파이토치 파이토치

레이블 없이도 분류가능 있는데이터내 할수있어야 self 의미 다양한가능성을 두고 아웃풋이 일정 x , 하나의 인풋으로 여러개의 아웃풋(분산)이 나올수도 있음 규격화보다는 문법적으로 올바른번역은 여러개의번역이 나올수있어... 그런것들을 전부정답으로 바꿀수있는 것 에너지 스칼라값 최소화 궤적 자체가 에너지최소 패턴 Constraint 삼각함수로 계산 추론은 벡터의형태로 표현가능하다 이 얼마나 각도가 틀어졌는지 학습 과정에서 좋은 representation을 학습 가능하다

totensor 는 넘파이 h w c 에서 텐서 c h w 로 바뀌어 준다 범위도 0 에서 255에서 0에서1로 바꾸어준다 cpu 가 load 하므로 배치사이즈가클경우 num worker 가 많을수록? 좋다 3채널을 입력으로 받아 64채널의 아웃풋 30*5*5의 이미지를 받아 flatten시켜서 받고 128 개의 fc 아웃풋 view 함수 순번이 predicted 임 인풋 weight 를 직접 넣어줘야 함 -1자동으로 숫자 선택 (16이 고정되어있는 상태) 3,3 대신 3,5 필터 argmax 는 max_indices이다

dataloader 는 데이터의 특징을 가져오고, 하나의 샘플에 정답을 지정하는 일을 한번에 합니다. python의 multiprocessing 을 사용하여 데이터 검색 속도를 높이려고 합니다 dataloader 는 간단한 applicable programming interface 로 이러한 복잡한 과정을 추상화한 순회가능한 객체 입니다 인터프리터 언어(파이썬) 은 명령어를 직렬로 수행합니다. (GIL, 싱글 스레드)

에이스타 알고리즘 도 최적의 해를 (눈앞에 보이는) 쫒는다는 점에서 비슷한 것 같다. 튜플 입력받을때, (키,벨류) 이런 순서인데 키값 정렬을 lamda 식으로 정렬해준다. 인접한 곳에 flower(1) 을 놓을 수 없다. 정답 class Solution: def canPlaceFlowers(self, flowerbed: List[int], n :int) ->bool: #bool 형으로 반환 answer = False for i in range(len(flowerbed)): if flowerbed[i] == 0 and (i == 0 or flowerbed[i-1] == 0) and (i == len(flowerbed)-1 or flowerbed[i+1] == 0): #처음 조건이랑 마지막 조건을 넣어준 ..

https://www.youtube.com/watch?v=wbJQTtjlM_w knots 매듭이 이리저리 있으면 여러개의 형태를 설명가능 하이퍼볼릭 불변량을 이용해 4차원 불변량을 연역할 수 있고, knots 의 시그니쳐를 예측가능 기계번역의 실수부분, 허수부분? 3개의 쌍곡선 불병량? longitudinal translation 그림에 분명한 구조가 있다. 평면이 아니며 람다를 뮤로 나눈 값의 실수 부분을 보는 것이다 점들은 knots , 매듭들이고 직선을 이루고 있다 기울기로 선형적 관계

무시를 continue 로 수행 nx , ny 초기화 부분 안적음(파이썬 특징?) 완전탐색 문제 유형 dx,dy 두개의 리스트 사용하지않고 하나의 리스트만 사용한다 튜플 하나하나가 방향벡터라 본다. 아스키코드로 바꾸는거 ord --> int 수행시간제한은 1초 최하단 5가 먼저 출력 그다음 삽입된2가 출력 그리고 , 3 ,1 순으로 출력(왼쪽 --> 오른쪽 시간순) 선입후출 구조이므로, stack[::-1]을 코딩해준다 -1씩 출력한다..! (오른쪽에서 1씩 왼쪽으로 이동) 5 2 3 7 (동그라미를 그리면서 밀면서 들어오기 때문에 ) 7 3 2 5 이렇게 보여지게 된다 삭제가된다고 하면 오른쪽에 위치한(제일 먼저 들어온) 5가 제일 먼저 나간다(선입선출) deque 객체 생성 (queue 이름을 가진)..

간단한 cnn 여기에서 획기적으로 loss 를 줄일 수 있는 방법! batch normalization 을 해준다 ------------------------------------------------------------------------------------------- call backs 사용시 ------------------------------------------------------------------------------------------- 결론 : Resnet 을 썼을 시 Loss 가 현저히 낮게 나오지만, 여러번 돌릴때 acc 가 0 이 될 수 있음에 주의한다. --> 이 문제는 batchnormalzation 을 썼을시 없어지는 문제가 되었다