티스토리

비둘기 둥지
검색하기

블로그 홈

비둘기 둥지

dove-nest.tistory.com/m

안녕하세요, 딥러닝 엔지니어 김둘기 입니다.

구독자
2
방명록 방문하기
공지 [ 공지 ] 침하하 관련 공지 모두보기

주요 글 목록

  • [인공지능 기초 / pytorch] 5. 그래프와 pytorch_geometric 1. 그래프 (Graph) 1-1. 그래프 (Graph)란 그래프(Graph)는 노드와 간선으로 이루어진 구조 아래 이미지는 G = {{1, 2, 3}, {{1,2}, {2, 3}, {1, 3}}}으로 정의된 그래프이다. 수학적으로 그래프 G는 노드 집합 V와 간선 집합 E로 구성된다. 간선 집합 E의 원소 간선 e는 두 개의 노드로 이루어진 순서가 있는 쌍이다. 두 간선 (a, b)와 (b, a)가 있다고 가정할 때, 방향성 그래프 (directed graph) | 두 간선을 같은 것으로 봄. 비방향성 그래프 (undirected graph) | 두 간선을 다른 것으로 봄. ❗방향성의 그래프를 시각화 할 때, 방향성은 화살표로 표시한다. 그래프는 인접행렬로도 표현할 수 있는데, 그래프가 N개의 노드를 .. 공감수 0 댓글수 0 2022. 11. 24.
  • [인공지능 공부 / ML tool] 1. HiPlot에 대해 알아보자 1. HiPlot이란 고차원 상의 공간에서 상관관계와 패턴을 찾아낼 수 있도록 해주는 대화형 시각화 툴 평행 좌표 플롯(Parallel Coordinate Plots)을 비롯한 시각화 방법들을 이용해 정보를 명확히 표현 셋업 과정 없이 주피터에서 빠르게 실행할 수 있음. 1-1. HiPlot의 장점 한 줄로 구현이 가능하다. 몇 번의 마우스 클릭만으로 데이터의 깊은 면까지 분석할 수 있다. 커다란 데이터 셋에 대한 내용도 빠르게 표현이 가능하다. Native HTML 함수로 렌더링이 가능하다. csv나 json 파일을 지원하고, 현존하는 페이스북 AI라이브러리와의 호환을 지원하는 등 확장성이 좋다. 1-2. HiPlot으로 sklearn의 Iris데이터 셋을 분석해보자 HiPlot을 이용하면, 데이터와 .. 공감수 1 댓글수 2 2022. 11. 23.
  • [ML / 추천 시스템] 2. Contents Based Filtering (CBF) 1. 컨텐츠 기반 필터링 (Contents Based Filtering / CBF) 1-1. 컨텐츠 기반 필터링 이란 컨텐츠 기반 필터링(이하, CBF)는 사용자가 과거에 좋아했던 컨텐츠를 파악하고 비슷한 아이템을 추천해 주는 방식이다. e.g.) 음식을 예로 들면 어떤 유저가 배달 어플을 통해 'KFC'와 '맥도날드'에 좋은 평점을 주었다면, 같은 햄버거 프랜차이즈인 '롯데리아'를 추천해 줄 수 있다. 유저가 좋아한 아이템을 뽑아낸 목록을 Item Profile이라 하고, Item Profile로부터 공통된 특징을 뽑아낸 결과를 User Profile이라고 한다. e.g.) Item Profile | 'KFC', '맥도날드', '버거킹', ... User Profile | '햄버거', '프랜차이즈', .. 공감수 1 댓글수 2 2022. 11. 4.
