virtual 키워드를 붙인다음에 PoweredDevice(power) 생성자는 왜 넣어주는지 잘 모르겠습니다. 강의내용에서도 그냥 붙여준다고만 나와서요

안녕하세요 강사님~ 값타입을 사용하는 예제를 연습해보다 궁금한게 생겨서 질문드립니다. 예를들어 public enum Role { GUEST } 이렇게 값 타입을 활용해서 db에 다 저장되어있다가 GUEST -> NORMAL으로 인스턴스명을 변경하려고하면 db에 GUEST로 남아있는 db들은 다 벌크해줘야 하는 건가요??

현재 서울시 코로나 확진자 수를 확인해보면  1~10000명, 10000~ 현재로 구분되어있습니다. 이것을 한꺼번에 할 수는 없나요?

7분 48초 정도에 app.use('/', express.static(__dirname, 'public')) 이 줄을 쳤을대, 강의 영상 아래에 [nodemon] app crashed - waiting for file changes before starting... 라 에러가 떠있던데...  제 로컬에서도 강의영상처럼 에러가 떠서.. 혹시 어떻게 해결해야하려나요..? 

float(*pa)[4]; -> 4개의 float를 가진 배열에 대한 포인터 '1개' float* ap[2]; -> float '포인터를 2개' 가진 배열 printf("%u %u\n", (unsigned)pa, (unsigned)(pa + 1)); -> pa는 단순히 포인터이므로 주소 자체를 대입-> arr2d[0] , arr2d[1]의 주소 출력 printf("%u %u\n", (unsigned)ap, (unsigned)(ap + 1)); -> ap는 포인터의 배열, 배열의 이름은 배열의 시작 주소를 의미 -> ap[0], ap[1]의 주소(포인터 변수의 주소) 출력 제가 이해한 게 맞나요?

안녕하세요 궁금한게있는데 1분50분쯤이 이야기해주신 jar파일만 서버에서 돌리면 된다고 말씀하셨는데 서버에 아무것도 안깔고 jar 파일만 복사해서 사용해도 되는건가요 아니면 자바, 인텔리제이 등등은 깔고 jar파일을 실행시켜야하는건가요 

삭제된 글입니다

int c = 'A'; printf("%c", c); printf("%d",c); 위 printf 문 실행 결과로 'A'와 65가 정상적으로 출력됩니다. 그러나, scanf("%c",&c);  로 입력을 받으면  제 생각에는 A를 입력하면 %c 가 A를 받고, 이는 내부적을 65의 형태로 저장이 되어 변수 c에 65를 저장하고, 작은 char 자료형을 큰 int 자료형에 담았으니 문제가 없을거라 생각했습니다. 혹은 scanf("%d",&c); 로 입력을 받았을 때, 'A'가 %d를 만나 65로 바뀌어서 c 에 저장될 것이라고 생각했고, 위 두가지 경우 모두 printf 문의 형식지정자에 따라 65 혹은 'A' 로 다시 출력할 것으로 예상하였는데 전혀 다른 값이 출력되고 있습니다. 잘못된 이해가 있다면 바로잡아주시면 학습에 도움이 될 것 같습니다. 감사합니다!

