SKIN_Project

3일껄로 할까나 Google Colab Dataset 구글 드라이브 > 내 드라이브 > SKIN > dataset_skin Code : SKIN_Project.ipynb import matplotlib.pyplot as plt import numpy as np import os from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras import models, layers from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint # ✅ Google Drive 마운트 from google.colab import drive drive.mount('/content/drive') # ✅ 경로 설정 dataset_path = '/content/drive/MyDrive/SKIN/dataset_skin' # 너가 올린 경로로 수정 model_save_path = '/content/drive/MyDrive/SKIN/skin_model.h5' # 원하는 저장 경로 # ✅ 데이터 증강 설정 (rotation_range는 15도만 줌) datagen = ImageDataGenerator( rescale=1./255, validation_split=0.2, rotation_range=15, width_shift_range=0.05, height_shift_range=0.05, shear_range=0.1, zoom_range=0.1, brightness_range=[0.8, 1.2], horizontal_flip=True, fill_mode='nearest' ) # ✅ 데이터 로딩 train_generator = datagen.flow_from_directory( dataset_path, target_size=(96, 96), # MobileNetV2는 최소 96x96부터 가능 batch_size=32, class_mode='categorical', subset='training', shuffle=True ) val_generator = datagen.flow_from_directory( dataset_path, target_size=(96, 96), batch_size=32, class_mode='categorical', subset='validation', shuffle=True ) # ✅ 클래스 이름 자동 추출 class_names = list(train_generator.class_indices.keys()) print("클래스 인덱스:", train_generator.class_indices) # ✅ MobileNetV2 기반 모델 구성 base_model = MobileNetV2(input_shape=(96, 96, 3), include_top=False, weights='imagenet') base_model.trainable = False model = models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dense(128, activation='relu'), layers.Dropout(0.5), layers.Dense(len(class_names), activation='softmax') ]) model.compile(optimizer=Adam(learning_rate=1e-4), loss='categorical_crossentropy', metrics=['accuracy']) # ✅ 콜백 설정 early_stop = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True) checkpoint = ModelCheckpoint('best_model.h5', save_best_only=True) # ✅ 학습 실행 history = model.fit( train_generator, validation_data=val_generator, epochs=50, callbacks=[early_stop, checkpoint], verbose=2 ) # ✅ 결과 시각화 acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(len(acc)) plt.plot(epochs, acc, 'bo', label='Training acc') plt.plot(epochs, val_acc, 'b', label='Validation acc') plt.title('Training and Validation Accuracy') plt.legend() plt.show() plt.plot(epochs, loss, 'bo', label='Training loss') plt.plot(epochs, val_loss, 'b', label='Validation loss') plt.title('Training and Validation Loss') plt.legend() plt.show() # ✅ 학습 이미지 예시 x_batch, y_batch = next(train_generator) plt.figure(figsize=(10, 10)) for i in range(25): plt.subplot(5, 5, i + 1) plt.xticks([]); plt.yticks([]); plt.grid(False) plt.imshow(x_batch[i]) label_idx = np.argmax(y_batch[i]) plt.xlabel(class_names[label_idx]) plt.tight_layout() plt.show() # ✅ 모델 저장 (.h5 파일) model.save(model_save_path) print(f"모델이 저장되었습니다: {model_save_path}") Result Ubuntu Terminal # 작업할 디렉토리 생성 후 이동 mkdir skin_project cd skin_project # 가상환경 생성 및 활성화 python3 -m venv venv source venv/bin/activate # 필요한 패키지 설치 pip install tensorflow opencv-python numpy # skin_names.json 생성 vi skin_names.json // skin_names.json [ "기저세포암", "표피낭종", "혈관종", "비립종", "흑색점", "편평세포암", "사마귀" ] # NanumGothic 설치 sudo apt install fonts-nanum fc-list | grep NanumGothic # Pillow 패키지 설치 pip install Pillow # predict_cam.py 생성 vi predict_cam.py # predict_cam.py import cv2 import numpy as np import tensorflow as tf import json from PIL import ImageFont, ImageDraw, Image # 클래스 이름 (한글) 불러오기 with open("skin_names.json", "r") as f: class_names = json.load(f) # 모델 로드 model = tf.keras.models.load_model("skin_model.h5") # 한글 폰트 경로 (Ubuntu에서 사용 가능) FONT_PATH = "/usr/share/fonts/truetype/nanum/NanumGothic.ttf" font = ImageFont.truetype(FONT_PATH, 32) # 웹캠 시작 cap = cv2.VideoCapture(2) print("Press 'q' to quit.") while True: ret, frame = cap.read() if not ret: break # 예측을 위한 전처리 img = cv2.resize(frame, (96, 96)) img_array = np.expand_dims(img / 255.0, axis=0) pred = model.predict(img_array)[0] label = class_names[np.argmax(pred)] confidence = np.max(pred) # 원본 프레임을 Pillow 이미지로 변환 frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) pil_img = Image.fromarray(frame_rgb) draw = ImageDraw.Draw(pil_img) text = f"{label} ({confidence*100:.1f}%)" # 텍스트 출력 draw.text((10, 30), text, font=font, fill=(0, 255, 0)) # 초록색 # 다시 OpenCV 형식으로 변환하여 출력 frame_bgr = cv2.cvtColor(np.array(pil_img), cv2.COLOR_RGB2BGR) cv2.imshow("Skin Classifier", frame_bgr) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows() Comment 웹캠으로 인식한 결과 흑색점을 제대로 인식하지 못해서 빼야될 것 같음 기저세포암 o 표피낭종 o 혈관종 o 비립종 o 흑색점 x 편평세포암 o 사마귀 o

