MZ._.GPT

https://mz-moonzoo.tistory.com/18 [DL-Papers] Cycle GAN: Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks 논문 리뷰 및 구현 ≒Paper: https://arxiv.org/abs/1703.10593 0. Abstarct Image-to-image translation은 pair-image를 이용해 입력이미지와 출력 이미지 간의 매핑을 학습합니다. 그러나 많은 task의 경우 pair-image를 이루는 훈련 데이터를 mz-moonzoo.tistory.com 이전 글 CycleGAN 논문 리뷰입니다. 이론적인 부분을 참고하시면 될 것 같습니다. CycleGAN 논문 구..

≒Paper: https://arxiv.org/abs/1703.10593 0. Abstarct Image-to-image translation은 pair-image를 이용해 입력이미지와 출력 이미지 간의 매핑을 학습합니다. 그러나 많은 task의 경우 pair-image를 이루는 훈련 데이터를 구하기가 어렵습니다. 그래서 이 논문(Cycle-GAN)에서는 pair image를 이루는 데이터가 없을 때 원본 도메인 X에서 대상 도메인 Y로 이미지 번역하는 방법을 학습하는 방법을 제시합니다. 여러가지 이전 방법과 비교 해봤을 때, Cycle-GAN의 접근 방식은 우수성을 보여줍니다. 1. Introduction pair-image를 이루는 훈련 데이터를 구하기가 어렵고 비용이 많이 들 수 있습니다. 논문에서..

INTRO https://mz-moonzoo.tistory.com/3 [Project]한국 광고 분류 모델 개발(1) Abstract 본 프로젝트는 뉴스 데이터를 분석하기 위한 전처리 과정에서 사용자가 원하지 않는 정보를 자동적으로 필터링하여 전처리 진행 속도와 정확도를 상승시키는 것을 목적으로 한다. 수집 mz-moonzoo.tistory.com 한국 광고 분류 모델의 경우 학습에 활용할 적당한 데이터셋이 없어서 직접 데이터 라벨링을 진행해야 하기 때문에 시간이 오래 걸리는 관계로 한국 광고 분류 모델 개발에 앞서 한국 경제 뉴스 기사 감정 분류 모델 개발을 우선 진행하기로 했다. 이것 외에도 한국 뉴스 NER 모델 개발도 진행 중이다. 최종 학습 모델과 학습 데이터셋을 사정상 따로 공개할 수 없어서 ..

이전글 ) GAN 논문 리뷰 [DL-Papers] GAN(Generative Adversarial Nets) 논문 리뷰 및 구현 (1) 지금까지 논문 스터디 학회 활동과 개인적으로 정리했던 논문들을 하나씩 올려보려고합니다. 과거에 정리한 글을 올리면서 잊어버렸던 내용을 상기시키면서 조금씩 부족한 부분을 최대한 수정 mz-moonzoo.tistory.com GAN 요약 G: Generative model GAN은 생성모델로 이미지, 음성, sequentail data등 원하는 형태의 데이터를 만드는 모델이다. Discriminative model을 상대로 완벽하게 속이고자 한다. -> training data의 분포를 모사함 D: Discriminative model 실제 데이터와 생성 모델이 만들어낸 데..

지금까지 논문 스터디 학회 활동과 개인적으로 정리했던 논문들을 하나씩 올려보려고합니다. 과거에 정리한 글을 올리면서 잊어버렸던 내용을 상기시키면서 조금씩 부족한 부분을 최대한 수정해 글을 올리겠습니다. 과거에 정리했던 논문인지라 부족한점이 많을 수 있어 부족한 부분은 알려주시면 감사하겠습니다. 0. Abstract ● 2가지 모델을 훈련시켜 적대적인 프로세스(경쟁)을 통해 generative model을 평가하는 새로운 프레임워크를 제안 여기서 말하는 2가지 모델은 Generative model(G)와 Discriminative model(D)이다. Traning data의 분포를 모사해 데이터를 제공하는 G와 해당 데이터가 G가 만든것인지, 원본인지 판별하는 D이다. G는 D가 실수할 확률을 높이는 방..

