안녕하세요 오늘의 주제는 인공지능이 바꾸는 미래의 삶 입니다. 인공지능이 바꾸는 미래의 삶 인공지능(AI)은 우리의 삶에 점점 더 깊숙히 들어오고 있습니다. 스마트폰, 자동차, 가전제품, 의료, 교육 등 다양한 분야에서 인공지능이 우리의 편리함과 효율성을 높여주고 있습니다. 그러나 인공지능이 우리의 삶을 어떻게 바꿀 것인지는 아직 잘 알려져 있지 않습니다. 이 글에서는 인공지능이 미래의 삶에 미칠 영향에 대해 알아보겠습니다. 인공지능이 바꾸는 일과 취업 인공지능은 우리의 일과 취업에 큰 변화를 가져올 것입니다. 인공지능은 단순하고 반복적인 업무를 대신해줄 수 있기 때문에 많은 직업이 사라질 수 있습니다. 예를 들어, 고객 서비스, 번역, 회계, 법률 등의 분야에서 인공지능이 인간의 역할을 대체할 수 있습..

webui-user.bat에다가 --enable-insecure-extension-access 이걸 추가하십시오 @echo off set PYTHON= set GIT= set VENV_DIR= set COMMANDLINE_ARGS=--xformers --opt-split-attention --autolaunch --enable-insecure-extension-access call webui.bat

RuntimeError: CUDA out of memory. Tried to allocate 192.00 MiB (GPU 0; 15.90 GiB total capacity; 14.92 GiB already allocated; 3.75 MiB free; 15.02 GiB reserved in total by PyTorch) 이런 에러가 발생하는 이유는 batch size가 너무 크거나, 코드 상에서 메모리 누수가 발생했기 때문이라고 한다. batch size 크기를 줄여가면서 gpu 캐시를 비워주는 아래 코드를 실행해보니 해결이 되었다. import gc import torch gc.collect() torch.cuda.empty_cache()

https://dreaminfo.tistory.com/1160

인공지능(AI)은 비즈니스와 의료와 같은 산업에만 영향을 미치는 것이 아니다. 그것은 또한 인공지능이 만든 예술의 새로운 시대를 열면서 창조 산업에서 점점 더 많은 역할을 하고 있다. 인공지능 기술과 도구는 종종 누구나 광범위하게 접근할 수 있으며, 이는 완전히 새로운 세대의 예술가를 만드는 데 도움이 되고 있다. 우리는 종종 인공지능이 예술, 영화 및 기타 창의적인 산업을 포함한 모든 인간의 작업을 자동화하거나 인수할 것이라는 말을 듣는다. 하지만 이것은 사실과 거리가 멀다. 인공지능은 예술가들이 새로운 창조적 영역을 탐구하는 데 사용할 수 있는 보완적인 도구이다. 이러한 창의적인 인공지능 도구는 누구나 예술을 창조하기 위해 사용할 수 있으며, 종종 NFT로 전환될 수 있다. 10대 인공지능 아트 생성..

출처: https://rfriend.tistory.com/289 지난번 포스팅에서는 다차원 행렬 ndarray에 축을 추가하는 방법으로 arr(:, np.newaxis, :), np.tile() 을 소개했었습니다. 이번 포스팅에서는 행렬의 행과 열을 바꾸기, 행렬의 축을 바꾸는 방법을 알아보겠습니다. 선형대수에서 보면 '전치행렬(transpose matrix)'이라는 특수한 형태의 행렬이 있는데요, 이번 포스팅이 바로 그겁니다. 행렬의 내적(inner product) 구할 때 aT*a 처럼 전치행렬과 원래 행렬을 곱할 때 전치행렬(aT)를 씁니다. Python의 NumPy 로 부터 행렬 전치를 위해 - a.T attribute - np.transpose(a) method - np.swapaxes(a, 0..

출처: https://medium.com/@kmkgabia/ml-sigmoid-%EB%8C%80%EC%8B%A0-relu-%EC%83%81%ED%99%A9%EC%97%90-%EB%A7%9E%EB%8A%94-%ED%99%9C%EC%84%B1%ED%99%94-%ED%95%A8%EC%88%98-%EC%82%AC%EC%9A%A9%ED%95%98%EA%B8%B0-c65f620ad6fd training 데이터 셋으로 학습시킨 모델을 이용해 test 데이터 셋으로 테스트를 한다는 건 교과서로 공부한 후 실전 문제로 시험을 보는 것과 같다. 여러 번에 걸쳐 training 시킨 후 학습 결과를 확인하기 위해 test하는 작업을 반복해야 한다. 보통 트레이닝 셋과 테스트 셋은 완전히 구분되어 있다. training da..

출처:https://medium.com/@kmkgabia/ml-sigmoid-%EB%8C%80%EC%8B%A0-relu-%EC%83%81%ED%99%A9%EC%97%90-%EB%A7%9E%EB%8A%94-%ED%99%9C%EC%84%B1%ED%99%94-%ED%95%A8%EC%88%98-%EC%82%AC%EC%9A%A9%ED%95%98%EA%B8%B0-c65f620ad6fd Sigmoid 함수는 binary classification 에 적절함 함수다. 일정 값을 기준으로 0인지 1인지구분함으로써 분류하는 방식이다. 딥러닝에서는 특정 임계치를 넘을 때만 활성화되기 때문에 activation function 중의 하나로 구분되는 함수다. 보통 처음은 input layer, 마지막은 output layer ..

출처: https://blog.naver.com/qbxlvnf11/221449595336 결론부터 말하자면 batch size와 성능의 상관 관계는 아직 정확하게 규정되지는 않았습니다. ​ task, 데이터에 따라 그 기준이 달라지기 때문​입니다. ​ 다만, 일반적으로 32, 64 크기의 mini-batch가 성능에는 가장 좋다고 알려져 있습니다. ​ batch size를 줄이거나 늘임으로써 얻는 장점을 요약하자면 다음과 같습니다. ​ ▶ batch size를 줄임으로써 얻는 장점 ​ - 필요한 메모리 감소: 전체 데이터를 쪼개어 여러 번 학습하는 것이기 때문에 최소 요구 메모리량을 줄일 수 있음. ​ ▶ batch size를 늘임으로써 얻는 장점 ​ - 아래 graph를 보면 전체 데이터를 활용한 Ba..

출처: https://m.blog.naver.com/qbxlvnf11/221449297033 이번 포스팅의 주제는 텐서플로우나 케라스 등을 사용해서 모델을 만들어 보았으면 다들 아실 용어인 epoch와 batch size 그리고 iteration입니다. ▶ 알고리즘이 iterative 하다는 것: gradient descent와 같이 결과를 내기 위해서 여러 번의 최적화 과정을 거쳐야 되는 알고리즘 optimization 과정 ▶ 다루어야 할 데이터가 너무 많기도 하고(메모리가 부족하기도 하고) 한 번의 계산으로 최적화된 값을 찾는 것은 힘듭니다. 따라서, 머신 러닝에서 최적화(optimization)를 할 때는 일반적으로 여러 번 학습 과정을 거칩니다. 또한, 한 번의 학습 과정 역시 사용하는 데이터를..