분류 전체보기
배깅 Bagging
Ensemble https://pasongsong.tistory.com/317 앙상블은 조화 또는 통일을 의미하며 어떤 데이터의 값을 예측한다고 할 때, 하나의 모델이 아닌 여러 개의 모델을 조화롭게 학습시켜 모델의 예측 결과를 이용하여 강건한 예측값을 구하는 것이다. 크게 Ensemble의 기법으로 배깅(Bagging)과 부스팅(Boosting)이 있다. 배깅(Bagging) 모델을 쌓아서 각 예측값을 합산하여 최종 예측값을 예측한다. Input : 각 Ensemble 모델의 예측값 Target : 합산한 최종 예측값 Bootstrapp Aggregating의 약자로 Ensemble의 각 모델이 서로 다른 데이터셋을 이용하여 예측값을 내고 이를 종합하여 최종 예측값을 결정한다. 각 데이터셋은 복원 추출..
CLIPDraw: Exploring Text-to-Drawing Synthesis through Language-Image Encoders
https://proceedings.neurips.cc/paper_files/paper/2022/hash/21f76686538a5f06dc431efea5f475f5-Abstract-Conference.html Abstract CLIPDraw는 natural language를 통해 이미지를 합성하는 모델이다. 추가 학습이 필요하지 않으며 pre-trained CLIP languate-image encoder는 주어진 묘사와 생성된 이미지의 유사성을 극대화하기 위한 metric으로 사용된다. pixel image가 아닌 vector strokes에서 작동하기 때문에 사람이 인식할 수 있는 단순한 모양으로 도면이 편향된다. 본 논문에서 하고자 하는 것 CLIPDraw와 다른 최적화 합성 방법을 비교함 CLIP..
Stable Diffusion: High-Resolution Image Synthesis with Latent Diffusion Models
https://arxiv.org/abs/2112.10752 Abstract Diffusion Models(DMs) Image Formation을 denoising autoencoders로 분해하여 이미지를 합성하는 Diffusion models(DMs)은 synthesis results에서 SOTA를 달성하였다. 추가적으로 retraining 없이 image generation process를 their formulation으로 제어가 가능하다. DMs 단점 일반적으로 Pixel space를 직접적으로 denoising하여 최적화하는데 수백 개의 GPU가 소모되며 Inference에 많은 비용이 든다. quality와 flexibility는 유지하면서 limited computational resourc..
[Error] VScode에서 clear 안되는 이유
vscode에 리눅스나 맥 환경을 ssh 하여 쓴다면 clear가 됨 > 맥이나 리눅스는 "clear"를 쓰기 때문 환경이 윈도우라면 "cls"를 치면 된다.
VScode conda가상환경 적용하기
Visual Studio Code에서 conda 가상 환경 적용하기 처음에 오른쪽 아래의 가상 환경만 보고 적용이 된 줄 알았는데 PS D:\song\code> terminal에 다음과 같이 뜨면 가상환경이 적용이 안된 거다! Conda env 연결 Ctrl + Shift + P를 누른 뒤 >python: Select Interpreter을 쳐서 가상환경을 선택한다. 여기에서 설정해도 된다. Ctrl + F5 설정 후 Ctrl + F5를 눌러 설정한 환경으로 코드를 실행한다. terminal에 다음과 같이 뜨면 성공!