Study · 2025-07-04

SKIN_Project

최종 한거 노션에 체크 Google Colab Dataset 구글 드라이브 > 내 드라이브 > SKIN > dataset_skin Code : SKIN_Project.ipynb import matplotlib.pyplot as plt import numpy as np import os from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras import models, layers from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint # ✅ Google Drive 마운트 from google.colab import drive drive.mount('/content/drive') # ✅ 경로 설정 dataset_path = '/content/drive/MyDrive/SKIN/dataset_skin' # 너가 올린 경로로 수정 model_save_path = '/content/drive/MyDrive/SKIN/skin_model.h5' # 원하는 저장 경로 # ✅ 데이터 증강 설정 (rotation_range는 15도만 줌) datagen = ImageDataGenerator( rescale=1./255, validation_split=0.2, rotation_range=15, width_shift_range=0.05, height_shift_range=0.05, shear_range=0.1, zoom_range=0.1, brightness_range=[0.8, 1.2], horizontal_flip=True, fill_mode='nearest' ) # ✅ 데이터 로딩 train_generator = datagen.flow_from_directory( dataset_path, target_size=(96, 96), # MobileNetV2는 최소 96x96부터 가능 batch_size=32, class_mode='categorical', subset='training', shuffle=True ) val_generator = datagen.flow_from_directory( dataset_path, target_size=(96, 96), batch_size=32, class_mode='categorical', subset='validation', shuffle=True ) # ✅ 클래스 이름 자동 추출 class_names = list(train_generator.class_indices.keys()) print("클래스 인덱스:", train_generator.class_indices) # ✅ MobileNetV2 기반 모델 구성 base_model = MobileNetV2(input_shape=(96, 96, 3), include_top=False, weights='imagenet') base_model.trainable = False model = models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dense(128, activation='relu'), layers.Dropout(0.5), layers.Dense(len(class_names), activation='softmax') ]) model.compile(optimizer=Adam(learning_rate=1e-4), loss='categorical_crossentropy', metrics=['accuracy']) # ✅ 콜백 설정 early_stop = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True) checkpoint = ModelCheckpoint('best_model.h5', save_best_only=True) # ✅ 학습 실행 history = model.fit( train_generator, validation_data=val_generator, epochs=50, callbacks=[early_stop, checkpoint], verbose=2 ) # ✅ 결과 시각화 acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(len(acc)) plt.plot(epochs, acc, 'bo', label='Training acc') plt.plot(epochs, val_acc, 'b', label='Validation acc') plt.title('Training and Validation Accuracy') plt.legend() plt.show() plt.plot(epochs, loss, 'bo', label='Training loss') plt.plot(epochs, val_loss, 'b', label='Validation loss') plt.title('Training and Validation Loss') plt.legend() plt.show() # ✅ 학습 이미지 예시 x_batch, y_batch = next(train_generator) plt.figure(figsize=(10, 10)) for i in range(25): plt.subplot(5, 5, i + 1) plt.xticks([]); plt.yticks([]); plt.grid(False) plt.imshow(x_batch[i]) label_idx = np.argmax(y_batch[i]) plt.xlabel(class_names[label_idx]) plt.tight_layout() plt.show() # ✅ 모델 저장 (.h5 파일) model.save(model_save_path) print(f"모델이 저장되었습니다: {model_save_path}") Result Ubuntu Terminal # 작업할 디렉토리 생성 후 이동 mkdir skin_project cd skin_project # 가상환경 생성 및 활성화 python3 -m venv venv source venv/bin/activate # 필요한 패키지 설치 pip install tensorflow opencv-python numpy # skin_names.json 생성 vi skin_names.json // skin_names.json [ "기저세포암", "표피낭종", "혈관종", "비립종", "흑색점", "편평세포암", "사마귀" ] # NanumGothic 설치 sudo apt install fonts-nanum fc-list | grep NanumGothic # Pillow 패키지 설치 pip install Pillow # predict_cam.py 생성 vi predict_cam.py # predict_cam.py import cv2 import numpy as np import tensorflow as tf import json from PIL import ImageFont, ImageDraw, Image # 클래스 이름 (한글) 불러오기 with open("skin_names.json", "r") as f: class_names = json.load(f) # 모델 로드 model = tf.keras.models.load_model("skin_model.h5") # 한글 폰트 경로 (Ubuntu에서 사용 가능) FONT_PATH = "/usr/share/fonts/truetype/nanum/NanumGothic.ttf" font = ImageFont.truetype(FONT_PATH, 32) # 웹캠 시작 cap = cv2.VideoCapture(2) print("Press 'q' to quit.") while True: ret, frame = cap.read() if not ret: break # 예측을 위한 전처리 img = cv2.resize(frame, (96, 96)) img_array = np.expand_dims(img / 255.0, axis=0) pred = model.predict(img_array)[0] label = class_names[np.argmax(pred)] confidence = np.max(pred) # 원본 프레임을 Pillow 이미지로 변환 frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) pil_img = Image.fromarray(frame_rgb) draw = ImageDraw.Draw(pil_img) text = f"{label} ({confidence*100:.1f}%)" # 텍스트 출력 draw.text((10, 30), text, font=font, fill=(0, 255, 0)) # 초록색 # 다시 OpenCV 형식으로 변환하여 출력 frame_bgr = cv2.cvtColor(np.array(pil_img), cv2.COLOR_RGB2BGR) cv2.imshow("Skin Classifier", frame_bgr) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows() Comment 웹캠으로 인식한 결과 흑색점을 제대로 인식하지 못해서 빼야될 것 같음 기저세포암 o 표피낭종 o 혈관종 o 비립종 o 흑색점 x 편평세포암 o 사마귀 o

