강사님 안녕하세요? 10년전 쯤 파이썬 머신러닝 완벽가이드, CNN 완벽가이드를 수강하고 많은 도움을 받았는데, Transformer 강의를 내셨길래 반가운 마음으로 바로 구매했습니다 ㅎㅎ 회사에서 RAG 를 종종 구현하고 있는데.. 예시로 들어주신 BERT 모델은 RAG 구현 중 리트리버에 해당한다고 이해하면 될지요? 그리고 BERT 모델을 fine tuning 하고자 한다면 pre trained 모델의 tokenizer 와 model 둘 다 불러온 후, tokenizer 의 vocab 에 mapping 되어 있는 token 들을 ids 토시하나 틀리지 않고 있는 그대로 사용하되, 사내 내부 용어만 이후 ids 에 추가해서 사용하고, model 에 몇 개의 추가 layer 를 쌓아서 fine tuning 한다면, 처음부터 학습시키는 것보다 좀 더 효율/효과적인 방안이 될 수 있을지.... 도 궁금합니다. RAG 를 구현하다보면, 외부에서 사전학습된 모델이 사내 문서의 특수한 약어나 내부 고유기술 용어를 인지하지 못해서 필요한 문서들을 못 물어 오는 경우를 가끔 보고 있어서.... 생성을 위한 LLM 모델이야 요즘 너무 첨단을 향해 가고 있는데, 리트리버 에 대한 최적화는 회사나 도메인 별로 필요한 것이 아닐까... 생각하고 있었습니다만, 제가 이해한 개념이 맞을지 문의 드려 봅니다.
안녕하세요. "주식 자동 매수 스케줄러 구축 2" 챕터 강의에서 아래와 같이 자동 매수 프로세스를 수동으로 트리거 API 호출했습니다. post /purchase/trigger trigger_auto_purchase() 함수 호출 API 응답 상태 코드: 200 API 응답 본문: {"rt_cd":"1","msg_cd":"40910000","msg1":"모의투자 주문이 불가한 계좌입니다."} 2026-02-18 18:04:16,130 - stock_scheduler - ERROR - 메타(META) 매수 주문 실패: 모의투자 주문이 불가한 계좌입니다. 위와 같이 응답 결과를 받았는데 영상을 보니 같은 모의 투자를 하신 것으로 보이는데 어떻게 주문 성공 처리되신건지 궁금합니다.
안녕하세요, 강사님 강의 열심히 잘 듣고 있습니다. visionTransformer생성 부분에서, 제가 잘못 이해하였는 것일 수 있으나, class VisionTransformer(nn.Module): def init (self, img_size, patch_size, num_layers, num_heads, embed_dim, mlp_dim, attention_dropout, dropout, num_classes=1000): super().__init__() #Patch Embedding 모듈, class token, position embedding 파라미터 생성. self.patch_embedding = PatchEmbedding(img_size=img_size, in_channels=3, patch_size=patch_size, embed_dim=embed_dim) self.class_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) seq_length = (img_size // patch_size) ** 2 self.pos_embed = nn.Parameter(torch.empty(1, seq_length+1, embed_dim).normal_(std=0.02)) #Encoder 생성. self.encoder = Encoder(num_layers=num_layers, num_heads=num_heads, embed_dim=embed_dim, mlp_dim=mlp_dim, attention_dropout=attention_dropout, dropout=dropout) #최종 classification Linear Layer 생성 self.head = nn.Linear(embed_dim, num_classes) def get_patch_class_pos_embedding(self, input_tensor): patched_tensor = self.patch_embedding(input_tensor) batch_size = patched_tensor.shape[0] # batch_size 만큼 class token을 증식하고 patch embedding 된 patched_tensor의 맨 앞에 concat batch_class_token = self.class_token.expand(batch_size, -1, -1) patch_class_embed = torch.cat ([batch_class_token, patched_tensor], dim=1) # position embedding을 더함. patch_class_pos_embed = patch_class_embed + self.pos_embed return patch_class_embed 마지막 return 부분이 patch_class_embed가 아닌 patch_class_pos_embed로 수정되어야 할 것 같습니다. 파라미터 사이즈에는 영향이 없으나 버그가 발생할 수 있을 것 같아 이렇게 글 남깁니다. 항상 좋은 강의 감사드립니다. 혹시나 의도하신 것이라면 제가 잘못 이해한 것이니 바로 잡아주시길 바랍니다. 감사합니다.
