둠선생 연구실

반복자(Iterator)란 자료 구조의 원소를 가리키는 변수다. lower_bound 와 upper_bound #include #include #include #include #define vi vector using namespace std; int main() { vi v = { 1,1,1,1,2,3,3,4,5,7,8,8,8 }; auto a = lower_bound(v.begin(), v.end(), 5); auto b = upper_bound(v.begin(), v.end(), 5); cout

이번엔 1부터 n까지의 원소를 가지는 집합으로 만들 수 있는 순열들을 생성하는 알고리즘이다. 재귀 함수로 구현했기 때문에, 재귀함수 사용에 익숙하지않다면, 한 눈에 코드의 동작을 이해하기는 쉽지않을 수 있다. #define _CRT_SECURE_NO_WARNINGS #include #include using namespace std; #define REP(i,a,b) for(int i = a; i

알고리즘 문제 풀이 시 간혹 테스트 입력을 파일로 주는 경우도 있고, 아니면 문제 자체에서 입출력을 파일로 요구하는 경우도 있다. 이럴때 흔히 아래와 같은 방법을 이용한다. freopen("input.txt", "r", stdin); freopen("output.txt", "w", stdout); 위의 코드는 문제 자체에 프레임이 주어지는 경우 포함되있는 경우도 많이 있는 거 같다.

#define _CRT_SECURE_NO_WARNINGS #include #include using namespace std; vector subset; int n = 4; void search(int k) { if (k == n + 1) { // 부분 집합 출력 for (int i = 0; i < subset.size(); i++) cout

C++ 프로그램에서 입력과 출력이 병목이 될 때가 있다. 혹은 쉽게 C++의 cout cin가 scanf 나 printf 에 비해서 느리기 때문에 가속화 시킬 목적으로 ios::sync_with_stdio(0); cin.tie(0); 을 코드 시작부분에 입력해준다. 주의해야할 사항은 이 경우엔, scanf, printf 등의 C 입출력 함수와 동시에 사용할 수 없다. 추가로 "\n" 이 endl보다 빠르다 이는 endl은 플러시(출력 버퍼 비움)가 같이 일어나기 때문이다. 일반적인 코드를 짤 때가 아닌, 경진 프로그래밍 혹은 알고리즘 문제풀이 등에서 입출력 속도가 문제되는 경우가 있을 수 있기 때문에, 불편하더라도 이 경우엔 scanf 나 printf를 사용하는 것도 좋은 방법이다.

데이터 분석이나 머신러닝에서 결과를 시각적으로 확인하는 것은 매우 유용합니다. matplotlib를 이용하여 keras를 이용한 학습 결과를 그래프로 확인해보겠습니다. keras에서 model.fit 을 이용하여 학습하면 history 속성을 통해 학습결과를 제공합니다. 기본적으로 loss, acc, val_loss, val_acc 4가지 항목을 제공해줍니다. 위에서 얻어진 데이터를 그대로 가져와서 간단하게 그래프로 만들어보겠습니다. import matplotlib.pyplot as plt plt.rcParams["font.family"] = 'Malgun Gothic' plt.rcParams["font.size"] = 16 plt.rcParams["figure.figsize"] = (14, 9) his..

이번 포스팅은 텐서보드의 사용방법 입니다. 기계 학습에서 무언가를 개선하려면 측정 할 수 있어야합니다. TensorBoard는 기계 학습 워크 플로 중에 필요한 측정 및 시각화를 제공하는 도구입니다. 손실 및 정확도와 같은 실험 지표를 추적하고, 모델 그래프를 시각화하고, 임베딩을 더 낮은 차원 공간에 투영하는 등의 작업을 수행 할 수 있습니다. 1. 먼저 텐서 보드를 import 해야 합니다. import keras.callbacks 또는 import tensorflow.keras.callbacks 2. 텐서보드 사용을 위한 콜백함수를 정의합니다. 만약 import keras.callbacks를 사용했다면 아래에서도 동일하게 적용해주시면 됩니다. tb_hist = tensorflow.keras.call..

from tensorflow.keras.datasets import mnist from tensorflow.keras import layers import keras inputs = keras.Input(shape=(28, 28, 1), name="img") x = layers.Conv2D(32, 3, activation="relu")(inputs) 위와 같은 간단한 코드만 입력했는 데, inbound_layers = nest.map_structure(lambda t: t._keras_history.layer, AttributeError: 'tuple' object has no attribute 'layer' 오류가 발생했다. 원인은 import keras에 있는 데, 현재 사용중인 tensorflow ..