  • [프로그래머스 / 코딩테스트] 2022 카카오 인턴십 - 성격 유형 검사 하기 1. 문제 설명 나만의 카카오 성격 유형 검사지를 만들려고 합니다. 성격 유형 검사는 다음과 같은 4개 지표로 성격 유형을 구분합니다. 성격은 각 지표에서 두 유형 중 하나로 결정됩니다. 지표 번호 성격 유형 1번 지표 라이언형(R), 튜브형(T) 2번 지표 콘형(C), 프로도형(F) 3번 지표 제이지형(J), 무지형(M) 4번 지표 어피치형(A), 네오형(N) 4개의 지표가 있으므로 성격 유형은 총 16(=2 x 2 x 2 x 2)가지가 나올 수 있습니다. 예를 들어, "RFMN"이나 "TCMA"와 같은 성격 유형이 있습니다. 검사지에는 총 n개의 질문이 있고, 각 질문에는 아래와 같은 7개의 선택지가 있습니다. 매우 비동의 비동의 약간 비동의 모르겠음 약간 동의 동의 매우 동의 각 질문은 1가지 지표.. 공감수 1 댓글수 3 2022. 10. 31.
  • [인공지능 / 논문 구현] YOLO v1 구현 (1) - 데이터 셋 구성 1. 데이터 셋 다운로드 받기 classification, object detection, segmentation task를 위한 데이터 셋 2007, 2012년 학습 / 검증 데이터 셋과 2007년 시험용 데이터 셋을 다운 받았다. ## 데이터 셋 저장할 폴더 생성 !mkdir -p ./dataset/pascal/train !mkdir -p ./dataset/pascal/test !mkdir -p ./dataset/zips !wget -P ./dataset/zips http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar !wget -P ./dataset/zips http://host.robots.ox.ac.uk/pascal/.. 공감수 1 댓글수 0 2022. 10. 29.
  • [프로그래머스 / 코딩테스트 ] 2022 카카오 공채 - k진수에서 소수 개수 구하기 1. 문제 설명 양의 정수 n이 주어집니다. 이 숫자를 k진수로 바꿨을 때, 변환된 수 안에 아래 조건에 맞는 소수(Prime number)가 몇 개인지 알아보려 합니다. 0P0처럼 소수 양쪽에 0이 있는 경우 P0처럼 소수 오른쪽에만 0이 있고 왼쪽에는 아무것도 없는 경우 0P처럼 소수 왼쪽에만 0이 있고 오른쪽에는 아무것도 없는 경우 P처럼 소수 양쪽에 아무것도 없는 경우 단, P는 각 자릿수에 0을 포함하지 않는 소수입니다. 예를 들어, 101은 P가 될 수 없습니다. 예를 들어, 437674을 3진수로 바꾸면 211020101011입니다. 여기서 찾을 수 있는 조건에 맞는 소수는 왼쪽부터 순서대로 211, 2, 11이 있으며, 총 3개입니다. (211, 2, 11을 k진법으로 보았을 때가 아닌, .. 공감수 1 댓글수 0 2022. 10. 27.
  • [ML / 추천 시스템] 1. 추천 시스템에 대해 알아봅시다. 1. 추천 시스템이란 사용자의 취향을 파악하고, 취향에 따라 상품, 영화, 음악 등을 추천해주는 시스템 1-1. 추천 시스템의 목표 Prediction version of Probelm | 학습 데이터를 통해 유저의 선호도를 정확하게 예측 Ranking version of Problem | 정확한 수치를 예측하는 것이 아닌, 랭킹을 고려해 top k의 아이템을 선정 1-2. 추천 시스템의 데이터 추천 시스템에서 사용되는 데이터는 Explicit data와 Implicit data로 나뉜다. Exlplicit Data | 사용자가 선호도를 직접적으로 표현한 데이터 (e.g.) 평점, 좋아요, etc Implicit Data | 사용자가 선호도를 간접적으로 표현한 데이터 (e.g.) 검색 기록, 방문 페이지.. 공감수 1 댓글수 2 2022. 10. 26.