강사님 안녕하세요! 캐글 nucleus segmentation 챌린지 코드를 runpod에서 그대로 실행하던 중, 디버깅에 몇시간 고민하고 질문드립니다. (강사님 깃헙에서 받은 그대로 실행했는데 runpod에서 에러가 발생하였습니다) 모델 학습을 위해 에포크를 돌리는 부분에서 첫번째 에포크를 다 돌기도 전에 (총 12회 예정이었음) 에러가 발생합니다. inference 직전에서요! 구글과 gpt에서 열심히 몇번 검색하며 찾아보니, 폴리곤 좌표가 pycocotools가 기대하는 형식(짝수 길이의 플랫 리스트)가 아니기 때문이라고 하는데, 해결에 어려움이 있습니다. 에러의 내용은 다음과 같이 나왔습니다. File "/content/mmdetection/mmdet/datasets/pipelines/ loading.py ", line 306, in poly2mask rles = maskUtils.frPyObjects(mask ann, img_h, img_w) File "pycocotools/_mask.pyx", line 309, in pycocotools._mask.frPyObjects Exception: input type is not supported. import os.path as osp mmcv.mkdir_or_exist(osp.abspath(cfg.work_dir)) # epochs는 config의 runner 파라미터로 지정됨. 기본 12회 train_detector(model, datasets_train, cfg, distributed=False, validate=True)
내가 타이타닉에 탔었다면?! PyTorch & Next.js로 생존 확률 예측 AI 웹 서비스 만들기
안녕하세요! 코드 중에서 이해 안가는 부분이 있어 질문드립니다. fig = px.sunburst(df, path=["Pclass", "Sex", "SurvivalStatus"], values="PassengerId", # 각 조각의 크기를 승객 수로 설정 title="Hierachical View of Survival by Class and Sex", color="Survived", color_discrete_map={1:'gold', 0:'darkblue'}) fig.show() 여기에서 values="PassengerId", # 각 조각의 크기를 승객 수로 설정 이라고 하셨는데 PassengerId는 단순 인덱스 개념이 아닌가요? 왜 사람 수를 의미하게 되는지 이해가 잘 가지 않습니다.
안녕하세요 좋은 강의 내용 잘 듣고 있습니다. Detection 프로젝트를 진행하면 학습 시에는 labeling 된 ground truth가 있기 때문에 Precision이 쉽게 산출될 수 있지만, 추론 시에는 labeling 된 ground truth가 없기 때문에 추론 결과 이미지를 눈으로 직접 보면서 판단하여 precision score를 측정해야 하는 게 맞을까요?
안녕하세요 강사님, mmdetection mask rcnn inference 실습 시 runpod 템플릿 관해서 질문드립니다. 어느덧, 강의 막바지입니다. 강사님의 깃허브 runpod referal 파일 안에서 mmdetection v2, ultralytics yolo v3, yolov5, efficientdet 네가지 중 mmdetection v2 템플릿을 deploy하는 것이 맞는지 확실하게 하고자 질문드립니다.
runpod에서 jupyter notebook을 띄워 yolov3-train_incredibles.ipynb 실습 중 import os, sys from google.colab import drive drive.mount('/content/gdrive') 코드 실행 시 No module named 'google.colab' 이란 에러가 납니다.