model.save('경로') 를 통해 학습시킨 모델을 저장하는 것은 작동이 잘 되는 것을 확인했습니다만... 이미 저장되어 있는 모델을 load_model()함수를 통해 불러오기 할 때  아래와 같은 ValueError 가 발생하는 이유가 무엇인지 알수 있을지요? 아무래 해봐도 저는 아래와 같은 예외가 발생하면서 불러오기가 실패합니다. 구글 검색을 하다보면 Input shape 을 설정해 주면 해결된다는 답글이 있는 것도 같은데 subclassing 으로 모델 정의할 때 각 layer 별로 Input shape 을 계산해서 넣어주어야지만 load_model 기능을 사용할 수 있는건 아닐것 같은데... 답답하네요~~  제가 GTX970 으로 GPU 텐서플로우를 돌리려 하다보니 최신 버전은 GPU 가 안먹혀서 tensorflow 2.1 / CUDA10.1 을 설치해서 실습 따라오고 있었는데.... 혹시 tensorflow 나 CUDA버전에 따른 차이인 것일지요? ValueError: Could not find matching function to call loaded from the SavedModel. Got: Positional arguments (2 total): * Tensor("x:0", shape=(None, 28, 28, 1), dtype=float32) * Tensor("training:0", shape=(), dtype=bool) Keyword arguments: {} Expected these arguments to match one of the following 4 option(s): Option 1: Positional arguments (2 total): * TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='x') * False Keyword arguments: {} Option 2: Positional arguments (2 total): * TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='x') * True Keyword arguments: {} Option 3: Positional arguments (2 total): * TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='input_1') * True Keyword arguments: {} Option 4: Positional arguments (2 total): * TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='input_1') * False Keyword arguments: {}===== 아래는 full code 입니다. ==== import numpy as np import matplotlib.pyplot as plt from termcolor import colored import tensorflow as tf import tensorflow_datasets as tfds from tensorflow.keras.models import Model, Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Activation, Dropout from tensorflow.keras.losses import SparseCategoricalCrossentropy from tensorflow.keras.optimizers import Adam, SGD from tensorflow.keras.metrics import Mean, SparseCategoricalAccuracy # from utils.learning_env_setting import dir_setting, get_classification_matrics, save_metics_model, continue_setting # data pre processing def get_mnist_dataset_and_normalize(ratio, n_batch_train, n_batch_test):          def normalization(images, labels):         images = tf.cast(images, tf.float32)/255         labels = tf.cast(labels, tf.int32)         return images, labels          (train_validation_ds, test_ds), ds_info = tfds.load(name='mnist', as_supervised = True, shuffle_files = True,                                                          with_info = True, split = ['train', 'test'])     n_train_validation = ds_info.splits['train'].num_examples     n_train = int(ratio * n_train_validation)     n_validation = n_train_validation - n_train     train_ds = train_validation_ds.take(n_train)     validation_ds = train_validation_ds.skip(n_train)     train_ds = train_ds.map(normalization).shuffle(n_train).batch(n_batch_train)     validation_ds = validation_ds.map(normalization).batch(n_batch_train)     test_ds = test_ds.map(normalization).batch(n_batch_test)     return train_ds, validation_ds, test_ds class CNN_Model(Model):     def __init__(self):         super(CNN_Model, self).__init__()                  # feature extractor         self.conv1 = Conv2D(filters=8, kernel_size=5, padding='same', activation='relu')         self.conv1_maxpool = MaxPooling2D(pool_size=2, strides=2)         self.conv2 = Conv2D(filters=8, kernel_size=5, padding='same', activation='relu')         self.conv2_maxpool = MaxPooling2D(pool_size=2, strides=2)                  # Classifier         self.flatten = Flatten()         self.dense1 = Dense(units=64, activation='relu')         self.dense1_dropout = Dropout(0.5)         self.dense2 = Dense(units=10, activation='softmax')              def call(self, x):         x = self.conv1(x)         x = self.conv1_maxpool(x)         x = self.conv2(x)         x = self.conv2_maxpool(x)         x = self.flatten(x)         x = self.dense1(x)         x = self.dense2(x)         return x      @tf.function def trainer():      global model, loss_object, loss_train, acc_train, optimizer     for images, labels in train_ds:         with tf.GradientTape() as tape:             predictions = model(images)             loss = loss_object(labels, predictions)         gradients = tape.gradient(loss, model.trainable_variables)         optimizer.apply_gradients(zip(gradients, model.trainable_variables))          loss_train(loss)     acc_train(labels, predictions)      @tf.function def validation():      global model, loss_object, loss_validation, acc_validation     for images, labels in validation_ds:         predictions = model(images)         loss = loss_object(labels, predictions)          loss_validation(loss)     acc_validation(labels, predictions)      @tf.function def tester():      global model, loss_object, loss_test, acc_test     for images, labels in test_ds:         predictions = model(images)         loss = loss_object(labels, predictions)          loss_test(loss)     acc_test(labels, predictions) EPOCHS = 10 n_batch_train = 32 n_batch_test = 128 ratio = 0.8 train_ds, validation_ds, test_ds = get_mnist_dataset_and_normalize(ratio, n_batch_train, n_batch_test) model = CNN_Model() model.compile(optimizer='adam',loss = 'sparse_categorical_crossentropy', metrics =['accuracy']) history = model.fit(train_ds, validation_data=validation_ds, epochs=EPOCHS) loss_object = SparseCategoricalCrossentropy() loss_test = Mean() acc_test = SparseCategoricalAccuracy() def tester():      global model, loss_object, loss_test, acc_test     for images, labels in test_ds:         predictions = model(images)         loss = loss_object(labels, predictions)          loss_test(loss)     acc_test(labels, predictions) tester() print(colored('TEST','cyan','on_white')) print("Test Loss : {:.4f} / Test Accuracy : {:.2f}".format(loss_test.result(), acc_test.result()*100)) model.save('MyModel') model1 = tf.keras.models.load_model('MyModel') def tester():      global model1, loss_object, loss_test, acc_test     for images, labels in test_ds:         predictions = model1(images)         loss = loss_object(labels, predictions)          loss_test(loss)     acc_test(labels, predictions) tester() print(colored('TEST','cyan','on_white')) print("Test Loss : {:.4f} / Test Accuracy : {:.2f}".format(loss_test.result(), acc_test.result()*100))

밑의 사진처럼 강사님께서 설치하시라고 하는 script를 찾을 수 가없습니다 ㅠㅠ 어떻게 해야하나요?

