1 minute read

Deep Learning은 학습데이터량이 많아야 합니다.
많다는 기준은 10만개 이상을 가리킵니다.
일반적으로 현실에서 얻을 수 있는 데이터의 양에는 한계가 있습니다.
특히 vision 쪽은 더욱이 데이터를 얻기가 어렵습니다.
그러므로 적은 양의 Data를 이용해서 학습할 수 있는 방법을 모색해야 합니다.

그 방법은 [개와 고양이 판별 예제]를 통해 배워보겠습니다.
실사 이미지로 고양이와 강아지의 사진이 제공되는데요.
이것을 이진분류 해봅시다.
→ 이 작업을 위해 Anaconda를 설치합니다.

Anaconda는 가상환경으로 구성되어 있습니다.
하나하나의 가상환경은 독립적인 공간입니다.
기본적으로 Anaconda를 설치하면 BASE라는 가상환경이 이미 생성되어 있습니다.
BASE가상환경에서 data_env라는 새로운 가상환경을 생성합니다.

Anaconda 홈페이지에서 Anaconda를 설치합니다.
설치가 완료되었다면 Anaconda Prompt를 실행합니다.

# 가상공간 생성
conda create -n data_env python=3.8 openssl

# 가상공간 진입
conda activate data_env

이제 필요한 모듈을 설치합니다. 설치 방법에는 두가지가 있습니다.

  • pip: 기본이며 필요한 모듈을 그냥 설치합니다.
  • conda: dependency를 맞춰줍니다.
conda install numpy pandas matplotlib # 버전을 명시하지 않으면 가장 최신버전을 설치합니다.
conda install scikit-learn
conda install tensorflow
conda install nb_conda # Jupyter notebook 설치

Jupyter notbook의 Home 폴더를 만듭니다. 코드 작성하는 Home 폴더로 사용할 겁니다.

C:\jupyter_home # 폴더를 생성합니다.

Jupyter notebook을 실행합니다. image 자동으로 아래의 페이지가 열리는데요.
이 페이지의 ‘new’에서 방금 생성한 ‘dev-env’ 가상환경이 보인다면 가상환경이 잘만들어진겁니다.
프롬프트에서 ctrl+c를 실행해 jupyter notebook을 끕니다. image 프롬프트에 jupyter notebook --generate-config를 입력하면 아래의 입력된 주소에 config 파일이 생성됩니다. 아래의 경로로 들어가보겠습니다. image image 파일의 450번째줄에 c.NotebookApp.notebook_dir에 방금 생성한 Home 폴더의 경로를 입력합니다. image 다시 프롬프트로 돌아와 jupyter notebook을 입력해 실행시키면 아까와 같이 new폴더에 dev-env가상화면이 보입니다. image dev-env를 클릭하면 colab과 같은 화면이 보입니다!!! image 이렇게 환경구축은 끝났습니다!

Leave a comment