  • [인공지능 / 논문 리뷰] 1. YOLO v1 논문을 읽어봅시다. 0. 자료 출처 0-1. 도서 0-2.논문, 학술지 Arxiv - You Only Look Once : Unified, Real-Time Object Detection | [논문 링크] 0-3. 웹사이트 Sangne's log - YOLO v1 논문 리뷰 및 코드 구현| [블로그 링크] 0-4. 데이터셋 출처 1. 초록 (Abstract / Green 아님 ㅎ) 논문에서 제안한 구조의 신경망은 굉장히 빠른데, base 모델의 경우 1초에 45프레임을 검사할 수 있다. base 모델보다 작은 Fast YOLO의 경우 1초에 155프레임을 검사 할 수 있다. 빠른 속도로 검사가 되기 때문에 실시간 detection 검사가 가능하며, 다른 실시간 detection 모델에 비해 2배 이상의 mAP를 보여준다. .. 공감수 7 댓글수 3 2022. 10. 23.
  • [프로그래머스 / 코딩테스트 ] 2022 카카오 공채 - 주차요금 계산 1. 문제 설명 주차장의 요금표와 차량이 들어오고(입차) 나간(출차) 기록이 주어졌을 때, 차량별로 주차 요금을 계산하려고 합니다. 아래는 하나의 예시를 나타냅니다. 요금표 기본 시간 (분) 기본 요금 (원) 단위 시간 (분) 단위 요금 (원) 180 5,000 10 600 입 / 출차 기록 시각 (시 : 분) 차량 번호 내역 05:34 5961 입차 06:00 0000 입차 06:34 0000 출차 07:59 5961 출차 07:59 0148 입차 18:59 0000 입차 19:09 0148 출차 22:59 5961 입차 23:00 5961 출차 자동차별 주차 요금 차량 번호 누적 주차 시간 (분) 부차 요금 (원) 0000 34 + 300 = 334 5000 + ⌈(334 - 180) / 10⌉ x .. 공감수 4 댓글수 4 2022. 10. 23.
  • [프로그래머스 / 코딩테스트 ] 2022 카카오 공채 - 신고 결과 받기 1. 문제 설명 신입사원 무지는 게시판 불량 이용자를 신고하고 처리 결과를 메일로 발송하는 시스템을 개발하려 합니다. 무지가 개발하려는 시스템은 다음과 같습니다. 각 유저는 한 번에 한 명의 유저를 신고할 수 있습니다. 신고 횟수에 제한은 없습니다. 서로 다른 유저를 계속해서 신고할 수 있습니다. 한 유저를 여러 번 신고할 수도 있지만, 동일한 유저에 대한 신고 횟수는 1회로 처리됩니다. k번 이상 신고된 유저는 게시판 이용이 정지되며, 해당 유저를 신고한 모든 유저에게 정지 사실을 메일로 발송합니다. 유저가 신고한 모든 내용을 취합하여 마지막에 한꺼번에 게시판 이용 정지를 시키면서 정지 메일을 발송합니다. 다음은 전체 유저 목록이 ["muzi", "frodo", "apeach", "neo"]이고, k .. 공감수 9 댓글수 0 2022. 10. 21.
  • [인공지능 기초 / ML] 0. 머신러닝이란 1. 머신러닝이란 명시적인 프로그래밍 없이 컴퓨터가 학습하는 능력을 갖추게 하는 연구 분야다. - 아서 새뮤얼 1-1. 왜 머신러닝을 사용하는가 메일의 제목을 보고 스팸 필터를 만든다고 가정하였을 때 전통적인 프로그래밍 기법을 사용 → 작성해야하는 규칙이 점점 길과 복잡해져 비효율적으로 동작하고, 유지보수하기 힘들어진다. 머신러닝 기법을 사용 → 스팸 메일에서 자주 나타나는 패턴을 감지하여 어떤 단어와 구절이 스팸 메일을 판단하는 데 좋은 기준인지 자동으로 학습 머신러닝 기술을 적용하여 대용량의 데이터를 분석하여 패턴을 발견하는 것을 데이터 마이닝(data mining)이라 한다. 1-2. 머신러닝 시스템의 종류 [ 머신러닝 시스템의 종류 ] 1-2.1. 지도학습과 비지도 학습 (1) 지도 학.. 공감수 1 댓글수 0 2022. 8. 4.