Study · 2025-07-04

Day8 : Project_Plan

🧱 라즈베리파이 환경 구축 ctrl + alt + t → 터미널 실행 단축키 htop → 실시간 시스템 리소스(메모리, CPU 사용량 등) 확인 툴 실행 sudo apt update → 패키지 목록 업데이트 (최신 버전 확인용) sudo apt upgrade → 설치된 패키지들을 최신 버전으로 업그레이드 sudo apt install ibus ibus-hangul → 한글 입력기(iBus + Hangul) 설치 sudo apt install fonts-nanum fonts-unfonts-core → 나눔글꼴, 윤글꼴 등 한글 폰트 설치 sudo update-alternatives --config x-www-browser → 기본 웹 브라우저 설정 변경 mkdir YOLO → 'YOLO'라는 새 폴더 생성 cd YOLO/ → YOLO 폴더로 이동 python -m venv .yolo → '.yolo'라는 이름의 가상환경(virtualenv) 생성 source .yolo/bin/activate → 가상환경 활성화 git clone https://github.com/ultralytics/yolov5 → YOLOv5 저장소를 GitHub에서 복제 cd yolov5/ → 복제한 yolov5 디렉토리로 이동 pip install -U pip → pip(패키지 관리자) 최신 버전으로 업데이트 pip install ultralytics → Ultralytics 패키지 설치 (YOLOv5 실행용 라이브러리 포함) python detect.py --weights yolov5s.pt --source 0 --img 160 → YOLOv5s 모델로 웹캠(0번)을 실시간 객체 탐지 (해상도: 160) sudo apt install openssh-server → SSH 서버 설치 (다른 PC에서 원격 접속 가능하게 함) curl -fsSL https://ollama.com/install.sh | sh → Ollama 설치 스크립트 실행 (로컬 AI 모델 실행 도구) ollama run gemma3:1b → Gemma 3 1B 모델 실행 (로컬 LLM 테스트) # PC에서 원격 접속 ssh hhhong@10.10.15.183 🤝 팀원들과 프로젝트 계획 수립 라즈베리파이를 활용한 On-Device AI 프로젝트 방향성 논의 김민규: 수어 인식 (Sign Language Recognition, SLR) 엄찬하: 머리카락 두께 및 탈모 초기 진단 + 맞춤형 예방 관리 가이드 임재홍: 딥페이크 감지 시스템 임재홍: 거짓 뉴스 판독 시스템 💬 회고 실시간 객체 탐지와 로컬 AI 모델이 동시에 가능함을 확인함 라즈베리파이 환경 세팅 중 허브를 통해 LAN 케이블을 분할하는 과정에서 PC에서 네트워크를 잡지 못하는 문제가 발생했으나, 수업 종료 후 정상적으로 연결되어 IP 충돌 문제였음을 파악함 💡 강사님의 조언 “CNN 모델을 C++ 수준으로 뽑으면 가장 좋음.” 프로젝트 성공 여부와 상관없이, 구현 수준을 높이는 것이 더 중요하다는 취지의 말씀 ✍️ 해석 및 나의 이해 단순히 모델을 “돌리는 것”을 넘어서, 구조를 정확히 이해하고 직접 구현해보는 경험이 중요하다는 뜻 PyTorch, TensorFlow 같은 프레임워크를 쓸 수도 있지만, 기초 수학/로직을 바탕으로 CNN을 직접 구현(C++ 수준의 저수준 접근)해보는 것이 실력 향상에 도움됨 실무 또는 온디바이스 환경(Raspberry Pi 등)에서는 최적화된 저수준 코드로 모델을 이식하는 능력도 요구됨 🔎 앞으로의 학습 방향에 반영 CNN 레이어 구성 및 연산 방식(ReLU, Conv, Pooling 등)을 직접 구현해보는 연습 Python으로 구현 → 가능하다면 C++로 구조만이라도 옮겨보기 PyTorch에서 .model.eval()처럼 내부 동작이 어떻게 구성되는지 역으로 살펴보기