안녕하세요 홍정모 교수님!! 질문이 있어서 여쭤봅니다. #define SIZE 5 int main() { int my_arr[SIZE]; int sum = 0; printf("Enter 5 numbers : "); for (int i = 0; i < SIZE; ++i) { scanf("%d", &my_arr[i]); sum += my_arr[i]; } printf("Sum = %d", sum); return 0; } 제가 구현한 코드입니다. 불드친 부분을 제가 my_arr 로 했을때는 sum의 값이 이상하게 출력이 되는데, 그 이유를 알고 싶습니다!! 강의에서는 &my_arr[i]와 my_arr를 같이 써도 무방하다고 하셨다고 제가 이해를 했습니다만, 어디가 어떻게 잘못되었는지 궁금합니다. 항상 좋은 강의 감사드립니다.

안녕하세요,  강의를 수강하다 궁금한 점이 있어서 연락 드립니다.  S = {s1b1 + s2b2, 0<= s1 <= 1, 0<=s2<=1}이  왜 평행사변형의 넓이인지 궁금합니다.

안녕하세요. 영상보면서 공부하는 학생입니다. 아직 많이 부족해서 이글을 올려봅니다. 140번때 줄과 맨마지막 꺼인데  error: cannot find symbol         return DataSourceUtils.getConnection(dataSource);                ^   symbol:   variable DataSourceUtils   location: class JdbcMemberRepository 라고 두개가 오류가 나고있습니다. 도와주세요 ㅠ private Connection getConnection() { return DataSource(dataSource);} private void close(Connection conn) throws SQLException { DataSourceUtils.releaseConnection(conn, dataSource);}

<!DOCTYPE html> <html lang="en"> <head>   <meta charset="UTF-8">   <meta name="viewport" content="width=device-width, initial-scale=1.0">   <title>Document</title>   <style>     .nav {       border: 1px solid black;       width: 700px;       height: 100px;       margin: auto;       text-align: center;       line-height: 100px;     }     .nav a {       /* border: 1px solid black; */       color: black;       text-decoration: none;       margin-right: 15px;       font-size: 1.5rem;       position: relative;     }     .nav a::before {       content: '';       width: 100%;       height: 3px;       background-color: royalblue;       display: inline-block;       position: absolute;       bottom: -3px;       left: 50%;       transform: translateX(-50%);     }   </style> </head> <body>   <div class="nav">     <a href="#">HOME</a>     <a href="#">ABOUT</a>     <a href="#">SERVICE</a>     <a href="#">PORTFOLIO</a>     <a href="#">CONTACT</a>   </div> </body> </html> a에 position:relative를 주고 a::before에 position:abosolute를 주면 a::before의 width:100% 값이 a의 콘첸츠 값만큼 가지는데 position을 주지않으면 nav의 width값 만큼 가집니다 왜 이렇게 작동하는지 잘 모르겠습니다 ㅠㅠㅠ 만약 a::before가상요소를 주게 되면 a::before는 a의 자식요소가 되는건가요 그리구 다른 질문인데요 .gnb li에 float:left를 주면 부모인 .gnb는 높이값을 왜 잃지 않고 가지고 있는건가요 ? ㅠ.ㅠ

선생님 코드가 막 자동으로 나와가지고 도저히 따라갈수가 없는데요... 뭐 설치하면 그렇게 코드들이 빨리 나오나요? 알려주세요 ㅠ,ㅠ

사소하지만 질문이 있습니다! Long 타입을 사용하실 때 프리미티브 타입이 아닌 래퍼 타입으로 사용하시는 이유를 알 수 있을까요?? 스프링 강의에서 잠깐 언급해 주셨던 거 같은데 기억이 안 나서 질문드립니다 ㅜㅜ 그리고 강의 너무 잘 듣고 있습니다 ㅎㅎ 좋은 강의 만들어주셔서 감사합니다:)

웹 호스팅을 사지 않으면 강의 진도에 문제가 생기나요?

안녕하세요. 윈도우사용하고있습니다. 오늘 강의결제해서 차근차근진행하고있는데, 프론트라서 백엔드부분은 아예모르는 상태에서 진행하고있습니다. npm run dev-watch 를 터미널에서 실행해봤는데 에러가 계속뜨네요.. 무엇이문제일까요..

코드를 하나하나 파면서 어떨땐 이렇게쓰고 어떤건 이렇게쓴다 하고 제가 영상보고 공부하여 추가로 쓸 글을 하나하나 정리해두려하는데(github.io) 혹시 문제가 있을까요? 있다면 어떤점은 빼고 해도되는지 아니면 아예 해서는 안되는지 궁금해서 미리 여쭤봅니다.

안녕하세요. 정말 유익한 강의 올려주셔서 감사합니다. 많은걸 배우고 있습니다, 현재 웹쉘 취약점,파일 다운로드 취약점 강의를 듣고 있는 수강생인데.. 중요한게 결국은 웹 디렉토리에 파일이 업로드 되는지 여부를 확인하는건데 혹시.. 파일이 웹 디렉토리가 아닌 다른 디렉토리에 업로드가 되면 웹쉘 실행이 안되는건가요?? 만약 그런거면 해당 이유를 정확히 알고싶습니다. 항상 좋은 강의 올려주셔서 감사합니다. 다음 강의도 기대하고 있습니다~ 답변부탁드립니다.