코드헌터

이 글은 개인적으로 학습한 내용을 기록하기 위한 글이다.  2024.5월 현재 굳이 따로 스테이블 디퓨젼을 설치하는게 아니라 Stability Matrix라는 아주 편리한 설치 패키지가 있어 이걸로 진행하면 된다. 이 패키지는 여러 장점이 있는데 우리가 파이썬이나 깃등의 부가적으로 설치할 프로그램의 버전등을 신경쓸 필요 없이 독립된 공간안에서 인스톨만 진행하면 알아서 처리된다는 점이고 여러 다른 최신 툴들도 같이 설치할수 있어서 좋고, 특히나 한번 설치한 모델들을 여러 툴들이 공용해서 사용한다는 점이 아주 매력적인 점이다. 좀 더 편한 스테이블 디퓨전 설치https://www.youtube.com/watch?v=dcppHNeJArM 영상에서 보면 https://lykos.ai/ 사이트에서 다음받아 진행한..

이 글은 개인적으로 학습한 내용을 기록하기 위한 글이다.  유니티 : 2022.3.22f1로컬라이제이션 : 1.4.5 유니티가 기본으로 제공하는 Localization를 사용하면 다국어 처리를 비교적 쉽게 처리할수 있다. 골드메탈의 영상 강좌 : https://youtu.be/VNhzMEsy7xc참고 블로그는 https://dev-junwoo.tistory.com/125 일단 Localization 패키지를 받는데 이때 Addressables 패키지가 설치되어 있지 않다면 같이 받아야 한다. Localization 패키지를 다운받고 최초 세팅을 진행해야 하는데 Project Settings > Localization 선택하면 세팅파일이 없는 상태인데 아래 Create 버튼을 눌러서 적당한 폴더에다가 Se..

여러가지 팁 모음 이 글은 개인적으로 학습한 내용을 기록하기 위한 글이다. - 테스트프로젝트작업은 유니티 2022.3.7광고 SDK는 GoogleMobileAds SDK 9.0 위 프로젝트는 개인적인 테스트 프로젝트이다. - 기본 진행 튜터리얼 (항상 기본이 중요하다.)https://developers.google.com/admob/unity/quick-start?hl=ko - 참조한 블로그https://rupicat.com/entry/%EC%9C%A0%EB%8B%88%ED%8B%B0%EC%97%90-%EA%B5%AC%EA%B8%80-%EC%95%A0%EB%93%9C%EB%AA%B9-%EA%B4%91%EA%B3%A0-%EB%B6%99%EC%9D%B4%EA%B8%B0 - 광고 튜터리얼 대로 진행했을때 유니..

모델은 2가지 realisticVision V20, Sci-fi_Diffusion 모델을 받아서 적당한 폴더에 넣는다. 이미지의 성격에 따라서 적합한 모델을 사용하는것이 매우 중요하다. 여기선 Sci-Fi_Diffusion 모델을 사용하자. 프롬프트는 아래와 같다. [긍정 프롬프트] (A scene from a Hollywood horror movie:1.5), The city is overrun by (massive crumbling amoebas:1.4) that have destroyed buildings and contaminated the streets, leaving the entire metropolis shrouded in a palpable sense of dread and despair..

이 글은 개인적으로 학습한 내용을 기록하기 위한 글이다.  책 내용을 따라하면서 정리한 것이다. 글이 살짝 옛날 글이라 최근에 프롬프트 정리한 글을 보려면 아래 링크를 클릭하면 된다.프롬프트 작성법 챕터1 AI를 활용하여 다양한 배경컨셉 만들기 프롬프트와 스테이블 디퓨젼 (이하 스디)의 각 작동메뉴에 대해 알아보자. 설치된 스테이블 디퓨전을 실행하자. 화면 구성은 다음과 같다. txt2Img 항목에 cute cat이라고 치면 아래와 같이 귀여운 고양이 이미지를 바로 얻을수 있다. 간단하게 txt2img 항목에 원하는 프롬프트 내용을 적어 넣고 Generate 버튼을 눌러주면 출력이 나오는 구조이다. 하지만 잠깐만 써보면 내가 원하는 컨셉의 그림을 뽑아내기가 쉽지 않다는걸 알 수 있다. 사용법을 제대로 익..