Study · 2025-07-02

Day7 : HARIBO_Mini_Project

🚀 Model Improvement Strategy 기존 CNN 모델에 다음 전략을 통합하여 성능을 향상시킨 구조를 구현함: 데이터 증강 적용: 다양한 이미지 변형을 통해 학습 데이터 다양성 확보 전이학습 도입: MobileNetV2의 사전학습된 특징 추출기 사용 Dropout 및 Dense 레이어 추가: 오버피팅 방지 및 모델 표현력 향상 EarlyStopping, ModelCheckpoint 적용: 과적합 방지 및 최적 모델 저장 데이터 증강 강화: 회전, 이동, 확대/축소, 반전 등 복합적 증강 적용 🍬 HARIBO_Dataset Preparation 5가지 하리보 젤리 종류(bear, cola, egg, heart, ring)를 직접 촬영하여 이미지 데이터셋 생성 다양한 각도·조명·배경에서 수집된 이미지 총 500장 (각 클래스당 100장 내외) 구글 드라이브에 업로드 후, Google Colab 환경에서 실습용으로 연동 💡 Code : CNN with Transfer Learning & Augmentation import matplotlib.pyplot as plt import numpy as np import os from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras import models, layers from tensorflow.keras.optimizers import RMSprop from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint # ✅ 구글 드라이브 마운트 from google.colab import drive drive.mount('/content/drive') # ✅ 경로 설정 dataset_path = '/content/drive/MyDrive/haribo_dataset' model_save_path = '/content/drive/MyDrive/haribo_model.h5' # ✅ 데이터 증강 설정 datagen = ImageDataGenerator( rescale=1./255, # 픽셀 값을 0~1 범위로 정규화 validation_split=0.2, # 전체 데이터 중 20%를 검증용으로 사용 rotation_range=90, # 최대 ±90도 범위 내에서 무작위 회전 width_shift_range=0.1, # 전체 너비의 10%만큼 좌우 이동 height_shift_range=0.1, # 전체 높이의 10%만큼 상하 이동 shear_range=0.1, # 전단 변환 (이미지를 기울이는 효과) zoom_range=0.1, # 10% 범위 내 무작위 확대/축소 horizontal_flip=True, # 이미지를 좌우로 무작위 반전 fill_mode='nearest' # 변환 후 생긴 빈 영역을 가장 가까운 픽셀로 채움 ) # ✅ 데이터 로딩 train_generator = datagen.flow_from_directory( dataset_path, target_size=(96, 96), batch_size=32, class_mode='categorical', subset='training', shuffle=True ) val_generator = datagen.flow_from_directory( dataset_path, target_size=(96, 96), batch_size=32, class_mode='categorical', subset='validation', shuffle=True ) # ✅ 클래스 이름 자동 추출 class_names = list(train_generator.class_indices.keys()) print("클래스 인덱스:", train_generator.class_indices) # ✅ MobileNetV2 기반 모델 구성 base_model = MobileNetV2(input_shape=(96, 96, 3), include_top=False, weights='imagenet') base_model.trainable = False model = models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dense(128, activation='relu'), layers.Dropout(0.5), layers.Dense(len(class_names), activation='softmax') # 클래스 수 자동 반영 ]) model.compile(optimizer=Adam(learning_rate=1e-4), loss='categorical_crossentropy', metrics=['accuracy']) # ✅ 콜백 설정 early_stop = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True) checkpoint = ModelCheckpoint('best_model.h5', save_best_only=True) # ✅ 학습 실행 history = model.fit( train_generator, validation_data=val_generator, epochs=50, callbacks=[early_stop, checkpoint], verbose=2 ) # ✅ 결과 시각화 acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(len(acc)) plt.plot(epochs, acc, 'bo', label='Training acc') plt.plot(epochs, val_acc, 'b', label='Validation acc') plt.title('Training and Validation Accuracy') plt.legend() plt.show() plt.plot(epochs, loss, 'bo', label='Training loss') plt.plot(epochs, val_loss, 'b', label='Validation loss') plt.title('Training and Validation Loss') plt.legend() plt.show() # ✅ 학습 이미지 예시 x_batch, y_batch = next(train_generator) plt.figure(figsize=(10, 10)) for i in range(25): plt.subplot(5, 5, i + 1) plt.xticks([]); plt.yticks([]); plt.grid(False) plt.imshow(x_batch[i]) label_idx = np.argmax(y_batch[i]) plt.xlabel(class_names[label_idx]) plt.tight_layout() plt.show() # ✅ 모델 저장 (.h5 파일) model.save(model_save_path) print(f"모델이 저장되었습니다: {model_save_path}") ✅ Result : 학습 결과 시각화 및 예측 확인 🔍 Summary MobileNetV2를 기반으로 한 전이학습 모델이 적은 데이터셋에서도 좋은 성능을 보임 실시간 예측 환경에도 최적화된 모델 구조로 전환 가능 (On-Device AI 적용 가능) 💻 Real-Time Inference Setup on Terminal 📁 1. 디렉토리 구성 mkdir haribo_cam_classifier cd haribo_cam_classifier 🐍 2. 가상환경 생성 및 패키지 설치 python3 -m venv venv source venv/bin/activate pip install tensorflow opencv-python-headless numpy 📥 3. 학습한 모델(.h5)을 Google Drive에서 다운로드하여 복사 haribo_model.h5 파일을 Google Drive에서 다운받아 haribo_cam_classifier 디렉토리에 위치시킴 🖼️ 4. 클래스 이름 파일 생성 (class_names.json) ["bear", "cola", "egg", "heart", "ring"] 💡 5. 실시간 분류 코드 작성 (predict_cam.py) import cv2 import numpy as np import tensorflow as tf import json # 모델과 클래스 이름 로드 model = tf.keras.models.load_model('haribo_model.h5') with open('class_names.json', 'r') as f: class_names = json.load(f) def preprocess(frame): img = cv2.resize(frame, (96, 96)) img = img.astype('float32') / 255.0 return np.expand_dims(img, axis=0) cap = cv2.VideoCapture(2) if not cap.isOpened(): print("카메라를 열 수 없습니다.") exit() print("젤리 분류 시작! (Q 키를 누르면 종료)") while True: ret, frame = cap.read() if not ret: break input_img = preprocess(frame) pred = model.predict(input_img) label = class_names[np.argmax(pred)] # 예측 결과 화면에 출력 cv2.putText(frame, f'Prediction: {label}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow('Haribo Classifier', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() 🧩 6. OpenCV 설치 (GUI 지원 포함) pip install opencv-python ▶️ 7. 실시간 예측 실행 python3 predict_cam.py ✅ 8. 결과 정리 🍬 모델 예측을 위한 5개 클래스 하리보 샘플 전체 이미지 🧪 예측 예시: heart 🧪 예측 예시: ring 🧪 예측 예시: cola 🧪 예측 예시: egg 🧪 예측 예시: bear

