note

이 책은 머신러닝에 필요한 디자인 패턴을 아래의 6개 카테고리에 따라 나누어 소개한다. 여기서의 디자인 패턴은 자주 발생하는 문제 상황에 대한 패턴화된 해결책 정도로 생각하면 될 듯 하다. 2. 데이터 표현 3. 문제 표현 4. 모델 학습 5. 탄력성 6. 재현성 7. 책임있는 AI 각 카테고리와 상관없이 ML개발 step을 나누고 그에 해당되는 패턴을 정리해보았다. 개인적인 생각으로만 정리한 것이기도 하고, 디자인 패턴이 여러 단계에 얽혀있을 수 있어서 표에 정리된 것이 부정확할 수 있다. (틀린 부분이나 어색한 부분이 있다면 언제든지 댓글로 피드백 부탁드립니다..) ML step design pattern framework 문제 선택 및 분석 데이터 수집 데이터 검증 및 정제 특징 해시(2.2) 리밸..

※ 이 포스트는 머신러닝 디자인 패턴을 기반으로 작성되었습니다. 특징 해시 디자인 패턴이 카테고리형 입력 변수(강아지, 고양이처럼 분류가능한 입력)를 표현하는 방식은 다음과 같다. 카테고리를 고유한 문자열로 변환한다. 변환한 문자열에 대해 결정론적(random seed 없음)이며, 이식 가능한(동일한 알고리즘을 학습과 서빙에서 모두 사용 가능) 해시 알고리즘을 호출한다. 해시 결과를 원하는 버킷 수로 나누고, 절대값을 취한다.(해시 함수가 음수값을 반환할 수 있기 때문) 버킷 수는 경험적으로 하나의 버킷이 5개의 항목을 혼합하는 정도가 적절하다고 한다. 이와 같은 방식으로 feature를 나타내게 되면 복잡하고 개수가 많은 input을 적은 수의 숫자로 나타낼 수 있다. 따라서 이 패턴은 cardinal..

분류(Classification)란? 입력 벡터 $\textbf{x}$가 주어졌을 때 이를 $K$개의 이산 클래스 $C_{k}$들 중 하나에 할당하는 것이다. Regression은 타깃 변수(target variable)이 예측하고자 하는 실수였지만, classification은 명확한 class를 표현해야 하므로 다양한 방식으로 타깃 변수를 사용한다. 표현 방법 중 한가지가 원 핫 인코딩(one hot encoding)이다. input space는 결정 경계(decision boundary) 혹은 결정 표면(decision surface)이라고 불리우는 경계를 바탕으로 여러개의 결정 구역으로 나눠지게 된다. 선형 모델로 해결하는 방법 분류문제는 두 개의 단계로 나눌 수 있다(1.5.4 참고). 추론 단..

torch mobile을 만드는 것을 시도하는 중이다. 코드는 adabins 공식 코드를 이용했다. quantization은 옵션이고, torch.jit.script를 통해서 scriptmodule을 만들어야 optimize_for_mobile을 통해서 최적화를 할 수 있다. python = 3.8 torch = 1.9.0+cu111 에러1 torch.jit.frontend.NotSupportedError: Compiled functions can't take variable number of arguments or use keyword-only arguments with defaults: File "/workspace/AdaBins_compression_test/models/unet_adaptive_b..