태브로의 개발위키

출처 : https://www.acmicpc.net/problem/2438 2438번: 별 찍기 - 1 첫째 줄에는 별 1개, 둘째 줄에는 별 2개, N번째 줄에는 별 N개를 찍는 문제 www.acmicpc.net 풀이 : 해설 : 1. t에 입력값을 받아온다. 2. 그 다음 *을 어떻게 늘려올까 고민을 많이 했는데 다음처럼 개수만큼 곱해주면 간단히 해결된다. ps: 빨리 정리하구 제대로 된 알고리즘으로 넘어가고 싶다.

출처 : https://www.acmicpc.net/problem/2742 2742번: 기찍 N 자연수 N이 주어졌을 때, N부터 1까지 한 줄에 하나씩 출력하는 프로그램을 작성하시오. www.acmicpc.net 풀이 : 올리기도 민망할정도에 풀이다.

출처 : https://www.acmicpc.net/problem/2741 2741번: N 찍기 자연수 N이 주어졌을 때, 1부터 N까지 한 줄에 하나씩 출력하는 프로그램을 작성하시오. www.acmicpc.net 풀이 : 그냥 쉽다. 설명할게 있나. 근데 for i in range(1,t+1): print(i) 라는 답도 생각해보자,

출처 : https://www.acmicpc.net/problem/15552 15552번: 빠른 A+B 첫 줄에 테스트케이스의 개수 T가 주어진다. T는 최대 1,000,000이다. 다음 T줄에는 각각 두 정수 A와 B가 주어진다. A와 B는 1 이상, 1,000 이하이다. www.acmicpc.net 풀이 : 1. 기존에 썻던 a,b = map(int, input().split()) 을 쓰는것이 아닌 속도를 빠르게 하기 위해 다른 방법을 사용했다. 2. sys 모듈을 불러온다. 3. 그 다음 공백으로 표시 해준다음 a,b를 split 해준 후 더해준다. 후기 : sys 라는 모듈이 낯설긴 하지만 그렇다 하고 넘어가자,

양해말씀부터 드리면... 블로그에 깃에 올린 것 처럼 올리고 싶었지만.... 아직 미숙해서 방법을 잘 모르겠다... 공부한 건 올리고 싶고 ... 해서 올린다~ 빨리 배우자 https://github.com/dhy02094/STUDY_TH/blob/master/PRML/1.1%20예시_%20다항식%20곡선%20피팅.ipynb

1. 소개 예시 문제 : 손글씨로 쓰인 숫자를 인식해보자. 해결법 : 28X28 픽셀 이미지를 784개의 실수로 구성된 벡터로 표현 가능 그 후 벡터 x를 입력값으로 받으면 0~9 중 하나의 값으로 출력하는 기계를 만들어야 한다. 방법 1 : 직접 작성한 규칙, 휴리스틱 알고리즘을 통해 생성된 규칙으로 해결 한계 : 수 많은 규칙이 필요하고 예외 사항들에 대해 계속 수많은 룰을 만들어야한다. 방법 2 : 머신러닝을 사용한다. N개의 숫자들 {$X_1$, ..., $X_N$}을 trianing set으로 활용 정답은 미리 주어져서 target vector -> t로 표현 가능 training을 통해 test에 대한 정답을 찾기 머신러닝 학습의 결과물 : $y(x)$ ( 입력값 x를 받으면서 벡터 y를 출력..

CODE def extract_cam(model,resize_data_set,img_start_num,img_end_num): for i in range(img_start_num,img_end_num): img = resize_data_set[i] img_array = np.expand_dims(np.asarray(img)[:,:,:3]/255.,0) # get prediction result and convolution output values get_output = K.function([model.layers[0].input], [model.layers[-4].output, model.layers[-1].output]) [conv_outputs, predictions] = get_output([img..

VGGNET 0. VGGNET은 옥스포드 대학의 연구팀 VGG에 의해 개발된 모델로써, 2014년 이미지넷 이미지 인식 대회에서 준우승을 한 모델이다. 여기서 VGGNet은 16개 또는 19개 층으로 구성된 모델을 의미한다. 역사적으로 VGGNet부터 깊이가 확 깊어졌다. 이 이후로 GoogLeNet은 22층으로 깊어지고 152개의 층으로 구성된 ResNet 또한 제안되었다. 네트워크가 깊어질수록 성능이 좋아졌었다. 하지만 VGGNet은 사용하기 쉬운 구조와 좋은 성능 덕분에 GoogLeNet 보다 인기가 더 좋았다. VGGNET의 구조 VGG연구팀은 깊이의 영향만을 최대한 확인하고자 컨볼루션 필터커널의 사이즈는 가장 작은 3x3으로 고정했다. 필터커널의 사이즈가 크면 그만큼 이미지의 사이즈가 금방 축소..