SILVER

[ REST API 설계 규칙 ] - URI는 정보의 자원을 표현해야함 ( 리소스 명은 동사보다 명사를 사용) - 자원에 대한 행위는 HTTP METHOD(GET, POST, PUT, DELETE )로 표현 - 관계명이 복잡하다면 이를 서브 리소스에 표현 -> 예를 들어 사용자가 좋아하는 디바이스 목록을 표현해야할 경우 GET : /users/{userid}/likes/devices (관계명이 애매하거나 구체적 표현이 필요할 때) - 컬렉션은 문서들의 집합, 객체들의 집합을 나타냄 (단/복수도 지켜준다면 좀 더 이해하기 쉬운 URI를 설계할 수 있음) sports라는 컬렉션과 soccer이라는 도큐먼트로 표현하고 있음 컬렉션은 sports로 복수로 나타내고 있음 /sports/soccer/players/..

ulimit 이란? ulimit는 프로세스의 자원 한도를 설정하는 명령, soft한도,hard한도 두가지로 나뉨 soft : 새로운 프로그램을 생성하면 기본으로 적용되는 한도 hard : 소프트한도에서 최대로 늘릴 수 있는 한도 apache 와 같이 웹 서비스를 운영 시 동접자가 많은 경우 구동되는apache 프로세스 수와 해당 프로세스가 처리하게되는 파일 수 또한 증가 하게 됩니다. * ulimit [옵션] 값 ( Centos , RHEL 기준) -a : 모든 제한 사항을 보여줌. -c : 최대 코어 파일 사이즈 -d : 프로세스 데이터 세그먼트의 최대 크기 -f : shell에 의해 만들어질 수 있는 파일의 최대 크기 -s : 최대 스택 크기 -p : 파이프 크기 -n : 오픈 파일의 최대수 -u :..

import keras 대신에 from tensorflow import keras 라고 해주면 됨 from kears.preprocessing import image from tensorflow.keras.preprocessing import image : 결론 keras -> tensorflow.keras

Voting - 다른 알고리즘 model을 조합해서 사용 - 서로 다른 알고리즘이 도출해낸 결과물에 대해 최종 투표하는 방식을 통해 최종 결과를 선택 1. hard vote : 결과물에 대한최종값을 투표 ex) 분류를 예측한 값이 1, 0, 0, 1, 1 이었다고 하면 1이 3표 0이 2표를 받았기 때문에 Hard voting 에서는 1이 최종값으로 예측함. 2. soft vote : 최종 결과물이 나올 확률값을 다 더해서 최종 결과물에 대한 각각의 확률을 구하여 최종값 도출. soft vote가 hard vote 보다 더 합리적이라는 것이 대세 ex) class 0이 나올 확률이 (0.4, 0.9, 0.9, 0.4, 0.4) 이었고 class 1이 나올 확률이 (0.6, 0.1, 0.1, 0.6, 0...

서버에서 도커 열고 도커이미지로 컨테이너 생성해서 안에있는 이미지들을 예측하는 프로세스다. 근데 도커를 여는데에만 약 15초가 걸리고 모델 로드는 약 4초가 걸렸다. 왼쪽은 각 배치 수행시간 오른쪽은 누적 수행시간이다. 여기서 문제는 첫번째 배치의 수행시간이 첫번째사진에서는 약 78초 오른쪽 사진에서는 약 4초가 걸린다. 첫번째 배치를 열어줄때는 model.predict코드를 보면 make_predict_fucnction()코드 때문에 시간이 오래 걸릴 수 있지만 마지막 배치의 경우 어떠한 이유때문에 수행시간의 차이가 있는지 더 찾아봐야 할 것 같다. 1) model.predict(X) ouput을 numpy로 변환 2) model(X, training = False) ouput을 텐서플로 객체 그대로 ..

Solving environment: failed with initial frozen solve. Retrying with flexible solve. Solving environment: failed with repodata from current_repodata.json, will retry with next repodata source. Collecting package metadata (repodata.json): done Solving environment: failed with initial frozen solve. Retrying with flexible solve. Solving environment: - failed tensorflow 를 설치하는 와중에 뜬 에러 설치를 중간에 Conto..

Transfer Learning 을 할때에 BatchNormalization layer를 학습시키는지 아닌지에 따라서 결과차이가 차이남 from tensorflow.keras import layers f1 = tfa.metrics.F1Score(num_classes = CLASSES, average='macro') x = tf.keras.layers.Input(shape=(400,400,3), name = "image") base_model = tf.keras.applications.EfficientNetB3( include_top=False, weights='imagenet',input_tensor = x) base_model.summary() for layer in base_model.layers: ..

➰ Imbalance Data Training 방법 ➰ 1. Sample weighting ( higher for small data class) 2. Oversampling of small data class 3. Undersampling of large data class 4. Higher Classification threshold oversampling방법이 가장 좋음 https://www.facebook.com/groups/TensorFlowKR/posts/1504750706532649

https://github.com/tensorflow/tensorflow/issues/29535 model.trainable=False does nothing in tensorflow keras · Issue #29535 · tensorflow/tensorflow System information Have I written custom code (as opposed to using a stock example script provided in TensorFlow):Yes OS Platform and Distribution (e.g., Linux Ubuntu 16.04): Linux Ubuntu 16.04 Mob... github.com keras. tf.keras 다르다 다시 확인

Important notes about BatchNormalization layer Many image models contain BatchNormalization layers. That layer is a special case on every imaginable count. Here are a few things to keep in mind. BatchNormalization contains 2 non-trainable weights that get updated during training. These are the variables tracking the mean and variance of the inputs. When you set bn_layer.trainable = False, the Ba..