이 연습 문제는 머신 러닝이 아니고 PyTorch 사용법을 익히기 위한 단순한 계산 및 그래픽 처리 과정이다. PyTorch 설치 이전에 Anaconda TensorFlow 설치 과정에서 종속적인 라이브러리 모듈로서 numpy 와 matolotlib 가 이미 설치되어 있음을 상기하자. 물론 윈도우즈 7 버전에서는 Python 3.6 버전을 3.5 버전으로 대체하는데

작년 가을에 지금은 캐나다로 이민 가버린 지인과 수원 광교산 에 올랐서 찍었던 억새풀 전경이군요. 오래동안 전화 통화도 하지 못해 많이 그리워지는군요. Missing my friend who immigrated to Canada, I did't phonecall with him so long. This was the landscaped scene seeing

블루투스 통신에 의해서 RC카인 아두이노 밸런싱 로봇을 앱인벤터 코드로 제어할 수도 있으며 아울러 라즈베리 파리 보드에서 파이선 코드나 또는 Processing 코드에 의해서도 밸런싱 로봇 제어가 가능하다. 이 밸런싱 로봇에 색상을 Tracking 하는 OpenCV 파이선 코드를 라즈베리 보드에 탑재하고 아두이노 HC-06 블루투스 보드와 통신하여 컬러 볼을

PyTorch는 MNIST 연구에 많은 업적을 남긴 LeCun이 현재 AI 연구그룹 리더로 활동 중인 Facebook에서 오픈소스로 제공하는 머신 러닝 지원 언어로서 오래 전에 나온 TensorFlow 보다 성능이 뛰어나다는 소문이 있다. LeCun 이 1990년대부터 CNN의 선구자였다는 사실을 알면 그가 활동하는 공간에서 생성된 PyTorch 도 뭔가를

선형 hypothesis를 사용하는 단일 퍼셉트론에 의해서 XOR 논리 처리 결과 hypothesis 출력 값이 분류가 불가능한 0.5 의 값이 항상 얻어진다. 이에 대한 궁극적인 해결책으로 NN(neural network) 기법이 제시되었지만, 이와는 달리 전통적인 linear regression 기법을 탈피하여 quadratic regression 기법을

CNN이 지금까지 다루어 보았던 NN 코드보다 구조도 복잡하고 길이가 길어 처음 접할 경우 상당히 복잡하다고 느낄 수도 있을 것이다. 이미 임의의 숫자 이미지 예제를 통해 CNN 코드 구조 자체는 소개를 하였으나 아무래도 임의의 숫자 이미지라고 하는 것은 우리 감각에 와 닿지는 않는 듯하다. 완전한 MNIST 문제의 CNN 인식 코드를 사용하기 전에 MNIST의

같은 대상을 보고 서로 다른 이미지로 인식하게 되는 흥미로운 사례를 살펴보자. 당신은 위 그림에서 검은 색 두 대머리가 마주 보고 있다는 것을 인식할 수 있는가? 아니면 가운데 백색의 와인 잔을 인식할 수 있나요? 어느 것으로 인식이 되더라도 당신의 시지각 기능은 정상이다. 만약 두 종류의 대상이 동시에 인식되나요? 녜 안 된다면? 그래도 당신은 정상이다.

요즈음 보급되는 라즈베리파이3 B/B+ 보드에는 Processing이 기본으로 설치되어 있다. Processing 은 계속 사용해 본 결과 그래픽 지원 성능이 대단히 우수한데 아두이노 코딩이 가능할 정도면 얼마든지 코딩이 가능하다. 아직은 라즈베리 파이에서 파이선 3 버전과 함께 설치되어 있는 OpenCV를 사용하여 Color Ball Tracking 이 가능한

컨볼루셔널 뉴럴 내트워크(CNN)는 MNIST 수기숫자 인식 문제를 연구했던 LeCun에 의해서 꽃을 피우게 된다. MNIST 수기 숫자들은 텍스트가 아니라 사진 이미지이기 때문에 동식물이나 사람의 얼굴처럼 일단 그래픽으로 봐야 한다. 따라서 Filtering, Pooling 및 Backpropagation 적용으로 MNIST 문제의 인식률이 상당히 개선되었으며

TensorFlow를 사용하여 CNN을 MNIST 수기 숫자 인식 문제를 다루어 보기 위한 준비 단계로서 아래 그림에서처럼 흑백 명암 픽셀로 구성된 단순 수치 이미지를 대상으로 CNN 코딩 절차를 간단히 따라가 보기로 한다. 코딩 연습이니까. 이 코딩 연습은 anaconda 가 설치된 윈도우즈10 PC를 기준으로 한다. 아나콘다 설치 시에 이 2가지 라이브러리

