분류 전체보기 썸네일형 리스트형 2025년 1월 28일 토스 1등찍기 토스 1등 투표는 현재 식판과 행주가 앞서갑니다. 더보기 pytorch에서 gpu 슬롯 별 메모리 여유량 알아보는 기능 1. 개요gpu사용량을 파이썬 내에서 실시간으로 알아내면 모델 학습시에 편리하기 때문에 아래의 기능을 만듬.먼저 print기능을 통해 gpu 슬롯 별 여유량을 출력하게 만듬.그 후에 파이썬의 리스트에 각 슬롯번호 순서대로 메모리 사용량을 저장하게 만듬.import torchdef get_gpu_memory_usage(): memories=[] for i in range(torch.cuda.device_count()): free, total = torch.cuda.mem_get_info(f'cuda:{i}') mem_used_mb = (total - free) / 1024 ** 2 print(f'cuda:{i} free :',free/1024**3,'Gb').. 더보기 numpy를 활용한 quantiletransformer 1. 개요주어진 스칼라 값들의 분포로부터 새로운 값이 들어왔을 때 이것이 몇 분위의 값을 갖는지 알고 싶을 때가 있다.예를들어, [1,......,1000] 이라는 값이 있다면 50.5라는 값은 여기서 몇 분위의 값인지 알고 싶은 것이다.scikt-learn에는 sklearn.preprocessing.QuantileTransformer라는 기능은 이를 위한 기능을 제공하지만 버전이 업그레이드 됨에 따라 문제가 생기기 쉽다.이를 방지하기 위해 numpy array 기능으로 만든 것을 만들어봤다. 2. 코드class quantiletransformer: ''' numpy array를 활용해서 주어진 값에 대한 quantile transformation을 하는 기능 fit : 주어진 훈련 데이.. 더보기 protein diffusion model 관련 영상 https://youtu.be/L_PcZaXjip0 더보기 torch dataloader 사용법 import torchfrom torch import nn, optimfrom sklearn.datasets import load_irisfrom torch.utils.data import TensorDataset, DataLoaderiris = load_iris()X = iris.data[:100]y = iris.target[:100]X = torch.tensor(X, dtype=torch.float32)y = torch.tensor(y, dtype=torch.float32)# X와 Y를 결합할 때는 아래와 같이 사용.ds = TensorDataset(X, y)loader = DataLoader(ds, batch_size=10, shuffle=True)net = nn.Linear(4, 1)loss_f.. 더보기 인간 단백질 내 아미노산 빈도 (amino acid frequency in human proteins) 𝑝(𝐴) =0.0777𝑝(𝐶) =0.0157𝑝(𝐷) =0.053𝑝(𝐸) =0.0656𝑝(𝐹) =0.0405[0.0704][0.0231][0.0484][0.0692][0.0378]𝑝(𝐺) =0.0691𝑝(𝐻) =0.0227𝑝(𝐼) =0.0591𝑝(𝐾) =0.0595𝑝(𝐿) =0.096[0.0675][0.0256][0.0450][0.0565][0.0984]𝑝(𝑀) =0.0238𝑝(𝑁) =0.0427𝑝(𝑃) =0.0469𝑝(𝑄) =0.0393𝑝(𝑅) =0.0526[0.0237][0.0368][0.0610][0.0465][0.0552]𝑝(𝑆) =0.0694𝑝(𝑇) =0.055𝑝(𝑉) =0.0667𝑝(𝑊) =0... 더보기 아미노산 화학그룹 (chemical group of amino acids) amino_acids_group={ 'Acidic':['D','E'] ,'Basic':['R','H','K'] ,'Polar':['S','T','N','Q'] ,'Special':['C','G','P'] ,'Hydrophobic':['A','V','I','L','M','F','Y','W']} 더보기 [mnist] Anomaly detection에서의 boosting 기법 효과 1. 개요 이상치 탐지 (anomaly detection) 중 비지도 이상치 탐지는 주로 정상 데이터만 있는 경우에 자주 사용되는 기법임. 문제는 비지도 학습의 경우 지도학습에 비해 성능이 다소 떨어지는 것이 사실임. 이러한 문제를 boosting 기법을 적용하면 좀 더 성능이 향상될지가 궁금했음. 2. 방법a) mnist 데이터셋에 대해 각 숫자들을 정상으로 두고 나머지는 비정상으로 두는 방식으로 인위적인 normal/abnormal 데이터셋을 만듬. 훈련데이터의 abnormal은 validation set으로 사용하여 autoencoder 모델의 ROC-AUC값이 최대치에 다다르면 해당 모델을 사용하도록 만듬.b) 편의상 single model이나 ensemble model이나 모델의 형태는 동일하게.. 더보기 이전 1 2 3 4 ··· 107 다음