  • [Kaggle / pytorch] 1. Cats vs Dogs 1. Cats vs Dogs CNN 관련 딥러닝을 한다면 MNIST, FashionMNIST, CIFAR-10과 함께 반드시 거쳐야할 데이터 셋이 있다. 바로 커스텀 데이터 셋으로 CNN 모델 구성하기에 제일 만만한 Cats vs Dogs 데이터 셋. 나도 Keras로 딥러닝을 맨 처음에 공부하기 시작했을 때 위에서 언급한 데이터 셋 이후로 Cats vs Dogs 데이터 셋으로 학습했었다. 그리고 사실 인공지능 관련된 재밌는 짤을 찾아서 데이터 셋을 선정하였다. [문제의 그 짤방...] 1-1. 데이터 셋 가져오기 Kaggle API를 이용하여 Kaggle에서 데이터 셋을 다운 받았다. !pip install kaggle ## 출력 결과 WARNING: The directory '/home/jovyan/.. 공감수 0 댓글수 0 2022. 7. 20.
  • [인공지능 기초 / pytorch] 4. CNN 1. 합성곱 연산 (Convolution) - 계층적으로 인식할 수 있도록 단계마다 다양한 필터를 적용하여 이미지의 특징을 추출 - 필터를 적용할 때 이미지 왼쪽에서 오른쪽 밑까지 밀어가며 곱하고 더하는데, 이를 합성곱 연산(Colvolution) 이라고 한다. - 모든 종류의 이미지에 대해 필터를 만들 수도 없고 만드는 사람의 실력에 따라 모델 성능이 달라진다. import matplotlib.pyplot as plt import numpy as np import cv2 image = cv2.imread('drive/MyDrive/test.jpg') image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.title('Original Image') plt.axis(Fa.. 공감수 0 댓글수 0 2022. 7. 20.
  • [인공지능 기초 / pytorch] 3. DNN 1.Fashion MNIST 데이터 셋 살펴보기 28 x 28 픽셀 70,000개의 흑백 이미지로 구성된 이미지 데이터 셋 레이블은 신발, 드레스, 가방 등 총 10가지 카테고리 존재 이미지 데이터를 다루기 위한 파이토치, 토치비전 모듈들 torch.utils.data → 데이터 셋의 표준을 정의, 로딩, 셔플에 쓰는 도구들이 들어있는 모듈 → 파이토치 모델을 학습시키기 위한 데이터 셋 표준을 torch.utils.data.Dataset에 정의 → 데이터 셋 모듈을 상속하는 파생 클래스는 학습에 필요한 데이터를 로딩해주는 torch.utils.data.DataLoader 인스턴스 입력으로 사용 torchvision.datasets → torch.utils.data.Dataset을 상속하는 이미.. 공감수 0 댓글수 0 2022. 6. 23.
  • [짭하하 / 침하하 개발기] 1. 메인 페이지를 만들어보자 0. 들어가기 전 보고 계신 게시물은 현재 서비스 되고 있는 침하하 페이지의 개발기가 아닌, 김둘기의 개인 프로젝트를 위한 침하하임을 알립니다. 1. 본격적인 개발을 시작해 보자 1- 1. main 앱 생성 프로젝트에서 기능을 구현할 app (main)을 하나 생성한다. 이 앱은 침하하 홈페이지 맨 처음 들어갈 때 표시되는 페이지가 보이도록 구성한다. 터미널에 django-admin startapp main을 입력하여 app을 생성한다. chimhaha/config/urls.py 파일에 main/ url이 요청되면 chimhaha/main/urls.py 호출 chimhaha/main 폴더에 urls.py를 생성하여 url 매핑을 추가한다. e.g) main/urls.py 파일 안에 ' '은 아래 표와 같.. 공감수 0 댓글수 0 2022. 6. 21.
