닥터(진)

  후쿠오카 하카타역 스루가야에서 구입한 4만 얼마정도하는 (엔저환율반영) 로봇혼 알렉스 로봇혼 장점: 저 주황/파랑 이펙트 파츠가 돈값을 한다.  그리고,,, 커여운 알렉스 색분할은 깔끔, 팔 개틀링이 낙지가 있어 보이지만 acceptable함 스러스터 이펙트를 달아보았다 스러스터 이펙트의 고정성은 든든~  맥켄지 중위 무릎앉아 수준 개빠졌누 뒤에서 보면 박력이 넘친다 로봇혼 단점: 애니를 충실히 재현한다는 핑계로 뭔가 심심함 그래서 남는 데칼을 붙임/ 먹선도 해줌 ㅎㅎ +왕빔샤벨 이펙트 방패는 따로 잡지 않아도 고정이 가능 이거저거 데칼을 붙여서 누구 데칼이라고 특정은 못하겠지만,, 로봇혼의 미래다 남는 이펙트/손 파츠 {{오늘의 리빙포인트: 일본 프라샵 등에서 붙어있는 왼쪽 상단과 같은 중고(中古) 는 새거같은 개인매물임 박스개박살난거 아니면 웬만하면 상태 갠찬, 나도 처음에 검색 엄청했는데, 검색결과가 딱히 안나와서 눈딱감고 멘땅에 해본 경험이 있었음, 일본에서 헤메는 누군가에겐 개꿀팁일거라고 생각됨}}

          그 익리덤 조립기 리뷰 시작! 세줄요약: 1. 조립재미 , 만족감 최상 2. 심지어 정크없는 가심비 뚝딱 3. 가조립만해도 충만함  STEP 1: 내부 프레임 조립 다양한 골드 컬러 런너를 통해 겹겹으로 최상의 금속 재질을 표현! (하지만 함정 재질이 하나 있긴함) ABCDG 런너가 골드(내부) 프레임을 만들게 함  위 런너는 B (정확한 색상이름은 까먹, 화이트 골드였나)이고 따로 도색이 필요없는 옙쁜 금색 (데칼은 반다이 기본데칼말고 델피 홀로 데칼을 구매를 해놓았다) 위 런너는 G이고 도색이 개필요한 인도카레색, G 런너 2장과  A런너의 카레색 부분을 뜯어 타미야 골드 스프레이 도색을 해준다 요거 뿌려주셈 위와 같은 애기똥색 카레색은 반드시 탈출시킨다 마인드로 도색을 샥샥하면 아주 괜찮은 골드프레임으로 나오게 된다 내부 프레임 가조립 모습, 만원 투자로 이질감없는 톤앤톤 금색이 표현됨 이건 금속 표현을 극대화 어쩐다 하는 겹겹 레이어중 똥을 담당하고 있는 스티커임 메탈릭( 삼색) 스티커는 별다른 이슈없지만 왼쪽의 에칭 스티커는 익리덤의 유일한 똥을 담당 이렇게 스러스터 스러운 부분에 붙여주는 건데 왜 똥이라고 하냐면 . . . , , , , , , , 스티커가 왜 후두둑? 내가 잘못한게 있거나 뽑기운이겠거니 함,, 저거 본드칠하면 흰자국 남고 참사날까봐 망실된거 그냥 잊고 내부프레임 마무리함 ㅅㄱ STEP 2: 등짝 조립 반다이에서 내부프레임 구경 많이해두라고 외장을 바로입히는 순서로 설명서를 구성하지 않고, 바로 등짝을 만들도록 시킨다. 순조만 해도 꽤 예쁨, 심지어 아구가 딱딱 맞아서 조립감도 깔끔하고 재밌음 (본인은 알뉴, 뉴버카, 사자비버카 판넬 만들때 굉장히 지루함을 느낌) 예쁘다 예뻐 다 만들면 뒤로 볼륨감이 꽤 생겨서 자립은 힘들어진다 암튼 등짝까지 다 만들면 RG 후쿠뉴랑 비교했을때 높이가 위와 같다 STEP 3: 마무리 성형 on  먹선안넣...