Study · 2025-07-01

Day6 : CNN

📌 CNN란? CNN(Convolutional Neural Network)은 이미지 인식과 분류에 특화된 인공신경망으로, 사람의 시각 처리 방식과 유사하게 국소적인 영역을 중심으로 특징(feature)을 추출하고 학습한다. 기존의 MLP보다 이미지 구조를 더 잘 반영하며, 컴퓨터 비전(CV) 분야에서 널리 사용된다. <합성곱 층 - Convolution Layer> 입력 이미지에 필터(커널)를 적용해 특징 맵(Feature Map) 생성 보통 3×3 크기의 필터 사용 (VGGNet 등) → 작을수록 다양한 feature 추출 가능 필터의 두께는 입력 데이터(예: RGB → 3)에 자동 맞춰짐 Stride: 필터 이동 간격, 작을수록 정밀하고 클수록 빠르게 처리됨 Padding: 출력 feature map 크기를 유지하려면 padding=same 설정 합성곱 연산 뒤에는 활성화 함수(ReLU)를 적용해 비선형성 도입 <풀링 층 - Pooling Layer> MaxPooling: 풀링 영역의 최대값 → 주요 특징만 강조 AveragePooling: 영역 내 평균값 사용 GlobalAveragePooling: Flatten 없이 전체 평균만 뽑아내는 방식 (GoogLeNet) 연산량 감소 + 과적합 방지 + 공간 구조 요약 <밀집층 - Fully Connected Layer> Flatten 레이어로 feature map을 1차원 벡터로 변환 이후 Fully Connected Layer를 거쳐 클래스별 출력값 생성 주로 softmax를 출력층 활성화 함수로 사용해 확률값 도출 🧮 example flow 예: 최종 출력값이 (0.7, 0)이고 정답이 (1, 0)인 경우 → 0.3 오차 이 오차를 역전파(backpropagation)로 전파하며 가중치 업데이트 경사하강법(gradient descent) 등 최적화 알고리즘 사용 👁️ CNN 모델과 인간 시각 처리의 유사성 인간의 시각 피질도 단순한 시각 정보 → 복잡한 특징 순으로 처리 CNN도 층이 깊어질수록 복잡한 feature를 추출 저차원 edge → 고차원 패턴 추출 흐름이 시각 정보 처리와 닮음 🧠 대표 CNN 구조들 AlexNet (2012): CNN을 유명하게 만든 최초의 구조, 8층 구성 VGGNet (2014): 3×3 필터 반복 사용, 구조 단순 & 효과적 GoogLeNet: Inception 구조 + Global Average Pooling 사용 ResNet: Residual Block 사용 → 층이 깊어져도 성능 유지 🔁 전이학습 (Transfer Learning) 기존 사전학습된 모델의 가중치를 재사용하여 적은 데이터로도 학습 가능 Feature Extraction: 기존 구조 유지, 출력층만 새로 학습 Fine-Tuning: 일부 층은 고정, 나머지는 재학습 적은 데이터 상황에서 강력한 성능 발휘 가능 👨‍💻 실습 💡 Code : CNN Layer 구현 import numpy as np from PIL import Image import matplotlib.pyplot as plt # 합성곱 함수 구현 def conv(a, b): c = np.array(a) * np.array(b) return np.sum(c) # MaxPooling 함수 구현(한 개의 map 계산) def MaxPooling(nimg): # 2d input nimg = np.array(nimg) i0, j0 = nimg.shape # i0 = nimg.shape[0], j0 = nimg.shape[1] i1 = int((i0 + 1) / 2) j1 = int((j0 + 1) / 2) output = np.zeros((i1, j1)) if i0 % 2 == 1: i0 += 1 tmp = np.zeros((1, j0)) nimg = np.concatenate([nimg, tmp], axis=0) if j0 % 2 == 1: j0 += 1 tmp = np.zeros((i0, 1)) nimg = np.concatenate([nimg, tmp], axis=1) for i in range(output.shape[0]): for j in range(output.shape[1]): a = np.array(nimg[2*i:2*i+2, 2*j:2*j+2]) output[i, j] = a.max() return output # 합성곱 출력 층(reature map) 함수 구현(한 개의 filter 계산) def featuring(nimg, filters): feature = np.zeros((nimg.shape[0] - 2, nimg.shape[1] - 2)) for i in range(feature.shape[0]): for j in range(feature.shape[1]): a = nimg[i:i+3, j:j+3] feature[i, j] = conv(a, filters) return feature # MaxPooling 출력 층 함수 구현(여러 map 계산) def Pooling(nimg): nimg = np.array(nimg) pool0 = [] for i in range(len(nimg)): pool0.append(MaxPooling(nimg[i])) return pool0 # 배열을 그림으로 변환 def to_img(nimg): nimg = np.array(nimg) nimg = np.uint8(np.round(nimg)) fimg = [] for i in range(len(nimg)): fimg.append(Image.fromarray(nimg[i])) return fimg # feature map 생성(여러 filter 계산) def ConvD(nimg, filters): nimg = np.array(nimg) feat0 = [] for i in range(len(filters)): feat0.append(featuring(nimg, filters[i])) return feat0 # ReLU 활성화 함수 def ReLU(fo): fo = np.array(fo) fo = (fo > 0) * fo return fo # CNN Layer 함수 : Conv + ReLU + MaxPooling def ConvMax(nimg, filters): nimg = np.array(nimg) f0 = ConvD(nimg, filters) f0 = ReLU(f0) fg = Pooling(f0) return f0, fg # 그림 그리기 : 합성곱 후의 상태와 MaxPooling 후의 상태를 그림으로 그리기 def draw(f0, fg0, size=(12, 8), k=-1): # size와 k는 기본값 설정 plt.figure(figsize=size) for i in range(len(f0)): plt.subplot(2, len(f0), i + 1) plt.gca().set_title('Conv' + str(k) + '-' + str(i)) plt.imshow(f0[i]) for i in range(len(fg0)): plt.subplot(2, len(fg0), len(f0) + i + 1) plt.gca().set_title('MaxP' + str(k) + '-' + str(i)) plt.imshow(fg0[i]) if k != -1: # k=-1이 아니면 그림을 저장 plt.savefig('conv' + str(k) + '.png') # 3개의 activation map 합치기 : MaxPooling 후의 결과 map들을 하나의 데이터로 통합 def join(mm): mm = np.array(mm) m1 = np.zeros((mm.shape[1], mm.shape[2], mm.shape[0])) for i in range(mm.shape[1]): for j in range(mm.shape[2]): for k in range(mm.shape[0]): m1[i][j][k] = mm[k][i][j] return m1 # CNN Layer 과정을 계산하고 결과를 그림으로 출력 def ConvDraw(p0, filters, size=(12, 8), k=-1): f0, fg0 = ConvMax(p0, filters) f0_img = to_img(f0) fg1_img = to_img(fg0) draw(f0, fg0, size, k) p1 = join(fg0) return p1 # 테스트 실행 nimg31 = np.random.rand(10, 10) filters = [np.ones((3, 3))] * 3 m0 = ConvDraw(nimg31, filters, (12, 10), 0) ✅ Result : CNN Layer 구현 🍓 라즈베리파이 환경 구축 ✅ 설치 및 이미지 설정 sudo apt install rpi-imager : 라즈베리파이 이미지 도구 설치 rpi-imager : GUI 실행 후 OS 이미지 다운로드 및 설치 가능 ⚙️ 설정 정보 운영체제: Raspberry Pi OS (64-bit) 저장소: Mass Storage Device - 62.5 GB