  • [짭하하 / 침하하 개발기] 0. 개발 준비 0. 들어가기 전 보고 계신 게시물은 현재 서비스 되고 있는 침하하 페이지의 개발기가 아닌, 김둘기의 개인 프로젝트를 위한 침하하임을 알립니다. 1. 왜 개발하게 되었는가? 어느 날 침투부에 올라와 있는 영상 중 '웃음의 알렉산드리아 도서관'이라는 제목의 영상을 보게 되었다. 영상의 마지막 부분에 방장 아저씨가 침하하라는 이름의 유머 사이트를 운영해보고 싶다는 이야기를 듣게 되었고, 회사에서 장고로 프로젝트했던 경험을 살려 만들어보면 재밌을 거 같아 만들게 되었다. 2. 개발에 필요한 자원 검색 일단 홈페이지의 얼굴이라고 할 수 있는 배너와 로고를 제작한다. 구글에 있는 침착맨 로고를 다운로드하여 Photo Scape X로 배경을 지우고 배너와 로고를 제작하였다. (!) 배너 이미지 출처 : https:.. 공감수 0 댓글수 0 2022. 6. 20.
  • [인공지능 기초 / pytorch] 2. ANN 1. 인공신경망(ANN) 인공 신경망에서 데이터를 입력받는 부분을 입력층 (input layer)라고 한다. 입력층을 거친 신호는 은닉층 (hidden layer | 중간층)으로 전달된다. 은닉층을 지난 신호는 마지막 뉴런인 출력층(output layer)으로 전달된다. (!) 각 층에 존재하는 한 단위의 인공뉴런을 노드(node)라 한다. 각 층에 존재하는 매개변수인 가중치(weight)를 행렬곱하고 편향(bias)를 더한 결과 값은 활성화 함수(activation function)을 거쳐 다음층으로 신호를 전달한다. 인공 신경망의 예측결과와 정답을 비교해 오차를 계산. 출력층 ~ 입력층까지의 가중치를 모두 최적화 함수(optimization function)을 통해 변경해준다. 겹겹이 쌓인 가중치를 .. 공감수 1 댓글수 0 2022. 6. 18.
  • [인공지능 기초 / pytorch] 1. 파이토치 기초 1. 파이토치 기초 텐서는 파이토치에서 다양한 수식을 계산하는데 가장 기본적인 자료 구조이다. 수학의 벡터나 행렬을 일반화한 개념으로 숫자들을 특정한 모양으로 배열 텐서에는 차원이라는 개념이 있음. (1) 0차원 텐서 : 스칼라 (scalar) (2) 1차원 텐서 : 벡터 (vector) (3) 2차원 텐서 : 행렬 (matrix) 1-1. 텐서를 다뤄보자¶ 텐서 만들기 import torch ## 3 x 3 텐서 만들기 x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(f'first tensor : \n{x}') ## 텐서의 shape(size)를 확인하는 법 print(f'tensor size : {x.size()} \ntensor shape : .. 공감수 1 댓글수 1 2022. 6. 18.
  • [알고리즘 / 파이썬] 1. 그리디 (탐욕법) 알고리즘 1. 그리디(Greedy) 알고리즘 선택의 순간마다 당장 눈 앞에 보이는 최적의 상황만을 쫓아 최종적인 해답에 도달 탐욕 알고리즘은 최적해를 구하는데 사용되는 근사적인 방법이다. 자주 정렬 알고리즘과 짝을 이뤄 출제 된다. (!) 순간마다 하는 선택은 그 순간에 대해 지역적으로는 최적이지만, 그 선택들을 계속 수집하여 최종적(전역적)인 해답을 만들었다고 해서 최적이라는 보장은 없다. 1-1. 탐욕 알고리즘 문제 해결법 1. 선택 절차 (Selection Procedure) → 현재 상태에서의 최적의 해답을 선택한다. 2. 적절성 검사 (Feasibility Check) → 선택의 해가 문제의 조건을 만족하는지 검사 3. 해답 검사 (Solution Check) → 원래의 문제가 해결되었는지 검사하고, 해.. 공감수 0 댓글수 0 2022. 6. 18.
