본문 바로가기

분류 전체보기544

이미지 학습을 위해 자주 사용되는 이미지 augmentation 방식 이미지 학습을 위해 자주 사용되는 이미지 augmentation 방식 crop : 무작위 절단, 코너 및 센터 절단, 중앙 추출 등 다양한 방식을 이미지 자름 color jotter : 명도, 채도 등의 변화 gray scale : 이미지 흑백화 padding : 이미지에 공백 추가 random affine : 이미지의 기하학적 변환 flip : 이미지 뒤집기 blur : 블루어 처리 perspective : 시야각 조정 rotation : 이미지 돌리기 참조 https://pytorch.org/vision/stable/auto_examples/plot_transforms.html#sphx-glr-auto-examples-plot-transforms-py Illustration of transforms .. 2023. 6. 29.
파이썬 리스트 차원 축소 파이썬 리스트 차원 축소 sum 메서드를 활용하여 리스트의 차원을 축소 할 수 있습니다. # 리스트 예시 a = [["qwe"], ["asd"], ["zxc"]] # sum 메서드 사용법 sum(a, []) # out : ['qwe', 'asd', 'zxc'] sum 메서드를 활용한 차원 예시 2 b = [["qwe", "asd", "zxc"]] sum(b, []) # out : ['qwe', 'asd', 'zxc'] 단 1차원 리스트에 적용하면 에러를 반환 합니다. c = ["qwe", "asd", "zxc"] sum(c, []) # TypeError: can only concatenate list (not "str") to list 2023. 6. 29.
nsmc 다운로드 네이버 영화 리뷰 댓글 샘플데이터 다운로드 nsmc 다운로드 네이버 영화 리뷰 댓글 샘플데이터 다운로드 1. 아래 링크 접속 후 https://raw.githubusercontent.com/e9t/nsmc/master/ratings.txt 2. Ctrl + s (맥 command + s) 2023. 6. 29.
wget 속도 제한 다운로드 wget 속도 제한 다운로드 wget --limit-rate=150k DOWNLOAD_LINK 속도 제한 이미지 링크 다운로드 예시 : wget --limit-rate=150k https://www.fashionn.com/files/board/2017/image/p1b7968p1h1c6010e6u5u13kd14g21.jpg 이외 기능 # url 로 다운로드 wget DOWNLOAD_LINK # 웹브라우저에서 다운받는 척 서버에서 다운 받기 $ wget --user-agent="Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.3) Gecko/2008092416 Firefox/3.0.3" DOWNLOAD_LINK # 웹브라우저 내용 중 특정 확장자 파일만 다운 받기 $.. 2023. 6. 27.
파이썬을 텍스트 데이터 엘라스틱서치 업로드 파이썬을 텍스트 데이터 엘라스틱서치 업로드 패키지 설치 # 엘라스틱서치 5.5.3 버전을 활용합니다. #!pip install elasticsearch==5.5.3 데이터 업로드(sklean에 20newsgroups 데이터를 업로드 합니다) # 패키지 불러오기 import numpy as np from sklearn.datasets import fetch_20newsgroups from elasticsearch import Elasticsearch # 20newsgroups 데이터 불러오기 data = fetch_20newsgroups() # 엘라스틱 서치 접속 es = Elasticsearch(["localhost:9200"]) for document, category_num in zip(data.da.. 2023. 6. 27.
파이썬 한번이라도 같이 등장한 값 끼리 모으기 파이썬 한번이라도 같이 등장한 원소끼리 모으기¶ In [1]: # 예시 li = [[0, 9], [0, 16], [1, 3], [3, 4], [16, 7], [20, 21], [21, 18], [9,16], [9, 0]] 숫자간 엣지를 연결 In [3]: import networkx as nx G = nx.Graph() for i in li: G.add_edge(i[0], i[1]) 클러스터 확인 In [5]: degree = nx.degree(G) nx.draw(G,node_size=[v[1]*100 for v in degree], with_labels=True) 독립적인 클러스터에 노드값 확인 In [6]: G.edges() for i in nx.connected_components(G): print.. 2023. 6. 27.