Study · 2025-06-30

Day5 : 선형모델, 신경망모델

Study · 2025-06-27

Day4 : Deep Learning

🧠 딥러닝 개요 딥러닝은 인간의 뇌를 모방한 인공신경망(ANN)을 기반으로 한 기계학습 기술로, 다층 구조의 신경망을 통해 복잡한 패턴을 학습하고 예측하는 데 사용된다. 🔍 인공신경망(ANN)의 개념 생물학적 뉴런 구조에서 착안. 입력 → 가중치 → 활성화 함수 → 출력 흐름으로 동작. 각 신호의 강도는 가중치(Weight)로 표현됨. 🧬 딥러닝(Deep Learning)이란? 은닉층이 여러 개인 심층 신경망(Deep Neural Network, DNN)을 통해 학습하는 방식. 심층 학습(Deep Learning)이라고도 함. 🛠️ 신경망 구성 요소 구성 요소 설명 입력층 학습 데이터가 들어오는 층 은닉층 가중합 계산 및 비선형 변환 수행 출력층 최종 예측값을 출력 가중치 입력의 중요도를 결정 편향 가중합에 더해지는 상수로 출력 조절 ➕ 가중합 (Weighted Sum) 각 입력값 × 가중치 + 편향 수식: z = w₁x₁ + w₂x₂ + … + b ⚙️ 활성화 함수 (Activation Function) 함수명 특징 Sigmoid S자 형태, 출력값 [0, 1], 기울기 소실 문제 Tanh 출력 [-1, 1], 평균 0, sigmoid보다 우수 ReLU 0 이하 → 0, 0 초과 → 그대로 출력, 빠른 학습 LeakyReLU ReLU의 음수 입력 무반응 문제 해결 Softmax 확률 분포 출력, 다중 클래스 분류에 사용 🧭 학습 과정 (Training Flow) 1️⃣ 순전파 (Forward Propagation) 입력 → 은닉층 → 출력층으로 예측값 도출 2️⃣ 손실 함수 (Loss Function) 예측값과 실제값의 차이를 계산 회귀: MSE 분류: Cross Entropy 3️⃣ 옵티마이저 (Optimizer) 경사하강법 기반으로 가중치 최적화 전체/미니 배치 방식 사용 4️⃣ 역전파 (Backpropagation) 오차를 역방향 전파해 가중치 업데이트 각 층의 가중치에 대해 미분값 기반 보정 🧱 딥러닝 모델의 유형 유형 설명 DFN (순방향 신경망) 기본 구조, 고정 입력 처리 RNN (순환 신경망) 시계열 데이터 처리, 과거 정보 반영 LSTM RNN 개선, 장기 기억 유지 CNN 이미지 분석 특화, 합성곱 및 풀링 활용 🧠 CNN의 구조 합성곱층: 필터를 통해 특징 추출 풀링층: 데이터 크기 축소, 핵심 정보 보존 완전연결층: 최종 분류 수행 🔄 비교 요약 (DFN vs RNN vs CNN) 항목 DFN RNN CNN 입력 정적 시계열 이미지/시계열 특징 단방향 순환 연결 지역적 특징 학습 쉬움 어려움 중간 효율 낮음 낮음 높음 💬 워드 임베딩 (Word Embedding) 방식 설명 One-hot Encoding 희소 벡터, 단순 구조 Word2Vec 주변 문맥 → 중심 단어 예측 (CBOW/Skip-gram) TF-IDF 단어 중요도 가중치 부여 FastText 부분 단어 기반, OOV 문제 해결 GloVe 단어 동시 등장 통계 기반 ELMo 문맥에 따라 벡터가 달라지는 동적 임베딩 🎨 적대적 생성 신경망 (GAN) 두 네트워크가 경쟁: Generator: 진짜 같은 가짜 데이터 생성 Discriminator: 진짜와 가짜 구별 예술, 이미지 생성 등에서 강력한 성능 ✅ 요약 딥러닝은 인공신경망을 확장한 구조로, 다양한 문제 해결에 적용 가능 활성화 함수, 학습 알고리즘, 모델 구조에 따라 성능이 좌우됨 CNN, RNN, GAN, Word Embedding 등은 실전 문제에 맞는 딥러닝 기법 선택의 기준이 된다. 🛠️ 작업할 디렉토리 생성 및 환경 설정 # 1. 작업 디렉토리 생성 mkdir F_MNIST # 디렉토리 이름: F_MNIST cd F_MNIST # 해당 디렉토리로 이동 # 2. 가상 환경 생성 및 활성화 python3 -m venv .fmnist # 가상 환경 생성 (폴더 이름: .fmnist) source .fmnist/bin/activate # 가상 환경 활성화 # 3. 패키지 설치 pip install -U pip # pip 최신 버전으로 업그레이드 pip install tensorflow # TensorFlow (딥러닝 프레임워크) pip install matplotlib # Matplotlib (시각화 라이브러리) pip install PyQt5 # PyQt5 (Matplotlib GUI 백엔드용) pip install scikit_learn # scikit-learn (머신러닝 및 평가 도구) # 4. Qt GUI 백엔드 설정 (Wayland 환경에서 필수) export QT_QPA_PLATFORM=wayland # Qt GUI를 Wayland에서 정상 동작하게 설정 👨‍💻 실습 💡 Code : Fashion MNIST import tensorflow as tf from tensorflow import keras import numpy as np import matplotlib import matplotlib.pyplot as plt # dataset load fashion_mnist = keras.datasets.fashion_mnist # spilt data (train / test) (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() print(train_images.shape) print(train_labels.shape) print(test_images.shape) print(test_labels.shape) class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] matplotlib.use('Qt5Agg') NUM=20 plt.figure(figsize=(15,15)) plt.subplots_adjust(hspace=1) for idx in range(NUM): sp = plt.subplot(5,5,idx+1) plt.imshow(train_images[idx]) plt.title(f'{class_names[train_labels[idx]]}') plt.show() plt.figure() plt.imshow(train_images[0]) plt.colorbar() plt.grid(False) plt.show() # 간단한 이미지 전처리 (for ANN) train_images = train_images / 255.0 test_images = test_images / 255.0 class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] plt.figure(figsize=(10,8)) for i in range(20): plt.subplot(4,5,i+1) plt.xticks([]) plt.yticks([]) plt.grid(False) plt.imshow(train_images[i], cmap=plt.cm.binary) plt.xlabel(class_names[train_labels[i]]) plt.show() model = keras.Sequential ([ keras.layers.Flatten(input_shape=(28,28)), keras.layers.Dense(128, activation='relu'), keras.layers.Dense(10, activation='softmax'), ]) model.summary() model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(train_images, train_labels, epochs=20) predictions = model.predict(test_images) predictions[0] np.argmax(predictions[0]) test_labels[0] def plot_image(i, predictions_array, true_label, img): predictions_array, true_label, img = predictions_array[i], true_label[i], img[i] plt.grid(False) plt.xticks([]) plt.yticks([]) plt.imshow(img, cmap=plt.cm.binary) predicted_label = np.argmax(predictions_array) if predicted_label == true_label: color = 'blue' else: color = 'red' plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label], 100*np.max(predictions_array), class_names[true_label]), color=color) def plot_value_array(i, predictions_array, true_label): predictions_array, true_label = predictions_array[i], true_label[i] plt.grid(False) plt.xticks([]) plt.yticks([]) thisplot = plt.bar(range(10), predictions_array, color="#777777") plt.ylim([0, 1]) predicted_label = np.argmax(predictions_array) thisplot[predicted_label].set_color('red') thisplot[true_label].set_color('blue') num_rows = 5 num_cols = 3 num_images = num_rows*num_cols plt.figure(figsize=(2*2*num_cols, 2*num_rows)) for i in range(num_images): plt.subplot(num_rows, 2*num_cols, 2*i+1) plot_image(i, predictions, test_labels, test_images) plt.subplot(num_rows, 2*num_cols, 2*i+2) plot_value_array(i, predictions, test_labels) plt.show() from sklearn.metrics import accuracy_score print('accuracy score : ', accuracy_score(tf.math.argmax(predictions, -1), test_labels))

