Bull

Why?1. 왜 Demucs를 사용했는가?출시 예정인 "애니 자동 번역 앱", 이제는 정말 배포를 하고 싶다. 하지만 핵심 서비스를 돈을 받고 이용하게 하는 거라, 최대한 불편함이나 오류 없이 배포하고 싶다. 현재로서는, 커다란 오류는 없지만 이전에 애니 동영상 대신 "음악"을 넣어서 자동 번역을 진행했더니, 제대로 작동하지 않음을 경험했다.gpt 계열인 diarize 모델이 내부에서 배경 잡음을 없애는 걸로 알고는 있지만, 이 모델은 회의록에서 화자를 분리해주는 STT 모델이기 때문에, 정말 시끄러운 배경 소리는 제대로 잡음 제거를 할 수 없을 거 라고는 생각하고 있다. 위에서 말한 것 처럼 "음악"이 그 대표적 예시이다. 그래서 꼼꼼하게 더 확인하고 싶어서, "배경 분리도 없애주는 모델이 있을까?" ..

pytorch는 1.6버전 이후부터 load를 통한 Zip-based format으로 변경되었다.이전에는 pickle (python 패키지)를 통해 압축했다고 한다.그래서 .pth, .pt 여도 upzip 명령어나 zipfile 라이브러리로 열면 내부 구조가 보인다고 한다.해킹 관점에서, pth를 바이트로 뜯으면 파일 맨 앞에 위치하는 매직 바이트를 알 수 있는데, 이 때 pth의 매직 바이트는 zip 매직 바이트인 PK (50 4B)라고 한다. (ZIP 포맷을 만든 Phil Katz의 앞글자를 딴 것)최근 해킹 게임 사이트인 Dreamhack에 딥러닝과 포너블을 결합한 문제를 출제했는데, 나의 문제를 푼 풀이자 분께서 풀이를 작성해주셨다. 문제의 일부 중 pth 만으로 모델을 역설계를 해야하는데, pt..

설명IoU는 Object Detection 및 Segmentation 모델에서 Ground Truth와 Predicted Box가 얼마나 겹치는지 측정하여 정확도를 나타낸다. 위 그림과 같이 두 BBox 사이 교차하는 부분의 비율이 전체 비율의 어느정도 인지를 나타낸다.$$IoU= \frac{A \cap B}{A \cup B}$$다른 표현으로는 자카드 지수(Jaccard Index)라고도 하는데, 이는 두 집합 사이의 유사도나 다양성을 측정하는 통계량을 의미한다.$$J(A,B) = \frac{\vert A \cap B \vert}{\vert A \cup B \vert}$$코드코드는 [1]에서 코드를 빌려왔고, Gemini를 활용하여 병렬처리 방식으로 확장했다.# x1,y1,x2,y2box_a = [3, ..

Tensor텐서는 "선형대수학에서 다중선형사상 또는 텐서는 선형 관계를 나타내는 다중선형대수학의 대상이다. 19세기에 카를 프리드리히 가우스가 곡면에 대한 미분 기하학을 만들면서 도입하였다. 기본적인 예는 내적과 선형 변환이 있으며 미분 기하학에서 자주 등장한다" 라는 어려운 말이 있지만 파이썬에서의 자료 구조로, 배열을 N차원으로 나타냈다고 정의하자.Tensor 생성import torch# tensor 생성 함수 / 기본적으로 값을 복사해서 만든다.print(torch.tensor([1,2,3]))# tensor 생성 클래스 / Float 텐서로 생성되며 인스턴스를 만든다.print(torch.Tensor([[1,2,3],[4,5,6]]))# Long 형 텐서 생성print(torch.LongTenso..

[Gensim의 공식문서]https://radimrehurek.com/gensim/intro.html Gensim: topic modelling for humansEfficient topic modelling in Pythonradimrehurek.comGensimGensim은 무료 오픈소스 파이썬 라이브러리로, 비정형 디지털 텍스트를 비지도 머신 러닝 알고리즘을 사용하여 효율적으로 처리하는 데 중점을 둡니다. Gensim을 사용하면 문서를 의미 벡터로 표현하여 강력한 텍스트 분석 및 자연어 처리 작업을 수행할 수 있습니다.Gensim의 역사와 발전Gensim은 2008년 체코 디지털 수학 도서관(dml.cz) 프로젝트를 위한 파이썬 스크립트 모음으로 시작되었습니다. 이 스크립트는 주어진 기사와 가장 유..

pip install einops from einops import rearrange x = torch.randn(64, 3, 32, 32) patch_size = 4 # 4 pixels print('x :', x.shape) patches = rearrange(x, 'b c (h s1) (w s2) -> b (h w) (s1 s2 c)', s1=patch_size, s2=patch_size) # 64 3 32 32 = 64 3 8*4 8*4 -> 64 8*8 4*4*3 print('patches :', patches.shape) x : torch.Size([64, 3, 32, 32]) patches : torch.Size([64, 64, 48]) rearrange(x, 'b c (h s1) (w s2)..