안경잡이개발자

728x90
반응형

  이번 시간에는 소스코드를 수정해서 Git 저장소에 반영하는 방법에 대해서 알아보도록 하겠습니다. 이전 강좌에서는 깃 허브(Git Hub)에서 하나의 저장소를 생성하여, 초기 프로젝트 구성을 올리는 방법에 대해서 알아보았습니다.


  소스코드를 수정해서 Git 저장소에 반영하는 방법도 이전 시간에 배웠던 내용과 거의 동일하다고 보시면 됩니다. 일반적으로 소스코드를 수정하는 것은 두 가지 사례로 나뉘게 됩니다.


① 해당 프로젝트에 소속된 사람이 아닌 경우


  만약 우리가 특정한 커뮤니티(Community)의 구성원이 아니라서 스스로 커밋을 하여 저장소에 적용할 권한이 없다면, 소스코드를 수정하는 것에 제약이 있습니다. 이런 경우 PR(Pull Request)를 작성하여 오픈소스에 기여할 수 있습니다.


  이 경우는 우리가 큰 오픈소스 프로젝트의 구성원으로 참여하고 싶을 때 사용하는 방법입니다. PR에 수정 사항 등을 담아서 전송하면, 해당 오픈소스의 관리자가 이를 허용했을 때 실제로 오픈소스에 반영이 될 수 있습니다.


② 해당 프로젝트에 소속된 사람인 경우


  자신이 해당 프로젝트에 대한 권한을 가지고 있으므로 그냥 커밋(Commit)하고 푸시(Push)해서 저장소에 수정 내역을 반영하면 됩니다.


※ 소스코드 수정하여 Git 저장소에 반영하기 ※


  우리는 초보자이므로, ②번 케이스를 따라서 우리가 만든 깃 저장소에 수정된 내역을 반영하는 방법에 대해서 알아보도록 하겠습니다.


  


  저는 위와 같이 이전에 실습을 위해 만들었던 깃 허브 저장소를 확인해보겠습니다.


  


  깃 허브 주소가 https://github.com/ndb796/Git-Study입니다.


  


  실습을 위해 특정한 폴더를 생성하여 그 폴더로 클론(Clone)을 받아보겠습니다. 말 그대로 프로젝트 폴더를 다운로드 받겠다는 소리입니다.



  그러면 위와 같이 다운로드가 완료됩니다.



  이제 소스코드를 수정해보겠습니다. 위와 같이 하나의 파일을 만들어서 add() 함수를 작성해 볼게요.



  이후에 git add 명령어를 이용해 우리가 수정한 파일을 Staging Area에 올릴 수 있습니다. git status 명령어를 입력하면 현재 프로젝트의 상태를 확인할 수 있습니다. 새로운 파일(New File)로 하나의 소스코드가 등록된 것을 확인할 수 있습니다.



  Staging Area에 올린 파일을 다시 내리고자 한다면 git reset 명령어를 이용할 수 있습니다. 이후에 git status로 상태를 확인해 보면 my_module.py 파일이 제외된 것을 확인할 수 있습니다. 더불어 커밋할 파일은 없다는 메시지가 출력됩니다.



  아무튼 실습을 위해 일단 작성된 파일을 커밋해보도록 합시다. 커밋 이후에는 성공적으로 하나의 커밋이 완료되었다는 메시지가 출력됩니다. 이제 이를 git push 명령어로 깃 허브의 저장소로 변경된 내역을 반영할 수 있습니다.



  성공적으로 반영이 완료되었습니다. Git Hub 주소로 가보시면 이를 확인할 수 있어요.



  이제 한 번 하나의 함수를 더 추가해 보겠습니다.



  단순히 함수를 추가한 이후에 git status 명령어를 입력해 보시면 수정만 이루어진 파일이 존재한다는 메시지가 출력됩니다.



  특정 파일에 대해서 수정한 내역을 무시하고, 다시 저장소에 기록된 내용으로 되돌리고자 할 때는 git checkout -- 명령어를 이용할 수 있습니다.



  git checkout 명령어를 이용한 이후에 다시 파일을 확인해 보시면 위와 같이 소스코드가 원래 상태로 돌아온 것을 확인할 수 있습니다.



  저는 다시 sub() 함수를 추가하여 커밋을 진행해보도록 하겠습니다.



  git add . 명령어로 프로젝트에서 변경된 모든 소스코드를 Staging Area에 올렸습니다. 이후에 git push 명령어로 소스코드를 실제 Git Hub 저장소에 반영한 것을 확인할 수 있습니다.



728x90
반응형

728x90
반응형

CNN(Convolution Neural Network)을 통해 배우는 이미지 인식 인공지능 기술

1. 인공지능 기술 및 CNN의 개요

나동빈


인공지능: 컴퓨터가 인간의 지능을 흉내내도록 하는 기술


  최근의 인공지능 기술은 경험주의에 기반하고 있습니다. 사람이 컴퓨터에게 별도의 지식을 제공하지 않아도 컴퓨터가 데이터로부터 지식을 직접 학습할 수 있다고 보는 관점입니다. 오직 컴퓨터가 데이터라는 경험만을 이용하여 수식(Function)을 찾아냅니다. 실제로 이러한 접근 방법이 최근 딥 러닝(Deep Learning) 기술까지 이어졌습니다.


