import syssys.stdin=open('input.txt', 'rt')n, m = map(int, input().split())a = list(map(int, input().split()))cnt = 0b = list()for i in a: b.append(i) sum1 = sum(b) if(sum1==m): cnt+=1 b.pop(0) elif(sum1>m): while(sum(b)>m): b.pop(0) if(sum(b)==m): cnt+=1print(cnt)스택으로 풀어봤는데요. 강사님의 알고리즘이 훨씬 더 좋아보이네요

아래와 같이 폰트 에러가 나는데요. 인터넷찾아보니, 나눔고딕설치하면 된다고 가이드가 있던데, 해결이 안되서요. 혹시 어떻게 해결할 수 있을까요?? 사용OS는 아이맥입니다. 강의와 관련있는 질문을 남겨주세요.• 강의와 관련이 없는 질문은 지식공유자가 답변하지 않을 수 있습니다. (사적 상담, 컨설팅, 과제 풀이 등)• 질문을 남기기 전, 비슷한 내용을 질문한 수강생이 있는지 먼저 검색을 해주세요. (중복 질문을 자제해주세요.)• 서비스 운영 관련 질문은 인프런 우측 하단 ‘문의하기’를 이용해주세요. (영상 재생 문제, 사이트 버그, 강의 환불 등) 질문 전달에도 요령이 필요합니다.• 지식공유자가 질문을 좀 더 쉽게 확인할 수 있게 도와주세요.• 강의실 페이지(/lecture) 에서 '질문하기'를 이용해주시면 질문과 연관된 수업 영상 제목이 함께 등록됩니다.• 강의 대시보드에서 질문을 남길 경우, 관련 섹션 및 수업 제목을 기재해주세요. • 수업 특정 구간에 대한 질문은 꼭 영상 타임코드를 남겨주세요! 구체적인 질문일수록 명확한 답을 받을 수 있어요.• 질문 제목은 핵심 키워드를 포함해 간결하게 적어주세요.• 질문 내용은 자세하게 적어주시되, 지식공유자가 답변할 수 있도록 구체적으로 남겨주세요.• 정확한 질문 내용과 함께 코드를 적어주시거나, 캡쳐 이미지를 첨부하면 더욱 좋습니다. 기본적인 예의를 지켜주세요.• 정중한 의견 및 문의 제시, 감사 인사 등의 커뮤니케이션은 더 나은 강의를 위한 기틀이 됩니다. • 질문이 있을 때에는 강의를 만든 지식공유자에 대한 기본적인 예의를 꼭 지켜주세요. • 반말, 욕설, 과격한 표현 등 지식공유자를 불쾌하게 할 수 있는 내용은 스팸 처리 등 제재를 가할 수 있습니다. 

안녕하세요, sns.barplot에서 순서대로 정렬하려고 아래와 같이 시도를 해보았는데 정렬이 되지 않습니다. stackoverflow에 찾아보면, groupby.values_sort 코드를 추가한 뒤에 sns.barplot(order="")에 추가하라고 나오는데, 더 간단한 방법은 없는건가요?

삭제된 글입니다

참조나 포인터를 통한 다형성 구현은 허용되고  영상에서의 b = d와 같이 대입을 통한 다형성 구현이 허용되지 않는 이유가 뭔지 궁금합니다. 

# 손님을 부르고 주문한 손님이 맞는지 확인(조건에 만족하는 손님이 나올 때까지 무한 반복) customer = "토르" person = "unknown" while person != customer:    print("{0}님, 커피가 준비되었습니다. ".format(customer))    person = input("이름이 어떻게 되세요? ")    if person == "토르":     print("맛있게 드세요!")     else:     print("토르 님이 아닙니다.") 아래 게시글을 읽고 궁금해서 저 또한 작성해봤는데 else: 문장에 대해 오류가 자꾸 뜹니다. 왜 이러는 건지 알려주실 수 있나요?

조금 황당한 질문일 수도 있는데요. Grad CAM 에서 왜 ac k를 wc k * 1/N으로 놓았을까요?

실행시 저런 문구가 뜨는데 어떻게 해결할 수 있을까요?

안녕하세요 강의 잘 듣고 있습니다. 강의하신대로 따라했는데 카드가 제대로 출력이 잘 안되는데 강의 소스를 실행해도 잘 카드가 제대로 출력이 안되네요 혹시 소스 다시 한번 확인해시면 감사하겠습니다. 감사합니다.

안녕하세요. 슬랙 초대링크가 1/11 만료로 떠서 제 이메일 주소를 남기려고 합니다. 초대해주시면 감사하겠습니다! 소중히 준비해주신 강의, 열심히 듣겠습니다. 감사합니다.