OS별 C++ 컴파일러 종류 LLVM(멀티 플랫폼 컴파일러 프로젝트) CLang (LLVM프로젝트에 속한 컴파일러, 맥 기본 C++ 컴파일러) GCC (오래된 오픈 소스 컴파일러, 이제는 지원중단된 상태) MinGW (윈도우에서 GCC 로된 컴파일러, 윈도우 환경에서 리눅스 명령어만 사용할때 유용) MSVC (윈도우 전용 컴파일러) OS별 대표 IDE 종류 VSCode (무료 멀티 플랫폼용) Visual Studio (거의 윈도우 전용) XCode (맥전용) Clion (JetBrains사의 유료 멀티 플랫폼용) Qt Creator (Qt와 C++를 같이 개발할때 쓰면 좋은 무료 멀티 플랫폼용) 기타 툴 CMake (무료 멀티 플랫폼용 빌드 툴) 각 환경별 세팅하기 맥에서 C++ 빌드환경 세팅하기 (좀 ..

약 한달간의 기간은 해볼만하다고 생각하고 무작정 달려들었지만... 나름 예전에 독학으로 반정도는 봤던 책이라 다시 시작하면 쉽게 쉽게 갈 수 있을줄 알았건만 다시 들여다본 책은 하얀건 종이요 까만건 글씨인건 변하지 않았더군요. 역시 책이란건 한번 봤으면 끝까지 다시 봐야 기억에 그나마 남는거 같았습니다. 중간에 그만둔 책을 다시 보니 아주 미세한 기억만이 남아있었습니다. 또한 직장인들의 주중 저녁시간은 비어있는듯 비어있지 않은 시간임을 다시 한번 깨닫게 되었네요. 항상 출근할때는 퇴근후에 한 챕터씩 진도를 나가야지를 다짐하지만 피곤함앞에서는 장사가 없었습니다. 그래도 가끔씩 주는 선물은 큰 힘이 되었고 ㅎㅎㅎ 선물을 받았으니 어떻게든 마무리를 해야겠다는 강력한 의지로 주중에 못한 작업들은 주말에 몰아서 ..

이전 7챕터들 에서는 인공 신경망에 대해 배우고 텐서플로의 케라스 API를 사용하는 법과 1개 이상의 층을 추가하여 심층 신경망을 구성하고 다양한 고급 옵티마이저들을 알아보았다. 이렇게 딥러닝에서는 모델의 구조를 직접 만들어간다는 느낌이 훨씬 강하다. 이번 절에서는 케라스 API를 사용해 모델을 훈련하는데 필요한 도구들을 알아보겠다. 손실곡선 fit() 메소드로 모델을 훈련하면 무엇인가를 반환하는데 이때 반환값이 History 클래스 객체를 반환한다. History 객체에는 훈련과정에서 계산한 지표, 즉 손실과 정확도 값이 저장되어 있다. 이 값을 사용하면 그래프를 그릴 수 있다. 챕터를 진행하기 전에 이전의 패션 데이터를 로드하고 훈련 세트와 검증 세트로 나누자. 그리고 모델을 만드는 간단한 함수를 정..

앞 챕터에서 사용한 인공 신경망은 사실 층이 1개짜리인데도 불구하고 로지스틱 회귀보다 높은 성능을 보여줬다. 이 인공 신경망은 층을 더 추가해서 성능을 높일수 있는데 그걸 알아보자. 역시 패션 데이터를 불러와서 테스트세트와 검증세트를 분리하는것까지 수행하자. 이제 전 챕터에서 만든 모델에서 중간에 밀집층이 추가한다. 이렇게 입력층과 출력층 사이에 있는 모든 층을 은닉층이라고 부른다. 그런데 은닉층에는 활성화 함수가 포함되는데 왜냐하면 은닉층에서 선형적인 산술 계산만 수행한다면 수행 역할이 없는 셈이라서 선형 계산을 적당하게 비선형적으로 비틀어 주어야 하는데 이 역활을 활성화 함수가 수행한다. 많이 사용하는 활성화 함수 중 하나는 시그모이드이다. 그럼 시그모이드 활성화 함수를 사용한 은닉층과 소프트맥스 함..

이제 생선에서 벗어나 패션 아이템이라는 새로운 데이터 셋을 사용하게 됐다. 아이템 분류 문제를 기존 로지스틱 회귀로도 다시 해보고 이번 챕터에서 새로 배울 인공 신경망을 통해서도 분류를 한다음 성능을 비교해보자. 우선 데이터를 로딩하는데 패션 MNIST 데이터는 워낙 유명하기 때문에 딥러닝 라이브러리에서 이 데이터를 바로 로딩해서 쓸수 있다. 라이브러리는 텐서플로라는 아주 유명한 라이브러리를 사용했고 로딩한 데이터를 출력해보고 샘플의 타깃값 10개와 레이블당 샘플수까지 확인해봤다. 이 훈련 샘플은 60,000개나 되기 때문에 전체 데이터를 한꺼번에 사용하여 모델을 훈련하는 것보다 샘플을 하나씩 꺼내서 훈련하는 방법이 더 효율적으로 보인다. 확률적 경사 하강법이다. 훈련전에 2차원인 샘플들을 1차원으로 펼..