  현재 인공지능은 데이터로부터 스스로 학습하는 단계까지는 왔다고 말할 수 있지만 초월적인 지능으로 새로운 발견을 하는 단계가 되기까지는 한참 멀었다고 보는 것이 일반적입니다.


※ 머신러닝 인공지능의 분류 ※


1) 지도학습(Supervised Learning): 학습 데이터가 정답 정보인 레이블(Label)을 가지고 있도록 하는 학습 방법입니다.

→ 딥 러닝이 대표적인 예시이며, 우리가 공부하게 될 CNN도 지도학습에 속합니다.


2) 비지도학습(Unsupervised Learning): 학습 데이터가 레이블을 가지고 있지 않도록 하는 학습 방법입니다. 데이터 자체에 들어있는 고유한 특징을 스스로 찾아냅니다.

→ 대표적인 기술로는 비슷한 데이터끼리 묶는 클러스터링(Clustering)이 있습니다.

→ 레이블이 없다는 점에서 지도학습보다 더 난이도가 높은 경우가 많습니다.


3) 준지도학습(Semi-Supervised Learning): 학습 데이터가 어느 정도만의 레이블을 가지고 있도록 하는 학습 방법입니다.


4) 강화학습(Reinforcement Learning): 학습의 정답 유무를 출력하기까지 시간이 필요한 학습 방법입니다. 주로 게임(Game) 인공지능으로 활용됩니다.

→ 바둑(Go) 인공지능과 같은 게임 인공지능이 대표적인 예시이며 전략적인 상황에서 활용도가 높습니다.


※ 컴퓨터 비전(Computer Vision) ※


  컴퓨터 비전 기술은 컴퓨터의 시각(Vision) 요소에 관련한 기술을 연구하는 분야입니다. 증강현실, 문자 인식, 패턴 인식, 얼굴 인식, 이미지 복구, 가상현실 등의 세부 분야가 있습니다. 우리가 공부하게 될 CNN도 대표적인 컴퓨터 비전 분야의 기술입니다.


※ 머신러닝 데이터의 분류 ※


  머신러닝은 인공지능 알고리즘 중 하나이며 대표적인 경험주의적 철학이 반영된 알고리즘입니다. 이러한 머신러닝에서 사용되는 데이터는 다음과 같이 세 가지로 분류될 수 있습니다.


· 훈련 데이터: 모델의 학습을 위해 사용하는 데이터입니다. 예를 들어 특정한 이미지가 주어졌을 때 미리 그 이미지가 '말'에 해당하는지, '소'에 해당하는지 등의 정답 데이터를 준비해놓고 학습을 진행합니다.


· 검증 데이터: 모델의 검증을 위해 사용하는 데이터입니다. 학습이 잘 되었는지 판단하기 위한 중요한 척도가 됩니다.


· 테스트 데이터: 주로 현재 가지고 있지 않은 데이터로 실제로 인공지능 소프트웨어를 운영하면서 만나게 될 데이터를 의미합니다.


  일반적으로 전체 데이터훈련 데이터와 검증 데이터로 나누어서 먼저 훈련을 시키고, 나중에 검증을 하는 방식으로 데이터를 활용합니다. 일반적으로 학습 모델을 표현하고자 할 때는 '신경망 모델(Neural Network Model)'을 이용해 표현합니다. 여러 개의 노드(Node)가 서로 연결되어 있는 그래프 형태로 표현합니다. 대부분의 딥 러닝 알고리즘은 신경망 모델을 이용해 표현됩니다.


※ 학습 모델의 평가 ※


  일반적으로 모델을 평가할 때는 해결하고자 하는 문제에 따라서 다른 모델 평가 방식을 적용할 수 있습니다. 가장 많이 사용되는 평가 방식은 다음과 같습니다.


· 회귀 문제{y - f(x)}^2의 합으로 모델을 평가합니다. f(x)는 각 데이터에 대한 모델의 예측 값을 의미합니다. y는 실제 정답 값을 의미하는데, 제곱을 해주는 이유는 모델이 예측한 값이 얼마나 실제 정답과 거리가 있는지를 양수로 표현하기 위해서입니다.


· 정확도: 전체 테스트 데이터의 개수가 N개 일 때, 정답을 맞힌 테스트 데이터의 개수가 K개라면 K/N이 정확도가 됩니다.


※ CNN(Convolution Neural Network) ※


  일반적인 신경망 기술로는 해결하기 어려운 문제인 '이미지' 문제를 해결하기에 적합한 인공지능 알고리즘입니다. CNN은 1989년 LeCun의 필기체 인식 알고리즘으로 처음 등장하여 2000년대부터 본격적으로 관심을 받아 지속적으로 개선이 이루어지고 있습니다.

728x90
반응형