Study · 2025-06-26

Day3 : Perceptron

Report : Perceptron 1. 퍼셉트론이란? 생물학적 뉴런을 모방한 가장 기본적인 인공신경망 입력 값 × 가중치 + 바이어스를 통해 선형결합을 만들고, 단위 계단 함수(step function) 로 0 또는 1을 출력 간단한 구조지만, 선형 분리 가능한 문제는 완벽하게 해결할 수 있음 하나의 직선으로 나눌 수 있으면 → 선형 분리 가능 단위 계산 함수 : 입력값이 0보다 크면 1을 출력하고, 그 외엔 0을 출력하는 함수 2. 퍼셉트론 학습 방식 (코드 중심) # AND & OR & NAND & XOR Gate Perceptron import numpy as np import matplotlib.pyplot as plt class Perceptron: def __init__(self, input_size, lr=0.1, epochs=10): self.weights = np.zeros(input_size) self.bias = 0 self.lr = lr self.epochs = epochs self.errors = [] def activation(self, x): return np.where(x > 0, 1, 0) def predict(self, x): linear_output = np.dot(x, self.weights) + self.bias return self.activation(linear_output) def train(self, X, y): for epoch in range(self.epochs): total_error = 0 for xi, target in zip(X, y): prediction = self.predict(xi) update = self.lr * (target - prediction) self.weights += update * xi self.bias += update total_error += int(update != 0.0) self.errors.append(total_error) print(f"Epoch {epoch+1}/{self.epochs}, Errors: {total_error}") # AND 게이트 데이터 및 학습 X_and = np.array([[0,0],[0,1],[1,0],[1,1]]) y_and = np.array([0,0,0,1]) print(" AND Gate Training") ppn_and = Perceptron(input_size=2) ppn_and.train(X_and, y_and) print("\n AND Gate Test:") for x in X_and: print(f"Input: {x}, Predicted Output: {ppn_and.predict(x)}") # OR 게이트 데이터 및 학습 X_or = np.array([[0,0],[0,1],[1,0],[1,1]]) y_or = np.array([0,1,1,1]) print("\n OR Gate Training") ppn_or = Perceptron(input_size=2) ppn_or.train(X_or, y_or) print("\n OR Gate Test:") for x in X_or: print(f"Input: {x}, Predicted Output: {ppn_or.predict(x)}") # NAND 게이트 데이터 및 학습 X_nand = np.array([[0,0],[0,1],[1,0],[1,1]]) y_nand = np.array([1,1,1,0]) # AND와 반대 print("\n NAND Gate Training") ppn_nand = Perceptron(input_size=2) ppn_nand.train(X_nand, y_nand) print("\n NAND Gate Test:") for x in X_nand: print(f"Input: {x}, Predicted Output: {ppn_nand.predict(x)}") # XOR 게이트 데이터 및 학습 X_xor = np.array([[0,0],[0,1],[1,0],[1,1]]) y_xor = np.array([0,1,1,0]) # 선형 분리 불가능 print("\n XOR Gate Training") ppn_xor = Perceptron(input_size=2) ppn_xor.train(X_xor, y_xor) print("\n XOR Gate Test:") for x in X_xor: print(f"Input: {x}, Predicted Output: {ppn_xor.predict(x)}") 2-1. train() 함수 호출 ppn_and.train(X_and, y_and) X_and: 입력 데이터 배열 (예: [0,0], [1,1] 등) y_and: 각 입력에 대한 정답 출력값 2-2. 전체 반복 (epoch) 시작 for epoch in range(self.epochs): # 총 10번 반복 한 epoch는 전체 데이터를 한 번 학습하는 주기 총 10번 반복하면서 조금씩 가중치를 조정 2-3. 한 epoch 내 샘플 반복 for xi, target in zip(X, y): 각 데이터 xi와 정답 target을 하나씩 꺼내 순차 학습 2-4. 예측 과정 prediction = self.predict(xi) predict() 내부에서 다음 순서로 작동: linear_output = w·x + b activation() → 0 또는 1 반환 2-5. 오차 계산 및 가중치/바이어스 업데이트 update = self.lr * (target - prediction) 예측이 정답보다 작으면 → update > 0: 가중치 증가 예측이 정답보다 크면 → update < 0: 가중치 감소 예측이 정확하면 → update == 0: 가중치 변화 없음 self.weights += update * xi self.bias += update 각 입력 값에 따라 가중치 조정 항상 바이어스도 같이 업데이트 2-6. 에러 카운트 total_error += int(update != 0.0) 예측이 틀렸을 때만 에러로 집계 2-7. 학습 결과 출력 self.errors.append(total_error) print(f"Epoch {epoch+1}/{self.epochs}, Errors: {total_error}") 학습이 진행될수록 Errors가 줄어드는지 확인 가능 하지만 XOR은 줄지 않음 → 선형 분리 불가능 문제 2-8. 최종 예측 결과 확인 각 게이트에 대해 학습이 끝나면 다음을 수행: for x in X_and: print(f"Input: {x}, Predicted Output: {ppn_and.predict(x)}") 학습된 가중치로 새로운 입력을 테스트해보는 과정 2-9. 요약: 퍼셉트론 학습 흐름 입력 X, 정답 y → 가중합 계산 (w·x + b) → 계단 함수로 예측 → 오차 계산 (target - predict) → w, b 업데이트 → 에러 기록 → epoch 반복 → 학습 완료 후 테스트 3. XOR 게이트가 퍼셉트론으로 안 되는 이유 퍼셉트론은 직선 하나로 출력을 나누는 모델 XOR은 어떤 직선으로도 0과 1을 나눌 수 없음 즉, 선형 분리 불가능 문제 → 퍼셉트론 한계 해결책: 다층 퍼셉트론 (MLP) 비선형성을 처리하기 위해 은닉층 + 비선형 활성화 함수 (예: sigmoid, ReLU)를 활용하고, 오차 역전파(Backpropagation)로 학습함

