TechNOTE

카카오톡 선물하기로 주문한 브리타 정수기가 도착했다. 나는 회사에서 준 포인트 이용할 거라 카카오톡 선물하기로 주문했는데 구매경로는 매우 다양한것 같더라.. 가격도 비슷 ㅎㅎ 여튼 전에 주문해둔 생수가 다 떨어지면 사용 개시하려고 기다리고 있었는데 딱 그 때가 됐다! 짜잔~ 사용법은 다음과 같다사용순서1. 찬물에 필터를 담가 흔들어서 공기방울 빼기 2. 필터를 깔대기에 끼운 후 물병에 장착해서 정수 두번정도 해주기 3. 이후에 잘 사용하기 ^^ 사용후기정수된 물을 먹은 결과 물 맛은 비슷하다.. 근데 필터 재활용이 안 된다고 해서 결국 그만큼의 쓰레기가 생성되는거니까 안좋은건가 싶다 흐음 😐

Create a Private repository on the docker hub create a private repository on docker hub :) It is easy hub.docker.com/ Tagging docker tag {image}:{tag} {username}/{reponame}:{repotag} Pushing docker push {username}/{reponame}:{repotag} Pulling docker pull {username}/{reponame}:{repotag}

서론 (안읽어도 됨) 연구실 가던 중 1층에서.. 어떤 분이 멘 가방을 봤는데 너무 예뻤다.... 때마침 잔고에 여유도 있어서 나도 바로 사야겠다고 결심을 했다!! 이라는 브랜드의 가방인데.. 이럴 수가 서치를 해 본 결과 세상에 하나밖에 없는 디자인 + 업사이클링 브랜드 라는 것이다~~ 와 환경도 보호하고 정말 좋다 그런데 문제는 ... ㅜ_ㅜ 내가 사고 싶은 디자인을 사려면 사이트를 계속해서 새로고침해서 들어가서 가장 먼저 결제하는 수고를 거쳐야 했다.. 내가 사고 싶은 모델은 프라이탁의 덱스터. www.freitag.ch/en/f14 F14 DEXTER | FREITAG Trucks are tough. Which is why all FREITAG products are tough. All the s..

서버에 도커는 깔려 있으니까 일단 pytorch docker 이미지 다운받음 서버 쿠다 버전에 맞게 다운받아준다. docker pull anibali/pytorch:1.7.0-cuda11.0 다음으로 컨테이너 만들고 bash 실행 docker run -i -t --name juhee-pytorch anibali/pytorch /bin/bash 됐당 ㅎ 컨테이너 나갔다가 다시 실행하고 싶을 때 docker attach juhee-pytorch 문제 생김.. cuda 가 안 잡힘 ^^ ;; nvidia-docker 로 설치해주자 아까 잘못 깔았던 이미지 삭제 docker rmi [이미지 이름] 가장 최근 버전 이미지 다운받기 nvidia-docker pull pytorch/pytorch 다시 컨테이너 만들어..

후딱후딱 정리해보도록 하겠다.. ㅜㅠ 어쩌다가 스터디 1번이 걸려서.. 14. 1 Introduction 지금까지는 discrete한 fixed size feature vector에 data를 표현할 수 있다고 가정하고 모델을 만들었지만, 그럴 수 없는 경우 (length가 다양한 경우) 에는 이 방법을 사용할 수 없다. 그래서 다음과 같은 방법을 사용하는데, 1. data를 표현하는 Generative model을 가정해서 사용한다 2. data간의 similarity를 표현할 수 있는 kernel 함수를 정해서 사용한다. 이 method는 우리가 처리하는 데이터 x의 내부를 볼필요가 없을 때 사용된다고 한다. 14.2 Kernel function 실수 범위에서 정의되고, k(x, x') ∈ R / x..

난이도 : EASY Python class Solution: def kLengthApart(self, nums: List[int], k: int) -> bool: cnt = -1 for num in nums: if num == 1: if cnt != -1: if cnt < k: return False cnt =0 else: if cnt != -1: cnt += 1 return True - time complexity O(n) - memory complexity O(1)

Normalizing flow 를 이용한 유명한 generative model 중의 하나인 Glow 를 리뷰해 보도록하겠다. 1. Introduction Flow based generative model 은 다음과 같은 이점을 가지고 있는데 log likelihood $p(x)$ 가 구성되는 과정이 tractable 하고, 그건 latent variable $z$ 에도 마찬가지로 적용된다. 학습, inference 단계에서 병렬화가 가능하다. 저자들은 invertable 1*1 Convolution으로 구성된 모델인 Glow를 제안하고, 놀라운 성능을 보여주었다. 다음은 Glow 에 의해서 생성 된 예시이다.. 실제 있을법한 사람 같아서 더 신기하다.. 2. Background: Flow-based Ge..

지난번에, GAN, judy-son.tistory.com/7 [리뷰] GAN, Generative Adversarial Nets 공부할 겸, 되짚어볼 겸 GAN 리뷰 시작해 본다! 시작!! 1. Basic Idea Generative Model 을 Estimation 할 때 Adversarial 하게 학습을 시키는 새로운 framework을 제시했다. Sample을 생성해 내는 Generator와,.. judy-son.tistory.com 그리고 VAE judy-son.tistory.com/11 [논문리뷰] VAE(Auto-Encoding Variational Bayes) Auto-Encoding Variational Bayes 너무나도 유명한 논문.. 공부할 겸 다시 읽었다. 읽을 때마다 새로운 느낌이..