PyTorch [PyTorch] 머신러닝, 딥러닝 프로젝트 설계하고 템플릿 구성하기 이번 포스트에서는 머신러닝, 딥러닝 프로젝트에서 효율적인 학습과 추론을 수행하기 위해 템플릿을 구성하는 방법에 대해 소개한다. 따라서, 이전에 소개한 DataLoder 가 템플릿 안에 포함되지만, 자세한 설명은 이전 포스트 [https://smha-61749.medium.com/pytorch-%EB%82%98%EB%A7%8C%EC%9D%98-%EB%8D%B0%EC%9D%B4%ED%84%B0%
Anomaly Detection [MemAE]Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection-1 Abatract 정상 데이터를 이용하여 Autoencoder(AE)을 학습하면 정상보단 비정상 데이터에 대해 더 높은 재구성 오류(reconstruction error)을 얻게 됩니다. 하지만 AE는 일반화(Generalization)가 잘 이루어진다는 특징이 있어서 비정상 데이터가 입력되어도 정상을 재구성 해야하지만 결함이 있는 부분까지 포함하여 재구성 하는 경우가 발생하게 됩니다. 이런 AE기반 이상 탐지(Anomaly
논문 리뷰 [GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -2편 -------------------------------------------------------------------------------- * StyleGAN은 PGGAN [https://arxiv.org/abs/1710.10196] 구조에서 Style transfer 개념을 적용하여 generator architetcture를 재구성 한 논문입니다. 그로 인하여 PGGAN에서 불가능 했던 style을 scale-specific control이 가능하게 되었습니다. * Paper 원문: StyleGAN: A Style-Based Generator Architecture for Generative Adversarial Networks [https://arxiv.org/pdf/1812.04948.pdf] * StyleGAN official code(
논문리뷰 [GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -1편 -------------------------------------------------------------------------------- * StyleGAN은 PGGAN [https://arxiv.org/abs/1710.10196] 구조에서 Style transfer 개념을 적용하여 generator architetcture를 재구성 한 논문입니다. 그로 인하여 PGGAN에서 불가능 했던 style을 scale-specific control이 가능하게 되었습니다. * Paper 원문: StyleGAN: A Style-Based Generator Architecture for Generative Adversarial Networks [https://arxiv.org/pdf/1812.04948.pdf] * StyleGAN official code(
논문리뷰 [F-AnoGAN] Fast Unsupervised Anomaly Detection with GAN -------------------------------------------------------------------------------- * GAN을 사용한 최초 Anomaly Detection 방법인 AnoGAN의 후속 모델로 Encoder 모델을 사용하여 더 빠르게 \( G(x)\)와 \( x\)를 matching 시켜 Anomaly Detection 하는 방법입니다. * Paper 원문: f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks [https://www.sciencedirect.com/science/article/abs/pii/S1361841518302640] * f-AnoGAN tutorial code(Pytorch)
PyTorch PyTorch 데이터로더 이해하기 - Part 2 이전 Part 1 에서 PyTorch 를 활용하여 나만의 DataLoader 를 작성하는 가장 기본적인 방법들에 대해 알아 보았다면, 이번 포스트에서는 그것들을 응용한 나만의 DataLoader 를 커스터마이징한 사례에 대해 소개하고자 한다. SimCLR 최근에 self-supervised learning 과 관련하여 몇가지 논문들이 주목받고 있는데, 2020년 상반기에 업로드된 SimCLR 이 다른 여러 self-supervised methods 가운데 좋은
PyTorch PyTorch 데이터로더 이해하기 - Part 1 PyTorch 를 업무에 활용하면서 다양한 종류의 데이터셋을 활용한 프로젝트를 많이 경험하고 있지만, 텐서플로우나 케라스에 비해 PyTorch 는 사용하는 사람이 많이 없어 의지할 구석이 그리 많지 않은 듯 하다. 몇몇 분들과 얘기를 하다보면 그 중에서도 꽤나 많은 비중을 차지하는 이슈가 바로 DataLoader 를 작성하는 부분에서 나오는 것 같다. 정형 데이터 같은
![[MemAE]Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection-1](/content/images/size/w600/2021/05/Screenshot-from-2021-05-10-14-51-08-1.png)
![[GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -2편](/content/images/size/w600/2020/11/title.png)
![[GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -1편](/content/images/size/w600/2020/11/title_figure.png)
![[F-AnoGAN] Fast Unsupervised Anomaly Detection with GAN](/content/images/size/w600/2020/10/f-AnoGAN_figure1-1.png)
