[첫 번째 시도] 봉지수를 최소화하기 위해 전체 무게 N에서 5kg이 들어갈 수 있는 최대 수 구함(five) 5kg 봉지만큼을 뺀 무게를 이번에는 3으로 나눠서 3kg이 들어갈 수 있는 최대 수 구함(share) 5kg과 3kg이 모두 빠졌을 때 남은 무게 구함(rest) 이때 rest가 0이면 Nkg 만큼 모두 가져간 것이므로 five와 share을 더해서 print하고 break 로 while문을 빠져나감 rest가 1이면 5kg을 한 번 빼야 함. 그러면 나머지가 6이니까 3kg이 2번 더 들어가면 rest가 0이 됨. 그래서 five-1+share+2 = five+share+1 을 프린트함. rest가 2이면 5kg을 두 번 빼야 함. 그러면 나머지가 12니까 3kg이 4번 더 들어가서 rest..

♣ 개념 적은 파라미터 대비 압도적인 성능이 특징인 모델 모델 성능 = resolution*depth*width(= 이미지 크기*네트워크의 깊이*필터 수) 기존에는 위의 세 가지 요소를 수동으로 조절했지만, 깊이와 필터 수, 이미지 크기가 일정한 관계가 있다는 것을 알고 수식으로 만듦(=compound scaling) EfficientNet은 compound scaling이 가장 잘 적용되는 모델구조임. EfficientNet이 다른 모델과 비교했을 때 보다 높은 정확도와 적은 파라미터를 가지고 있음. compound scaling 덕분 왼쪽부터 시작해서 baseline, 필터 수만 스케일링, 네트워크 깊이만 스케일링, 이미지 크기만 스케일링, 세 가지를 모두 조절한 compound scaling을 나타..

♣ 데이터 둘러보기(4가지 label 중 하나로 다중분류) ♣ 데이터 시각화 ♣ 이미지 출력 ♣ 베이스라인 모델 1. 시드값 고정 및 GPU 장비 설정: 재현성을 위해 랜덤 시드를 고정. 2. 데이터 준비: train, valid로 나누기 타깃값이 골고루 분포되도록 분리하기 위해 stratify 파라미터에 타깃값 4개를 전달함. 3. 데이터셋 클래스 정의하기 4. 이미지 변환기 정의하기 이 전까지 주로 torchvision 모듈에서 제공하는 변환기를 사용했지만, 이번 대회에서는 albumentations 모듈의 변환기 사용 albumentations는 이미지 증강을 위한 파이썬 라이브러리임. Resize: 이미지 크기를 조절하는 변환기. 여기서는 임의로 450, 650으로 설정. RandomBrightn..

albumentations: 이미지 증강을 위한 파이썬 라이브러리 ♣ 이미지 증강 4단계 1. albumentations 및 이미지를 읽는 라이브러리 import 하기 2. 증강 파이프라인 정의하기 3. 이미지 읽어오기 4. 이미지를 증강 파이프라인에 전달하고 증강된 이미지 받기 Step1 Step2 Compose 클래스의 인스턴스를 생성하여 이미지 증강 파이프라인 정의. Compose 클래스의 인수로 적용하고자 하는 증강 목록을 전달해야 함. Compose를 호출하면 이미지 증강을 수행할 변환 함수가 반환됨. 증강 클래스의 인스턴스를 생성하고 증강 매개변수를 전달한 것. Step3 파이프라인은 Numpy 배열 형태의 이미지를 기대함. 컬러 이미지인 경우, 일반적인 RGB 이미지로 빨강, 초록, 파랑 채..

♣ epoch '훈련 데이터 전체'를 한 번 훑었음을 의미함. 신경망 가중치가 최적화되기에 1 epoch만 훈련해서는 부족함. epoch이 너무 적으면 과소적합, 너무 많으면 과대적합 발생 ♣ 배치 크기 매 훈련 이터레이션에서 한 번에 훈련할 데이터 개수. 배치 크기를 32로 설정하면 훈련 데이터 32개를 한 묶음으로 보고 가중치를 함께 갱신하겠다는 의미임 ♣ 반복 횟수 1epoch의 훈련을 완료하는 데 필요한 훈련 이터레이션을 일겉음. 훈련 데이터 개수를 배치 크기로 나누면 됨(소수점은 올림 처리)

♣ 주제♣ 데이터 작업파이토치에는 데이터 작업을 위한 기본 요소 두 가지인 torch.utils.data.DataLoader와 torch.utils.data.Dataset가 있음- Dataset: 샘플과 정답(label)을 저장- DataLoader: Dataset을 순회 가능한 객체(iterable)로 감쌈.  1. Dataset 내려받기- root: 학습/테스트 데이터가 저장되는 경로- train: 학습용 또는 테스트용 Dataset 여부 지정- download: root에 데이터가 없는 경우 인터넷에서 다운로드함- transform, target_transform: 특징(feature)과 정답(label) 변형을 지정함.  데이터 변형(transform)- 변형을 통해 데이터를 조작하고 학습에 적합..