하드포크를 곧 앞두고 있는 비트코인 캐쉬의 대지분 보유 고래인 크레이 진영과 우지한 진영간의 심각한 갈등이 촉발되었다. 크레이 측의 일방적인 주도에 불만을 품고 협조할 생각이 없는 우지한 측은 중국에 채굴공장을 크게 운영 중이지만 중국 정부의 규제 강화로 상황이 점점 악화되고 있는 상황에서 뭔가 세 불리함을 느끼게 되어 자신이 주도하는 비트코인 캐시쪽으로 채굴

정말 많은 개인투자자들이 진입해 있는 시장인데 암호화폐의 핵심 역할을 하던 비트 코인 가격이 그것도 비트코인을 많이 보유한 고래들간의 갈등으로 인해 폭락하였다는군요. 원래 암호화폐로서 요구받는 기본적인 자격 요건 중의 하나가 탈중앙화(Decentralization)가 아니었던가요? Fiat 실물 화폐라면 중앙화된 은행이나 IMF 와 같은 금융기관들이 나서서

머신 러닝의 여러 가지 문제 중에서 CNN(Convolutional Neural Network)에 다다르게 되면 왜 이렇게 복잡한 코딩을 하는지 이해하기가 무엇보다 어렵다고 생각할지도 모르겠다. 그럴 때면 항상 머신 러닝의 발전과정을 단계적으로 돌이켜 볼 필요가 있다. 1940년대 초 이미 McCulloch 과 Pittsdp 의해 신경병리학적인 관찰 결과를

본 동영상 데모는 OpenCV 버전 3을 설치한 라즈베리 파이 보드에서 무선 즉 Bluetooth 기능을 사용하여 밸런싱 로빗을 제어하기 위해 개발된 데모 코드이다. 라즈베리 파이에서는 터미널에서 블루투스를 Pairing 하기 위한 기본 적인 작업에 관해서는 며칠 전에 포스팅을 마쳤으니 다음의 주소를 참조하기 바란다. PiCamera OpenCV 컬러오브젝트

9X9 매트릭스에 표현된 이미지 “X”를 식별하기 위해서 3개의 컨볼루셔널 필터를 사용해 적용하여 다음과 같이 각 필터의 특징을 그대로 반영한 3개의 7X7 이미지 매트릭스가 성공적으로 생성되었다. 메모리 용량 측면에서 보면 81 픽셀 이미지 데이터에서 49픽셀 이미지 데이터 3세트가 생성되었으므로 원래 이미지의 거의 2배에 가까운 147 픽셀 이미지 데이터를

MNIST 문제에서처럼 수기 숫자 데이터를 샘플해서 DB를 만들 듯이 알파벳 문자도 비슷하게 처리하면 되지 않겠느냐? 고 반문할 수도 있을 것이다. 다음의 MNIST 수시 숫자 샘플들을 살펴 보자 뭔가 인위적인 느낌이 많이 나지 않는가? 그렀다. 이 수기숫자 DB 구성을 위해서 숫자 하나당 크기 방향 굵기를 비롯하여 많은 요인들이 이미 관리 된 상태에서 샘플된

우리가 생각하기에 머신 러닝은 엄청난 속도로 발전하는 것처럼 생각하기 쉬우나 사실은 그 정반대다. 1957년에 코넬 대학의 Rosenblatt이 시제작하여 시연한 퍼셉트론으로부터 시작되었으며 동시에 퍼셉트론과는 직접적인 관계는 없었지만 1959년 하바드 의과대학의 후벨 박사가 고양이 시각 피질 반응에 대한 연구를 통해 사물의 특징을 추출해내는 시각적 인식에

라즈베리 PiCamera 에 의한 컬러 tracking 밸런싱 로봇과 비슷한 방식의 RC카 를 디자인해보기로 한다. 이 디자인 차체의 정체는 샤프 그래픽 계산기의 커버를 사용했다. 이런 형태로 FOMAX 재료로 제작할까 생각도 해보았지만 사실 두께 문제가 있어서 이 정도로 만들기는 쉽지 않아 보인다. 주변에 잘 살펴보면 괜찮은 재활용 플라스틱 하우징이 있을

사실 어제 블루투스를 어디선가 구해다가 설치해서 Processing 코드를 사용하여 직접 아두이노 우노보드의 HC-06 블루투스 보드를 통해 LED ON OFF 제어를 해봐야겠다고 마음을 먹었었다. 하지만 여뉘 때처럼 인터넷 구매 신청 후 며칠을 기둘려 물건을 받아서 작업을 하기에는 어제처럼 날씨가 좋지 않아서 그랬던지 다소 위축이 되어 마음이 동하질 않았다.

컬러 tracking 밸런싱 로봇의 구상 밸런싱 로봇 RC카를 조종하기 위해서는 아두이노 HC-06 블루루투스 보드에 의해 Serial.read() 명령을 통해 제어 데이터를 수신할 필요가 있다. 이미 앱 인벤터 블루투스 코딩을 사용하여 밸런싱 로봇을 직접 스마트폰에서 자유롭게 조종할 수 있다. 다음 단계로 밸런싱 로봇이 PiCamera 촬영을 통해 컬러 오브젝트를