  • [인공지능 기초 / python] 2. 신경망 1. 신경망 1-1. 퍼셉트론 복습 가중합의 0을 넘기면 1을 출력, 그렇지 않으면 0을 출력함. 가중치(Wn)는 신호의 영향력을 제어한다. 편향(b)은 뉴런이 얼마나 쉽게 활성화 되느냐를 제어한다. 1-2. 활성화 함수 입력 신호의 총합을 출력 신호로 변환하는 함수 입력 신호의 총합이 활성화를 일으키는지를 정하는 역할을 함. 퍼셉트론 구현하며 사용한 활성화 함수를 계단함수라 한다. a. 시그모이드 함수 (Sigmoid Function) [0, 1] 사이의 값을 가지며 그래프가 S모양이여서 Sigmoid라고 한다. import matplotlib.pyplot as plt import numpy as np sigmoid_func = lambda x: (1/(1 + np.exp(-x))) x = np.arr.. 공감수 0 댓글수 0 2022. 4. 17.
  • [인공지능 기초 / python] 1. 퍼셉트론 1. 퍼셉트론 다수의 신호를 입력받아 하나의 신호를 출력 신경망의 기본 단위 정도로 생각하면 될 것 같다. 이미지에서 Xn은 입력신호, Wn은 가중치, Y는 출력신호이다. 입력신호(Xn)가 뉴런에 보내질 때 각각 고유한 가중치(Wn)가 곱해짐 뉴런에서 보내온 신호의 총합이 임계값을 넘길 때 뉴런이 활성화 된다. 퍼셉트론은 복수의 입력 신호 각각에 고유한 신호를 부여한다. 이 가중치가 클 수록 해당 신호가 그만큼 더 중요하다는 의미임. 예제) 퍼셉트론 예제 - 논리 회로 구현하기 a. AND 게이트 두 개의 입력이 1일 때만 1을 출력하는 논리 회로 x1 x2 y 0 0 0 1 0 0 0 1 0 1 1 1 b. NAND (Not AND) 게이트 AND게이트의 출력결과를 뒤집어 두 개의 입력이 1일 때만 0.. 공감수 0 댓글수 0 2022. 4. 17.
  • [생물정보학 / python] 3-1. 지금까지 공부한 내용 연습 1. 캐글 데이터 셋으로 분석해보기 from Bio.Align.Applications import MuscleCommandline from Bio.SeqUtils import MeltingTemp as mt from Bio.SeqRecord import SeqRecord from Bio.SeqUtils import GC from Bio.Seq import Seq from Bio import SeqIO import re ## Kaggle에서 제공된 데이터 셋이 txt 파일로 되어 있어 ## SeqIO가 아닌 파이썬의 파일 입출력으로 염기서열을 가져옴. def text_parsing(spieces): sequence_txt = open(f'../dataset/txt/{spieces}_data.txt', 'r.. 공감수 0 댓글수 0 2022. 4. 16.
  • [생물정보학 / python] 3.biopython - Multiple Sequence Alignment (!) sequence alignment (서열 정렬) (1) 유전자나 단백질의 서열을 다이내믹 프로그래밍 기반의 컴퓨터 스트링 정렬 알고리즘을 이용하여 배열 (2) 쌍서열정렬(pairwise sequence alignment)와 다중서열정렬(multiple sequence alignment)로 나뉜다. 1. Multiple Sequence Alignment (MSA / 다중 서열 정렬) 3개 이상의 DNA, RNA, Protein과 같은 서열들을 sequence alignment를 진행하는 것을 말한다. 단백질 서열간 유사성을 통해 단백질의 기능을 이해, 구조 예측, 진화 관계 규명하는데 사용된다. Multiple Sequence Alignment를 하기 위해서는 3가지 단계가 필요하다. 한 서열과 비.. 공감수 1 댓글수 0 2022. 4. 14.