OS 이미지 파일 dockerfile로 만들기  Docker file --> Docker image 생성 $docker build -f docker_filename Dockerfile 작성: 베이스 이미지 지정 ( FROM ubuntu:latest ) 필요한 패키지 설치 및 설정 ( RUN apt-get update && apt-get install -y nginx ) 애플리케이션 파일 복사 ( COPY app.js /app/ ) 포트 노출 ( EXPOSE 80 ) 컨테이너 실행 시 실행할 명령어 지정 ( CMD ["nginx", "-g", "daemon off;"] ) Dockerfile 위치에서 터미널 열고 Docker 이미지 빌드: docker build -t 이미지이름:태그 -f Dockerfile경로 . -t : 생성될 이미지의 이름과 태그 지정 -f : Dockerfile의 경로 지정 (현재 디렉토리에 있다면 생략 가능) . : build context 지정 (Dockerfile 위치를 지정) 이미지 생성 과정 진행: Dockerfile의 각 명령어가 한 줄씩 실행되며 이미지 레이어 생성 성공적으로 완료되면 지정한 이름과 태그의 이미지 생성됨 생성된 이미지 확인:           docker images 이미지로 컨테이너 실행: docker run -p 호스트포트:컨테이너포트 이미지이름:태그

디지털 카메라에 대한 이해  -RAW Bayer Pattern  RAW Bayer Pattern: 이미지가 들어오고 나서 이미지 센서에서 영상 정보로 저장되는 저장되는 패턴  (RGB값이 아님, Raw Bayer pattern 에는 한 픽셀에 하나의 컬로원을 가지고 있음)  위와 같은 경우는 BGGR 패턴으로 읽는다. 이미지 센서단에서 여러 RGB값을 가진 백색광 등의 빛의 파장이 들어오면, 왼쪽 센서그림과 같이 각각 취득된 정보들을 사람이 알수 있도록 최대한 자연스러운 RGB 패턴으로 바꿔주는 interpolation과 같은 과정을 가진다. ( nn, bilinear등,,) -Image signal process 이미지 센서단에서 취득한 이미지RAW값을 사용자가 볼 수 있는 RGB값으로 처리하기 위해서는, 위 그림에서처럼 이미지 영상을 렌즈에서 받아 이미지 센서에서 아날로그 데이터를 받아 들인 후, Quantization을 통해 연속적인 데이터를 이산 데이터로 바꾼다 ( 아직 Bayer data) image processing engine에서는 raw image를 RGB영상으로 변환하고, 밝기를 조절하고, 화이트밸런스를 맞추고, edge와 contrast를 조정한다. 그 후 우리가 볼 수있는 image로 사용된다.( display, 압축, 전송 등) 압축 시 JPG 확장자로 할 때, RAW image를 어느정도 loss하면서 압축을 진행하는 반면, PNG형태로 영상을 저장하면 loss없이 그대로 압축을 진행하게 된다  -IMAGE NOISE     SHOT NOISE : 실제 영상 촬영 당시 불균형하게 들어가는 빛의 noise, 푸아송 분포를 따름     READ NOISE : 이미지 quatization과정 (analog -> digital 변환)에서 나타나는 고유한 output noise, 가우시안 랜덤 분포를 따르고, digital gain에 비례 노이즈 제거하는 방법:...

