real이라고 하는 경우 - log0으로 -무한대가 됨 fake를 fake라고 하는 경우 - 0 결국, Discriminator 입장에서는 최대값인 0으로 수렴하는 것이 목표이고, Generator 입장에서는 3, 4번 경우에 따라 Discriminator를 최대한 속여 최소값인 -무한대로 수렴하는 것이 목표가 된다. 수렴포인트 : generator가 re..