INTRO DACON에서 진행한 교원그룹 AI 챌린지 Task : OCR 평가지표 : Accuracy 처음으로 진행해보는 OCR Task라서 이것저것 찾아보면서 컴피티션을 진행했습니다. TrOCR MaskOCR이 성능이 좋아보이지만 구현된 코드가 없어서 TrOCR을 사용해봤습니다. TrOCR외에도 여러 모델을 사용해봤는데 이 글에서는 TrOCR 학습 과정에 대해 적어보려합니다. 1. 학습 환경 설정 깃허브 복제 및 라이브러리 설치 라이브러리 충돌이 나는 것을 방지하기 위해 아나콘다 가상환경을 새로 구축하고 실행했습니다. 우선 git clone을 통해 깃허브 리포지토리를 복제해 requirements를 설치 해주시면 됩니다. 패키지 불러오기 아래의 def 함수들은 실행하지 않으셔도 무방합니다. 가끔 에러가..

INTRO KEY POINT 코딩테스트와 개발은 다르다 출력 맨 마지막 공백 혹은 줄바꿈이 추가로 있어도 상관이 없다. 디버거는 굳이 사용하지 않아도 된다. 강의에대한 내용정리는 바킹독님께서 친절하게 텍스트까지 남겨주시며 최고의 강의를 해주고 있으시니 이 블로그에서는 문제 풀이를 파이썬으로 풀어보기만 하도록 하겠습니다. 개념이나 내용이 궁금하다면 아래 링크에서 바킹독님의 강의를 듣는 것을 추천합니다. 기초 2주차 강의에서 진행한 실습 및 연습문제 파이썬 코드 풀이 입니다. https://blog.encrypted.gg/923 [실전 알고리즘] 0x02강 - 기초 코드 작성 요령 II 안녕하세요, 바킹독입니다. 이전 단원에서 오지고 지리게 고통받으셨을텐데 이번에는 훨씬 쉬우니까 걱정을 덜어내시고 마음 편하..

INTRO KEY POINT 시간 복잡도 공간복잡도를 문제를 보고 빠르게 파악하자! 강의에대한 내용정리는 바킹독님께서 친절하게 텍스트까지 남겨주시며 최고의 강의를 해주고 있으시니 이 블로그에서는 문제 풀이를 파이썬으로 풀어보기만 하도록 하겠습니다. 개념이나 내용이 궁금하다면 아래 링크에서 바킹독님의 강의를 듣는 것을 추천합니다. 기초 1주차 강의에서 시간복잡도, 공간복잡도 코딩테스트 문제 풀이 입니다. https://blog.encrypted.gg/922 [실전 알고리즘] 0x01강 - 기초 코드 작성 요령 I 안녕하세요, 바킹독입니다. 이번 단원에서는 기초 코드 작성 요령을 익혀보려고 합니다. 목차를 보셨으면 알겠지만 기초 코드 작성 요령이 두 강으로 나눠져있는데 앞으로 코드를 잘 짜기 위해 blog...

지인의 소개로 좋은 코딩 테스트 강의를 들을 수 있게 돼 이번 기회에 미루고 미뤘던 코딩 테스트 공부를 시작해보려 합니다. 하지만 지금 듣고 있는 강의도 그렇지만 대부분의 코딩 테스트 강의가 c, c++로 이뤄져 있어 몇년간 파이썬 언어를 사용해왔기 때문에 c++ 코드를 파이썬으로 옮겨가면서 강의를 들어보도록 하려합니다. 대부분 강의가 c, c++로 이뤄져 있다고 해서 파이썬이 코딩 테스트에서 불리한 것은 아니니 익숙한 언어로 진행하시면 될 것 같습니다. 1. Visual Studio Code 설치 https://code.visualstudio.com/ Visual Studio Code - Code Editing. Redefined Visual Studio Code is a code editor rede..

1. Experiment https://mz-moonzoo.tistory.com/6 저번 글에 이어서 1주일 정도 시간이 흘러서 그동안의 시행착오에 대해 정리해보고자 합니다. 우선 SOTA모델인 parseq를 활용했음에도 불구하고 드라마틱한 성능변화가 나타나지는 않았습니다. 그래서 여러가지 데이터셋 증강 기법과 파라미터 조정을 통해 성능 향상을 이끌어 냈습니다. 이제부터 실험과 실험 결과에 대해 간단히 작성하도록 하겠습니다. Experiment Summary 1. baseline score -> 0.6563230797 -> model : Resnet+RNN+CTC Loss Dataset : 대회 제공 train 데이터셋 (76888개) test_size=0.2 shuffle = True 2. parseq..