  • [생물정보학 / python] 2.biopython - SeqRecord 객체, 다양한 데이터 포맷 조작 0. 들어가기 전 ## 없어도 되는 씨잘데기 없는 함수 ## 아래 반복문을 통해 나온 결과들을 예쁘게 나오도록하는 씨잘데기 없는 함수 def string_decoration(string, num = 80, idx=1): decorated_string = f'{"-"*num}\n{string}\n{"-"*num}' if idx == 1 else f'{string} \n{"-"*num}' print(decorated_string) string_decoration('아아 함수 테스트') string_decoration('잘 나옵니까', idx=2) ## 출력 결과 -------------------------------------------------------------------------------- 아.. 공감수 1 댓글수 0 2022. 4. 10.
  • [생물정보학 / python] 1.biopython - Sequence 객체 조작 1. Seq함수로 Sequence 객체 만들기 ## 필요 패키지 import from Bio.Seq import Seq ## Biopython은 DNA 염기 서열을 Seq 자료형으로 사용한다. test_seq = Seq('AGTACATGGT') print(type(test_seq)) ## Sequence의 서열 정보를 추가하도록 해줌. #! Biopython 1.78 이후로 Alphabet이 사라졌다.. 코쓱머쓱 # from Bio import Alphabet import Bio Bio.__version__ ## 출력 결과 ## 작성한 코드는 biopython 1.79 버전을 사용하였다. '1.79' 2. SeqIO 여러 파일 파싱하기 2-1. FASTA 파일 파싱하기 FASTA 파일은 텍스트 파일로 염.. 공감수 2 댓글수 2 2022. 3. 30.
  • [Python / Numpy]2. Numpy 배열 성질 - 1 1. 배열의 차원, shape, 크기 import numpy as np np.random.seed(0) ## 0 ~ 20까지의 숫자 중에서 10개를 랜덤하게 추출해 만든 1차원 배열 x1 = np.random.randint(20, size = 10) ## 0 ~ 10까지의 숫자 중 랜덤하게 추출해 만든 3x4 2차원 배열 x2 = np.random.randint(10, size = (3, 4)) ## 0 ~ 10까지의 숫자 중 랜덤하게 추출해 만든 3x4x5 3차원 배열 x3 = np.random.randint(10, size = (3, 4, 5)) print(f'x3의 차원 : {x3.ndim} \nx3 각 차원의 크기 : {x3.shape}\nx3의 크기 : {x3.size}\nx3의 자료형 : {x.. 공감수 1 댓글수 0 2022. 3. 30.
  • [Python / Numpy] 1. 여러 배열 만들기 1. 일반적인 형태의 배열 만들기 import numpy as np ## 실수형 numpy 배열 print('float array : \n', np.array([1, 2, 3, 4], dtype = 'float32')) ## 정수형 numpy 배열 print('\nint array : \n', np.array([1, 2, 3, 4], dtype = 'int')) ## 리스트와 반복문을 이용하면 다차원 numpy 배열을 생성할 수 있음. ## range() 함수를 이용해 반복 변수인 rep ~ rep + 2 까지의 숫자를 배열의 원소로 삽입 print('\n다차원 배열 : \n', np.array([range(rep, rep+3) for rep in [1, 2, 3]])) ## 출력 결과 float arr.. 공감수 1 댓글수 0 2022. 3. 30.
    문의안내
    • 티스토리
    • 로그인
    • 고객센터

    티스토리는 카카오에서 사랑을 담아 만듭니다.

    © Kakao Corp.