안녕하세요 제로초님 강의잘 듣고 있는 수강생입니다. 로또추첨에서   useEffect  크롬 개발도구 창에서 콘솔을 보면 Lotto.jsx:25 (7) [9, 10, 11, 12, 13, 14, 15] , (7) [148, 149, 150, 151, 152, 153, 154] 이런식으로 배열안에 값이 나오는데 저 값이 어떻게 나오고 뭔지를 잘모르겠습니다 ...

q를 입력해야만 끝나고 다른 문자열을 입력했을때는 안끝나고 싶어서 이리저리 해봣는데... q라고해도 결국 정수113과 q를 컴퓨터는 같은 것으로 인지하기 때문에 실패했습니다. 선생님이 보여준 강의예제에서는 q말고도 다른 문자 즉 int(%d)로는 받을 수 없는 문자를 입력했을 때 어떤 문자든 종료가 되었습니다. %d로 받았기 때문에 문자가 자동으로 정수화가 이루어지지 않는 것 같은데 이것은 'q' 버튼 하나만을 종료로 만들기에는 어려움이 있네요... 만약 받은 것을 불러와서 while문 조건으로 비교 할때 내가 입력한 것을 문자인지 숫자인지 확인이 가능하면 좋겠습니다. 이런방법이 있을까요??그리고 선생님 이전강의에서 형식지정자 %c는 printf 에서는 문자로 출력하고 숫자로출력하려면 %hhd를 이용해야해서 %hhd로 스캔f받아봤지만 이것도 아니네요 ㅠㅠ

혹시 인텔리j 커뮤니티 버전 사용해도 무방할까요?

웹 서버, 즉 http는 80번 포트로 연결된다고 알고있는데, 스프링 부트에서 동작하는 톰캣은 왜 8080번 포트로 연결되는 것이 기본값 인가요?

.isin의 역할이 무엇인가요?

안녕하세요 캡틴판교님 강의 열강하고 있는 수강생입니다. 다름 아니라 강좌에 대한 교육안내문 혹은 커리큘럼이 pdf 파일로 있을까요? 확인 부탁드려요~

reducer폴더의 post.js에서  case LOAD_POSTS_SUCCESS:       draft.loadPostsLoading = false;       draft.loadPostsDone = true;       draft.mainPosts = draft.mainPosts.concat(action.data);       draft.hasMorePosts = action.data.length === 10;       break; 이 코드를 case LOAD_POSTS_SUCCESS:       draft.loadPostsLoading = false;       draft.loadPostsDone = true;       draft.mainPosts = action.data;       draft.hasMorePosts = action.data.length === 10;       break; 이와같이 바꿔봤는데 똑같이 작동하더라구요? draft.mainPosts = draft.mainPosts.concat(action.data); draft.mainPosts = action.data; 이 둘의 차이점이 무엇인지 궁금합니다. 첫번째것은 mainPosts에 콘캣해서 배열을 합치는 것이고 두번째에서 action.data도 같은 기능을 하는것 같은데 무엇이 차이일까요?

노란색 삼각형에 느낌표가 떴어요....!  상관 없는 건가요? 어쨌든 잘 작동하기는 해요....! 

