Jooo's life story

뱅갈 고무나무 키우는 방법도 어느정도 익혔고나만의 고무나무를 만들기 위해삽목 하는 방법을 폭풍 검색~~~ 몇일 동안 공부했더니그래도 일단 물에서 뿌리를 자라게 한 뒤에화분에 옮겨 심으면 될 듯 하다. 일단 뱅갈 고무나무에서 목질화가 어느정도 진행된나무 가지를 잘라 싹뚝~~~~하얀 고무액이 질질~~대충 휴지로 닦고 자른 나뭇가지는 컵에 물을 담아 풍덩~~ 그리고, 약 한달정도~ 처음에는 뿌리가 겁나 느리게 자랐다.아래 그림처럼 오돌도돌하게 조금씩 나오더니나오기 시작하니까좀 더 빠르게 뿌리가 자라기 시작했다. 아래 사진과 같이, 위쪽에는 오돌도돌하고 아래쪽만 뿌리가 길게자란 이유는 물이 어느정도 말라서 위쪽은물에 담겼다 안담겼다 하는 날이 많아서 그런 것이다. 어쩃든 이정도 뿌리가 자랐으면 흙에 옮겨 심어도..

언제부턴가 갑작스레, 식물에 관심이 생겼다.작년에 스투키로 시작하였다.스투키의 큰 한 그루는 에어콘으로 인해 무름병이 들었고,그 무름병을 고치기 위해수많은 노력을 했으나 결국 하늘나라로... 그렇게 스투키에 대해 공부하고 어느정도 익숙해 지니 시간이 너무 많았다. 스투키는 한달에 한번만 물을 주면 되고,특별히 관리할 것이 없었다. 그러던 차 뱅갈 고무나무를 알게되었고구매하기로 결정 사실 마음은 작은 나무 사서 크게 키우는 전략이었다 대략 3만원 정도 선에서 골랐는데마침 3만원짜리가 참 이뻐보였고싸게 느껴졌다. 뜨악~~~ 결제하려고 보니, 화분이 3.5만이란다... 왠지 뱅갈 고무나무는 싸게 사고화분에서 뒷통수 맞은 듯 하다.ㅋㅋ 영차 영차 열심히 집으로 가져와서..TV 옆에 셋팅...이쁘긴 하다.. 그러..

Link : https://arxiv.org/pdf/1706.01427.pdf A simple neural network module for relational reasoning Abstract 관계 추론(Relational reasoning)은 일반적으로 지능적인 행동의 중심 구성 요소이지만 신경망이 학습하는 것이 어렵다는 것이 입증되었습니다.본 논문에서는 관계형 추론에 근본적인 문제를 해결하기 위해 간단한 플러그 앤 플레이 모듈로 RN (Relation Networks)을 사용하는 방법을 설명합니다.우리는 RN-augmented 네트워크를 다음 세 가지 작업으로 테스트했습니다. CLEVR이라는 까다로운 데이터 세트를 사용하여 시각적 인 질문 응답을 제공합니다. CLEVR은 최첨단의 초인적 인 성능을 ..

자이가르닉 효과 : http://terms.naver.com/entry.nhn?docId=3377378&cid=58345&categoryId=58345마치지 못한 일을 마음속에서 쉽게 지우지 못하는 현상을 말한다. 일이 완결되지 않으면 긴장이나 불편한 마음이 지속되어 잔상이 오래 남을 수 있는데, 첫사랑을 쉽게 잊지 못하는 것이 대표적인 예라고 할 수 있다.예) 음식을 주문 받는 식당 웨이터는 주문이 완료된 뒤 주문 내역을 기억하지 못한다.일을 끝마친 집단과 일을 끝마치지 못하도록 방해 받은 집단의 기억 정도

링크 : https://stackoverflow.com/questions/18704353/correcting-matplotlib-colorbar-ticks샘플 코드# -*- coding: utf-8 -*-import numpy as npimport matplotlib as mpl#mpl.use('Agg')import matplotlib.pyplot as pltimport matplotlib.cm as cmimport matplotlib.colors as mcolors tick_label = [ "{}".format(i) for i in range(35)] def colorbar_index(ncolors, cmap, fig): cmap = cmap_discretize(cmap, ncolors) mappab..

1. 의존성 라이브러리 자동 requirement.txt 생성다른 환경에서 실행하기 위해, 종속성이 있는 라이브러리는 모두 설치해야하는데, 이를 쉽게 만들어주는 라이브러리이다. pip install pipreqs 사용법 : pipreqs ./func 결과 requirement.txtxlutils==2.0.0openpyxl==2.3.2xlrd==1.0.0numpy==1.11.3+mkl 한방에 설치 방법 pip install -r requirements.txt

sudo apt-get update sudo apt-get install gpac yUsageMP4Box -add filename.h264 filename.mp4 링크 : http://raspi.tv/2013/another-way-to-convert-raspberry-pi-camera-h264-output-to-mp4

파이썬에서 문자열을 이용하여 함수를 호출하는 방법 globals()['test'](1,2,3)locals()['test'](1,2,3) 클래스 내부에서 호출하는 방법getattr(self, 'test')(1,2,3) #문자열 함수 변환#string to function

import logginglog = logging.getLogger('werkzeug')log.setLevel(logging.ERROR)

일반적으로 데이터의 feature들을 벡터로 구성하고, 벡터간의 유사도를 구할때는 "Cosine distance"나 "Euclidean distance"를 사용합니다. 저도 프로젝트를 할때, 벡터간 유사도를 사용할때 "코사인 유사도"를 사용했습니다. (그냥 주로 그걸 쓰니까..?) 근데, 2016 IEEE에서 2가지 방법에 대해 단점을 논하고, 새로운 벡터간 유사도를 구하는 방법이 제안됐습니다. 논문제목은 "A Hybrid Geometric Approach for Measuring Similarity Level Among Documents and Document Clustering" 이고, 방법론은 TS-SS라고 불리는 measure입니다. 논문을 요약정리해서 깃허브에 올렸습니다. 추가적으로, TS-SS..