Ethan's Winery

.detach().cpu().numpy()

이해하기 쉽도록 좀 극단적인 이미지를 예시로 들어 설명을 시작하도록 하겠습니다.사람은 눈과 뇌를 통해, 서로 다른 종, 다른 옷, 다른 배경의 강아지 이미지를 보더라도 모두 다 강아지이기 때문에 비슷한 이미지라고 인식함 그렇다면 딥러닝 모델은 이 두 이미지가 비슷한 이미지라는 것을 어떻게 평가할까? 픽셀 단위로 본다던지 다른 방법이 있을수도 있겠지만, 너무 low level 에서의 비교는 blur 와 같이 큰 영향을 끼치는 차이를 별 것 아닌 것처럼 인식할 수 있음 (L2 loss 의 차이가 적을 수 있음) 이때 LPIPS 라는 metric 을 사용하면 쉽게 비교가 가능한데, 이 metric 은 주로 생성모델 (GAN, ...) 에서 생성되거나, 복원, deblur 등을 진행한 이미지가 실제 이미지와 얼..

두 이미지의 유사도를 Luminance, Contrast, Structure 를 이용하여 비교 Luminance (휘도): 빛의 밝기 Contrast (대조): 빛의 밝기 차이 Structure (구조): SSIM 은 0~1 의 값을 가지며, 값이 높을수록 두 이미지가 유사함 $SSIM(x,y)=[l(x,y)]^\alpha \cdot [c(x,y)]^\beta\cdot[s(x,y)]^\gamma$ $l(x,y)=\frac{2\mu_x\mu_y+C_1}{\mu^2_x+\mu^2_y+C_1}$ $c(x,y)=\frac{2\sigma_x\sigma_y+C_2}{\sigma^2_x+\sigma^2_y+C_2}$ $s(x,y)=\frac{\sigma_{xy}+C_3}{\sigma_x\sigma_y+C_3}$ $C..

이미지 품질 측정 metric: 영상의 화질에 대한 손실 평가 $PSNR=10\cdot log_{10}\left ( \frac{MAX^2_I}{MSE} \right )$ $MSE=\frac{\sum_{M,N}^{}[I_1(m,n)-I_2(m,n)]}{M*N}$ MSE 를 통해 pixel 간의 오차를 계산 MAX 는 pixel 의 최댓값으로 scale 의 역할을 수행 MSE 가 작을수록, 즉 손실이 적을수록 높은 PSNR 값을 보임

rm 파일명 # 파일 삭제 rm -rf 디렉토리명 # 하위 디렉토리까지 한 번에 강제 삭제

Terminal 에서 git 처음 사용하는 경우 git config --global user.name "Github USERNAME" git config --global user.email "Github USEREMAIL" 올리고자 하는 디렉토리로 cd example git init : git 초기화, 맨 처음 프로젝트 올릴 때 git add . : 모든 파일을 올리겠다 git add example git status git commit -m “first commit” “” 안에 수정한 내용, description git remote add origin https://github.com/Ethan-Lee-Sunghoon/**example** git remote -v : 연결 내용 확인 git push o..

/data/sunghoon/anaconda3/envs/가상환경 이름/bin/python3 conda activate 가상환경 이름

sbatch: 긴 job 돌릴 때, out file 로 확인 train.sh 파일을 다음과 같이 작성 #SBATCH --job-name=job 이름 #SBATCH --nodes=1 #SBATCH --gres=gpu:1 #SBATCH -p batch #SBATCH -w agi1 #SBATCH --cpus-per-gpu=4 #SBATCH --mem-per-gpu=20G #SBATCH --time=14-0 #SBATCH -o %N_%x_%j.out #SBTACH -e %N_%x_%j.err source /data/sunghoon/init.sh conda activate 가상환경이름 python -m torch.distributed.launch \ --nproc_per_node=1 \ --use_env main..

Screen manual screen -S [name] : screen 생성 screen -ls : screen 목록 screen -r [name] : [name] screen 에 접속 Screen -X -S [name] kill Ctrl + a, c : window 생성 Ctrl + a, w : window 목록 Ctrl + a, d : screen에서 나오기

- Introduction 기존에 널리 사용하던 rehearsal based method 의 단점 Increase memory costs Violate data privacy Pretrained ViT 의 등장으로 rehearsal based method 를 대체할 prompting method 등장 일반적인 prompting method 는 key-query 메커니즘을 이용하는데, task sequence 에 end-to-end 로 학습되지 않는 문제점이 있음 이로 인해 plasticity 의 감소가 일어나고, new task의 학습이 원활하게 이루어지지 않으며, parameter capacity 증가로 이득을 얻지 못함 저자들은 자신들의 연구가 prior work 와 달리 end-to-end 방식으로..