Study · 2025-06-25

Day3 : Perceptron

Study · 2025-06-25

Day2 : OpenCV

Study · 2025-06-24

Day1 : Linux start

📂 1. 리눅스 시스템 기본 명령어 ctrl + alt + T : 터미널을 새 창으로 실행 python3 : Python 3 버전 확인 (예: 3.10.12) df -h : 디스크 파티션 사용량 확인 (사이즈 단위 human-readable) ifconfig : IP 주소 및 네트워크 정보 확인 (net-tools 필요) htop : CPU 및 메모리 실시간 모니터링 clear : 터미널 화면을 깨끗하게 지움 echo : 문자열이나 변수 값을 출력 (스크립트 디버깅에 자주 사용) uname -a : 커널 및 시스템 정보 전체 출력 sudo : 관리자 권한(superuser)으로 명령어 실행 🧰 2. 패키지 설치 및 환경 구성 sudo apt install python3-venv : venv 모듈 설치 sudo apt install net-tools htop : ifconfig와 htop 명령어를 사용하기 위한 패키지 설치 sudo apt install vim : vim 텍스트 편집기 설치 sudo apt install curl : URL 통신 도구 curl 설치 sudo apt install plocate : locate 명령어 대체 패키지 설치 sudo apt install ncal : 달력 출력 명령어(ncal) 설치 (확장된 cal) 🐍 3. Python 가상환경 및 pip 관련 명령어 python3 -m venv .env : 가상 환경 생성 (.env 폴더에) source .env/bin/activate : 가상 환경 활성화 deactivate : 가상 환경 종료 pip install -U pip : pip을 최신 버전으로 업그레이드 ⚙️ 4. 시스템 조작 명령어 ps : 현재 실행 중인 프로세스 정보 확인 kill : 특정 프로세스를 종료 (예: kill PID) service : 백그라운드 서비스 시작/중지/재시작 등 관리 batch : 시스템 부하가 적을 때 명령어를 실행 (지연 실행) shutdown : 시스템 종료 또는 재부팅 예약 (예: shutdown -h now) 📁 5. 파일 관리 명령어 touch : 새로운 빈 파일 생성 cat : 파일 내용을 출력하거나 여러 파일을 연결 head : 파일의 처음 몇 줄을 출력 (기본 10줄) tail : 파일의 마지막 몇 줄을 출력 (기본 10줄) cp : 파일이나 디렉토리를 복사 mv : 파일이나 디렉토리를 이동하거나 이름 변경 comm : 두 개의 정렬된 파일을 비교하여 공통/차이 출력 cmp : 두 파일을 바이트 단위로 비교 (다른 위치 출력) dd : 저수준 복사 명령어 (디스크 백업, ISO 굽기 등 활용됨) ln : 링크 파일 생성 (기본은 하드링크, `-s`는 심볼릭 링크) less : 긴 파일을 한 화면씩 읽기 (스크롤 가능, cat보다 편함) sort : 파일 내용을 알파벳 또는 숫자 순으로 정렬 chmod : 파일 권한 설정 (예: 실행 권한 부여) chown : 파일이나 디렉토리의 소유자(user)나 그룹 변경 🌐 6. 네트워크 관련 명령어 wget : URL로부터 파일 다운로드 (예: 이미지, 문서 등) curl : URL로부터 데이터 전송 또는 수신 (API 테스트에 자주 사용) traceroute : 목적지까지 거치는 라우터 경로 추적 (네트워크 문제 진단에 사용) iptables : 리눅스 방화벽 설정 및 패킷 필터링 제어 🔍 7. 검색 및 정규 표현식 find : 파일이나 디렉토리를 조건 기준으로 검색 which : 명령어의 실행 파일 경로 확인 (PATH에서 검색) locate : 인덱스 기반으로 빠르게 파일 경로 검색 (`updatedb` 필요) grep : 텍스트에서 특정 문자열 검색 및 출력 (정규 표현식 지원) sed : 문자열 치환/삭제 등 스트림 편집에 사용 🧩 8. 기타 명령어 man : 명령어 사용법, 옵션 등을 설명하는 매뉴얼 페이지 보기 whatis : 명령어의 짧은 설명 출력 (man 페이지 요약) cal : 월간 달력 출력 (예: cal 2025 6) banner : 입력한 문자열을 큰 아스키 아트 텍스트로 출력 rev : 문자열이나 파일 내용을 반대로 출력 tar : 파일 및 디렉토리를 아카이브하거나 압축 해제 📝 9. Vim 탐색 및 검색 단축키 Shift + G : 파일의 마지막 줄로 이동 /문자열 : 문자열 검색 (예: /pip) n : 다음 검색 결과로 이동 N : 이전 검색 결과로 이동 💡 10. 메모 Ctrl + w + v : Vim에서 수직 창 분할 :e . : Vim에서 파일 탐색기 열기 locate python3 > search.txt : locate 결과를 파일로 저장 grep -rn 'pip' > result.txt : 현재 디렉토리 내 'pip' 포함 줄을 재귀적으로 검색해 저장 # Home Work 폰 노이만 아키텍처 폰 노이만 병목 현상 캐시 메모리 하버드 아키텍처 파이프라이닝 멀티코어 프로세서 구글 제미나이: PPT 제작 용이 (.html)

Study · 2025-06-23

hong.com

Contact

Linux