longfin

이 글은 Heinrich Hartmann 님이 작성하신 글을 한국어로 번역한 것입니다. 원문은 https://www.heinrichhartmann.com/posts/writing/ 에서 확인하실 수 있습니다.

---

글쓰기는 큰 조직에서 영향력을 발휘하는 데 중요합니다. 경력 있는 소프트웨어 엔지니어로서의 글쓰기는 직무 범위를 확장하고 경력을 발전시키기 위해 획득해야 하는 가장 중요한 기술입니다.

글쓰기는 어렵습니다. 많은 소프트웨어 엔지니어들이 글쓰기와 씨름하죠. 저도 개인적으로 문학에 대한 관심이 없기 때문에 글쓰기가 자연스럽지 않았습니다.

kairos03

시작하기 전에

본 글에서는 Google Cloud Platform을 통해서 딥러닝 모델을 학습하는 방법을 다룹니다.

1. Tensorflow를 이용하여 간단한 Fashion-MNIST 예측 모델을 만들어서 학습 시켜봅니다.
2. AI-Platform에서 제공해주는 Hyperparameter Tuning을 사용해봅니다.

이 글은 다음 독자들을 위한 글입니다.

• 머신러닝, 혹은 딥러닝 모델을 학습해 보신분.
• GCP AI-Platform을 통한 모델 학습이 처음이신 분.

GCP AI-Platform의 공식 문서와 공식 코드를 상당수 참고하였습니다.

tvst

"""Hack to add per-session state to Streamlit.

Usage
-----

>>> import SessionState
>>>
>>> session_state = SessionState.get(user_name='', favorite_color='black')
>>> session_state.user_name
''

treuille

"""
THIS HAS BEEN DEPRECATED!

We propose you use st.form() instead:

https://blog.streamlit.io/introducing-submit-button-and-forms/
"""

import streamlit as st
import collections

namishelex01

Core Information Security

• What is information security and how is it achieved?

• What are the core principles of information security?

• What is the CIA triangle?

• What is non-repudiation (as it applies to IT security)?

seopbo

YOLO9000 : Better, Faster, Stronger

본 논문 (YOLO9000)은 YOLO: You Only Look Once에서 제안한 YOLO v1 모형을 개선한 YOLO v2 모형을 제안하는 것과 더불어, Object Detection 모형들이 데이터의 한계로 인해서 Detection을 할 수 있는 Class의 개수가 적었던 문제를 극복하는 방법을 제안한 논문 입니다. 본 포스트는 YOLO9000: Better, Faster, Stronger에 기초하여 작성하였으며, 중요한 idea만 다루고 있습니다. 상세한 내용은 논문을 보시면 좋을 듯 합니다. 포스트를 작성함에 있어 PR12의 이진원님이 발표하신 영상을 참고하였습니다.

---

Abstract

본 논문에서는 9,000개 이상의 class에 대해서 Object Detection을 real-time으로 수행 할 수 있는 YOLO9000 모형을 제안합니다. 위 모형을 제안하기위해서 기존에 YOLO: You Only Look Once 에서 제안한 YOLO v1 모형을 개선한 YOLO v2 모형의 특징을 논문의 Better, Faster Section에서 기술합니다. YOLO v2 모형의 성능은 아래와 같습니다.

At 67 FPS, YOLOv2 gets 76.8 mAP on VOC 2007 At 40 FPS, YOLOv2 gets 78.6 mAP, outperforming state-of-the art methods like Faster R-CNN with ResNet and SSD while still running significantly faster.

또한 detection dataset과 classification dataset을 동시에 활용하여, Object

devxoul

#standardSQL

WITH events AS (
  SELECT "A" AS user, 100 AS time, "view" AS event
  UNION ALL SELECT "B", 200, "click"
  UNION ALL SELECT "B", 300, "view"
  UNION ALL SELECT "A", 400, "click"
  UNION ALL SELECT "A", 500, "click"
  UNION ALL SELECT "A", 600, "buy"
),

bshishov

import numpy as np

EPSILON = 1e-10


def _error(actual: np.ndarray, predicted: np.ndarray):
    """ Simple error """
    return actual - predicted

sjchoi86

tomrunia

def decode(serialized_example, sess):
    '''
    Given a serialized example in which the frames are stored as
    compressed JPG images 'frames/0001', 'frames/0002' etc., this
    function samples SEQ_NUM_FRAMES from the frame list, decodes them from
    JPG into a tensor and packs them to obtain a tensor of shape (N,H,W,3).
    Returns the the tuple (frames, class_label (tf.int64)

    :param serialized_example: serialized example from tf.data.TFRecordDataset
    :return: tuple: (frames (tf.uint8), class_label (tf.int64)