AWS 장점- 온디맨드, 향상된 속도와 민첩성, 규모의 경제 혜택, 글로벌 배포 AWS 탄력성이란: 수요변화에 따라 리소스 크기 조정(확장성), 종량제 청구 모델, 안쓰이는 CPU용량 제거  유연성이란: 여러 운영체제, 여러 프로그래밍 언어 사용가능  종량제 가격 : 고정비용 -> 변동 비용 (데이터 센터운영비용, 물리적 서버비 절감) 빠른 서비스 제공: 엣지 로케이션 마이크로서비스로만 구축하려면: AWS 구성 요소 결합 해제  AWS 아키텍쳐 설계 원칙: 확장가능 아키텍처, 관리형 서비스 , 자주 작게 되돌릴 수 있는 변경, 프로세스 및 절차의 지속적 개선( 운영 우수성), 예상시간에 의도한 기능 정확일관 수행(성능 효율성), 탄력적이고 신속 자동복구 및 수요충족을 위한 동적 컴퓨팅 확보(안정성) Resource tagging: AWS 월별 청구서 이해에 도움 리전 (Region): AWS의 서비스가 제공되는 서버의 물리적 위치, 글로벌 인프라의 구성요소 리전이 아닌 AWS: cloudfront, route 53 AWS 비즈니스서포트: 프로그래밍 방식 사례 관리하는 서포트 플랜, 24시간 연중무휴 글로벌 배포: 짧고 높은 처리량과 중복성을 가진 네트워크로 연결된 여러 리전 구성 가용영역(Available Zone, AZ) :데이터 센터는 보안상의 이유로 어디에 위치하는지 공개가 되지 않고 고객이 사용할 데이터 센터를 선택할 수도 없음, 상호 연결된 하나 이상의 격리된 데이터 센터  책임 공유 모델 AWS 책임: 인프라 물리적 장치 구성, 물리적 보안, 운영 체제 패치, 가상화 계층 보안, 리소스 구성, EC2에 운영그룹 구성 , 앱 라이센스 비용 사용자 책임: 자체게스트 OS/DB 등 컴퓨팅 Amazon EC2 -클라우드에서 안전하고 규모 조정이 가능한 컴퓨팅 파워를 제공 안전하고 크기 조정 가능한 컴퓨팅 용량 사용 몇 분만에 서버 인스턴스 부팅, 인스턴스 중지해도 EBS스토리지와 탄력적 IP 요금은 나감.  ...

지난 시간까지 인디언 부족의 몇년동안 누적된 의료기록 데이터를 가져오고 전처리하는 과정을 하면서 딥러닝을 하기위한 모든 준비가 마쳤다 이번 시간에는 4번째 강의만에 드디어 딥러닝스러운 신경망을 만들어보는 차례다 원래 정공법은 다양한 활성화 함수라던가 역전파 이론이라던가 수학적인 배경을 채우면서 이론을 배경으로 구현하지만 실제로 내가 그렇게 해본결과 재미도없고 비전공자는 한단락 읽고 나갈것이 자명하다                                               (나와 우리 교우들은 이런거로 시작함;) 따라서 레고들을 가지고 조립하며 구현하는 과정에서 우리 어렸을 적에 '김영만 종이접기' 처럼 경험적으로 배우는게 훨씬 기억에 잘 남고 이해가 잘된다고 생각한다.  (사실 인공지능이라는게 핫해진지 얼마 안되어서 정공법으로 배운다 라는 개념이 없긴함)  일단 오늘은 LSTM이나 GRU 같은 '순환 신경망' '시계열 데이터를 다루는 딥러닝' 등의 상위 개념인 '시퀀셜 모델 신경망'을 만들기 위해 신경망 레이어를 만들며 익혀볼것이다. 시계열데이터, 순환신경망, 시퀀셜 모델 이런것은 '시계열 데이터'를 분석 혹은 예측과 같은 작업을 위해 사용하는 신경망인데, 시계열 데이터는 지난 시간에 배웠듯이 시간 순서에 따라 벨류가 찍히는 시간적인 역학관계가 내포된 데이터다 지금 최대한 쉽게 설명하고 있는데 아마 비전공자 입장에서보면 슬슬 벽이 느껴질 수 있으니까 꼭 1편부터 보는것을 추천한다 아무쪼록 이런 시퀀셜 모델의 신경망을 케라스로 만들때는 굉장히 쉽다 일단 예제코드를 보면서 하나씩 설명을 하자면 , i) 우선 추후에 어떤 심화적인 딥러닝 코드를 하더라도, 보통 우선은 '케라스' 로 할 경우에 시...