전체 글 (16) 썸네일형 리스트형 FOTS : Fast Oriented Text Spotting with a Unified Network -개요 / 차별점- 기존에는 Text Detection -> Text Recognition 의 2 stage 모델이 많이 발전했다면, 이 논문에서 말하는 Text Spotting 은 두 stage 를 한번에 하는 것이다. 이렇게 Text Spotting 을 하게 되면, 1. cost 를 줄일 수 있고, 2. 두 개의 스테이지에서 피쳐를 공유하여 더 좋은 성능을 얻을 수 있다. 기존의 End-To-End 모델들과 다른 부분 - Shared Convolution - Oriented Text 에 대한 정확도 개선. -Relation Works- ---------------------------------------------------------------------------------------------.. cs330 Lecture 4. Non-Parametric Meta-Learners ----------------------------------------------------------------------------------------------------------------------------------------------------- towardsdatascience.com/non-parametric-meta-learning-bd391cd31700 Non-parametric meta-learning This story covers non-parametric few-shot learning algorithms, which include siamese networks, matching networks, and prototypical… towardsdatascience.com.. JIT / Torch Script : 1. TRACE MODE , 2. SCRIPT MODE PyTorch JIT 은 Pytorch 의 IR(중간표현)이다. 이 중간 표현을 Torch Script 라고 부르는데, Pytorch 의 '그래프' 표현이다. 파이토치는 텐서플로우와 다르게 동적 그래프를 이용하기 때문에, 따로 그래프 표현을 해주어야 한다. 사용하는 이유 : Python 언어에 의존하지 않고, 불러낼 수 있음. -> 최적화가 가능하고, 다른 언어에서 사용이 가능한 형태. 파이토치 모델을 IR(Torch Script) 으로 바꾸는 방법. 1. 추적 모드 : 실행되지 않은 제어흐름 (EX) if문) 을 캡처할 수 없음. 코드를 실행하고 발생하는 작업을 기록하며 정확하게 수행하는 스크립트 모듈을 구성함. - 제어흐름은 지워짐. => input과 같은 shape 를 갖춘 random input .. (번역) One-shot Imitation Learning --------Abstract---------- 모방학습은 일반적으로 고립된 상태에서 다른 과제를 해결하기 위해 적용되어 왔다. 이것은 섬세한 특징공학을 요구하거나, 매우 많은 양의 샘플 개수를 요구한다. 이건 우리의 의도와 매우 멀다 : 이상적으로 로봇은 주어진 어떠한 태스크에도 적은 시연에서 학습할 수 있어야 하며, 같은 태스크내에서 새로운 상황에 대해 바로 일반화 시킬 수 있어야 한다 이 때, 태스크에 한정적인 엔지니어링 없이도 가능해야 한다. 이 논문에서, 우리는 그러한 능력을 얻기위해, 메타러닝 프레임워크를 제안하며, 그것의 이름은 one-shot imitation learning 이다. 특히, 우리는 매우 많은 태스크가 있고, 각 태스크에는 많은 인스턴화 가 있다는 것을 가정한다. 예를 들어,.. MAML / Model-Agnostic Meta-Learning MAML 관련해서 만든 (keyNote) -> pdf 파일이다. 해당 논문은 Meta-Learning 에 대한 설명과 이를 위해 모델에 dependent 하지 않는 weight initialization 방법을 기술한 논문이며, 이를 위해 (few-shot) classification / regression / reinforcement learning 실험을 통해 증명하였다. 실험을 통해, 1. Model - Agonostic 2. good performance 3. Feature of Meta-Learning -> need few shot , time for adaptation 을 증명하였다. (번역) MAML / Model-Agnostic Meta Learning for fast adaptation of deep networks 저자 : 첼시 핀 . // C. FINN 논문명 : Model-Agnostic Meta Learning for fast adaptation of deep networks Meta-Learning : Learning to learn 학습하는 방법을 학습. weight 를 initialize 하는 방식에 대한 논문 여러 태스크의 옵티멀 포인트가 있을 때, 한 그레디언트를 움직였을 때, 모든 태스크의 옵티멀 포인트와의 거리가 최소가 되는 현재의 포인트를 찾는 문제. --번역> 우리는 모델에 구애받지 않는(model-Agnostic) 메타 학습 알고리즘을 제안한다. 이것은 그래디언트 디센트 방식으로 어떠한 모델들도 훈련시킬 수 있고, 분류/회귀/강화학습을 포함한 여러 다른 학습 문제들에 대해 적용할 수 있습니다.. 도커 사용법 도커 버전 확인 = docker version 이미지 다운로드 = docker pull // docker pull ubuntu:14.04 이미지 삭제하지 = docker rmi // docker rmi 6e4f 컨테이너 실행하기 // docker run -it ubuntu:16.04 (pull이 안되어있다면 pull도 해줌) -it // 터미널입력 -p // 호스트와 컨테이너의 포트 연결 (포워딩) -v // 호스트와 컨테이너의 디렉토리를 연결 (마운트) -e // 컨테이너 내에서 사용할 환경변수 설정 -name // 컨테이너 이름 설정 -rm // 프로세스 종료시 컨테이너 자동제거 -link // 컨테이너 연결 ___________________________________________________.. 파이참 도커 데몬에서의 gpu 연동 일반적인 도커 실행이 gpu 연동은 nvidia-docker 실행문이나 docker -gpus all 실행문으로 할 수 있다. 하지만 서버에서 dockerd 로 도커 서버를 만들고 클라이언트에서 gpu를 연동하는 방법은 매우 찾기 어려웠는데, 다음과 같은 방법이 있었다 stackoverflow.com/questions/59652992/pycharm-debugging-using-docker-with-gpus Pycharm debugging using docker with GPUs The Goal: To debug a Python application in PyCharm, where I set the interpreter to a custom docker image, using Tensorflow and s.. 이전 1 2 다음