- 학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! - 먼저 유사한 질문이 있었는지 검색해보세요. - 강의 내용을 질문할 경우 몇분 몇초의 내용에 대한 것인지 반드시 기재 부탁드립니다. - 서로 예의를 지키며 존중하는 문화를 만들어가요. - 잠깐! 인프런 서비스 운영 관련 문의는 1:1 문의하기를 이용해주세요. 강사님 안녕하세요! 제 상황에 적합한 강의 및 공부를 선택하고 싶어서 질문드립니다,,! 현재 '개정판 딥러닝 컴퓨터 비전 완벽 가이드' 강의 완강을 앞두고 있습니다! 개강이 한 달 정도 남았는지라(4학년), 공부를 더 해볼까 하는데요 첫 번째로, 저는 코딩테스트를 공부해본 적이 없습니다. 자료구조나 알고리즘은 학교에서 배웠지만 코딩테스트를 위한 공부를 해본 적이 없습니다. 기초 코딩 실력을 기르기위해 코딩테스트 공부를 할까 고민하고있습니다.(학부 취업을 원합니다. 진로는 비전쪽 희망합니다.) 두 번째로, 컴퓨터 비전 강의를 듣는 동안에 데이터 프레임을 다루는 코드나, 넘파이 배열 다루는 코드가 종종 있었습니다.(커스텀 데이터셋 변환 어려웠습니다,,) 이것에 익숙하지않아서 '개정판 파이썬 머신러닝 완벽 가이드' 이 강의를 들어야하나 고민하고있습니다.(강의에서 배우는 분류 회귀 차원축소 군집화 등은 이론으로 한차례 배웠습니다. 다만 구현해본 적은 없습니다.) 마지막으로, 졸업작품(detection, segmentation)을 만들어야하기 때문에 CNN에 대한 더 깊은 이해가 필요할 것 같아, '딥러닝 CNN 완벽 가이드(토치버전)' 이 강의를 듣는게 나은지 고민중입니다,, 로드맵을 스스로 짜지 못하고,, 강사님께 여쭙는 제 자신을 깊이 반성합니다,, 스스로 로드맵을 그려보려 노력했지만, 답없는 고민의 연속이 고통스러워, 현직에 계신 강사님의 식견을 여쭙는 것이 가장 확실할 것 같아 실례를 무릅쓰고 질문드렸습니다. 바쁘시겠지만 답변 주시면 큰 힘이 될 것 같습니다. 좋은 강의 항상 감사드립니다!
https://github.com/chulminkw/DLCV_New/blob/main/faster_rcnn/runpod/mm_faster_rcnn_train_kitti.ipynb 안녕하세요 수업이 매우 유익하여 잘 듣고 있습니다. kitty데이터를 이용하여 mmcv를 연습하는 깃허브 코드에서는 mmcv 설치코드가 따로 되어있지 않습니다. 캐글 코드에 있는 mmcv설치 코드를 붙여넣어봤지만 오류가 나서 여쭤봅니다 . ㅠㅠ
안녕하세요 선생님. 오늘도 너무나 재밌게 잘 배우고 있습니다. 감사드립니다. 현재 시간 관계상, 섹션4(RCNN계열)까지 수강 후 섹션7(SSD)를 수강중입니다. 강의 내용을 누락시킨 채 질문을 드리는 것이 아니었으면 좋겠습니다. 제가 이해한 바 Faster-RCNN에서 RPN은 image 원본이 아닌 feature map을 입력을 받는다. RPN 내에서 Positive Anchor들에 대해서만 학습을 수행한다. 일 때 학습 시에, RPN내에서 특정 anchor의 Positive 판단이 된다면, 해당 anchor 위치에 어떤 객체 A의 GT가 IoU 기준에 부합하다는 것이 판단되어야 할텐데, RPN 내에서는 feature map 을 입력으로 받고 있으니 내부에서 A 객체의 GT와 anchor 의 IoU를 계산하기 위해선 GT(image 좌표계), anchor(feature 좌표계)를 비교해야 할 텐데 이건 너무 번거로운 일이 아닌가 생각이들었습니다. 위 내용이 틀렸다면 RPN 이전 벌써 anchor 가 존재하고(혹은 설계 가정), 매 학습 이미지가 들어올 때마다 각 anchor 의 라벨정보를 미리 구해놓은 뒤 역전파 시점에서 해당 라벨 정보를 가지고 RPN의 손실 함수 계산에 해당 라벨정보를 포함시킬 수 있겠다라고 생각을 했습니다. 하지만 이런 경우 이 anchor의 positive 처리 과정이 network 내로 들어올 수 없고 Keras 와 같은 framework 구성으로 들어와야하지 않을까 하는 생각이 들었습니다. network 에는 처리 소스코드를 넣을 수 없으니까요. (특정 구조로 가능할런지는 모르겠습니다) 질문입니다. RPN 내에서 Anchor Positive 처리가 이뤄지나요?