삭제된 글입니다

안녕하세요? 알찬 교육에 정말 감사드립니다. trainer(), validation(), tester() 함수를 정의해서 학습을 시킬때... 그냥 학습시키면 작동이 되는데, @tf.function 데코레이터만 붙여서 사용하면 ValueError 예외가 발생하는데요, 집의 컴퓨터에서 돌릴때와 코랩에서 돌릴 때 동일한 issue 가 생깁니다.  만약  for epoch in range(EPOCHS): 이후의 코드 대신에  model.compile(optimizer='adam',loss = 'sparse_categorical_crossentropy', metrics =['accuracy']) history = model.fit(train_ds, validation_data=validation_ds, epochs=EPOCHS) 와 같이 model.compile 이나 model.fit 을 통해서 학습시키는 경우에는 @tf.function 데코레이터가 제대로 작동합니다; 제가 만든 아래 코드 중에서 뭐가 문제일까요?? ㅠㅠ 그리고 학습 데이터 뿐아니라 validation 이나 test data 도 100% 예측성능이 나와서 제대로 한것이 맞나도 모르겠네요 ㅠㅠ 코드를 한번 점검해 주실 수 있으실지.... 문의 드립니다. --------------------------------------------------------------------------- ValueError Traceback (most recent call last) <ipython-input-1-896c4f98ef4d> in <module>() 120 121 for epoch in range(EPOCHS): --> 122 trainer() 123 validation() 124 8 frames /usr/local/lib/python3.6/dist-packages/tensorflow/python/framework/func_graph.py in wrapper(*args, **kwargs) 975 except Exception as e: # pylint:disable=broad-except 976 if hasattr(e, "ag_error_metadata"): --> 977 raise e.ag_error_metadata.to_exception(e) 978 else: 979 raise ValueError: in user code: <ipython-input-1-896c4f98ef4d>:91 trainer * for images, labels in train_ds: /usr/local/lib/python3.6/dist-packages/tensorflow/python/autograph/operators/control_flow.py:424 for_stmt iter_, extra_test, body, get_state, set_state, symbol_names, opts) /usr/local/lib/python3.6/dist-packages/tensorflow/python/autograph/operators/control_flow.py:719 _tf_dataset_for_stmt _verify_loop_init_vars(init_vars, symbol_names) /usr/local/lib/python3.6/dist-packages/tensorflow/python/autograph/operators/control_flow.py:193 _verify_loop_init_vars raise ValueError(error_msg) ValueError: 'predictions' must be defined before the loop. --- 아래 부터 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 # 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(1000).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 # hyper parameter 와 인스턴스 정의 EPOCHS = 10 n_batch_train = 32 n_batch_test = 32 ratio = 0.8 LR = 0.001 # 데이터 불러오기 train_ds, validation_ds, test_ds = get_mnist_dataset_and_normalize(ratio, n_batch_train, n_batch_test) 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.dense1_dropout(x)         x = self.dense2(x)         return x      # 각종 인스턴스 정의 model = CNN_Model() loss_object = SparseCategoricalCrossentropy() optimizer = Adam(learning_rate=LR) loss_train = Mean() loss_validation = Mean() loss_test = Mean() acc_train = SparseCategoricalAccuracy() acc_validation = SparseCategoricalAccuracy() acc_test = SparseCategoricalAccuracy() @tf.function def trainer(): # 하나의 epoch 내에서 학습데이터로 모델 학습시키는 함수     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(): # 하나의 epoch 내에서 학습데이터로 모델 학습시키는 함수     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(): # 하나의 epoch 내에서 학습데이터로 모델 학습시키는 함수     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)      for epoch in range(EPOCHS):     trainer()     validation()          print(colored('Epoch','red','on_white'), epoch+1)     print("Train Loss : {:.4f} / Train Accuracy : {:.2f}".format(loss_train.result(), acc_train.result()*100))     print("Validation Loss : {:.4f} / Validation Accuracy : {:.2f}".format(loss_validation.result(), acc_validation.result()*100))          loss_train.reset_states()     loss_validation.reset_states()     acc_train.reset_states()     acc_validation.reset_states() tester() print(colored('TEST','cyan','on_white')) print("Test Loss : {:.4f} / Test Accuracy : {:.2f}".format(loss_test.result(), acc_test.result()*100)) 아래 결과가 @tf.function 를 지우고 돌렸을 때의 결과 입니다. 정상적으로 학습이 되는데Validation Accuracy 나 Test Accuracy 가 100% 로 나오는데... 원래 MNIST 정도의 데이터는 이렇게 잘 맞는 건가요?? ;; ================= Epoch 1 Train Loss : 0.2663 / Train Accuracy : 96.88 Validation Loss : 0.1054 / Validation Accuracy : 96.88 Epoch 2 Train Loss : 0.0721 / Train Accuracy : 100.00 Validation Loss : 0.0400 / Validation Accuracy : 100.00 Epoch 3 Train Loss : 0.0665 / Train Accuracy : 100.00 Validation Loss : 0.0373 / Validation Accuracy : 100.00 Epoch 4 Train Loss : 0.0575 / Train Accuracy : 96.88 Validation Loss : 0.0157 / Validation Accuracy : 100.00 Epoch 5 Train Loss : 0.1948 / Train Accuracy : 90.62 Validation Loss : 0.0192 / Validation Accuracy : 100.00 Epoch 6 Train Loss : 0.0520 / Train Accuracy : 96.88 Validation Loss : 0.0250 / Validation Accuracy : 100.00 Epoch 7 Train Loss : 0.0365 / Train Accuracy : 100.00 Validation Loss : 0.0134 / Validation Accuracy : 100.00 Epoch 8 Train Loss : 0.0342 / Train Accuracy : 100.00 Validation Loss : 0.0166 / Validation Accuracy : 100.00 Epoch 9 Train Loss : 0.0837 / Train Accuracy : 96.88 Validation Loss : 0.0062 / Validation Accuracy : 100.00 Epoch 10 Train Loss : 0.0166 / Train Accuracy : 100.00 Validation Loss : 0.0112 / Validation Accuracy : 100.00 TEST Test Loss : 0.0096 / Test Accuracy : 100.00