GreatM

pickle 라이브러리를 이용하여 데이터 저장 및 읽기 tmp1에 어떤 데이터가 저장되어있다. numpy와 array형태로 저장되어있는 데이터에서 테스트했다. import pickle #save save_file = open ( 'test.pickle' , 'wb' ) pickle.dump(tmp , save_file) save_file.close() #read read_file = open ( 'test.pickle' , 'rb' ) tmp2 = pickle.load(read_file) read_file.close()

import numpy as np x = [] a = np.array([1,2,3]) Out[5]: array([1, 2, 3]) a.shape Out[6]: (3,) np.concatenate((x,a)) Out[7]: array([ 1.,  2.,  3.]) x = np.concatenate((x,a)) x = np.concatenate((x,a)) Out[10]: array([ 1.,  2.,  3.,  1.,  2.,  3.]) x = [] x = np.concatenate((x,a), axis=1) => 오류발생  -. x가 차원이 안맞아서 안됨.  np.expand_dims(a,axis=1) Out[14]:  array([[1],        [2],        [3]]) b = np.expand_dims(a,axis=1) b.shape Out[16]: (3, 1) => (3,1)짜리 차원으로 확장한 후 열 방향으로 쌓을 수 있다. => 아래는 empty함수나 zeros를 사용하여 공간을 만드는 작업 x = [] x = np.empty((3,0)) x Out[19]: array([], shape=(3, 0), dtype=float64) x = np.zeros((3,0)) x Out[21]: array([], shape=(3, 0), dtype=float64) x = np.zeros((3,0)) a Out[23]: array([1, 2, 3]) b Out[24]: array([[1],        [2],        [3]]) np.concatenate((x,b), axis=1) Out[26]: array([[ 1.], ...

Lab 시리즈 화장품 구매(파란색, 가장크게) <span style="color: blue; font-size: x-large;">Lab 시리즈 화장품 구매(파란색, 가장크게)</span><br /> Lab 시리즈 화장품 구매(검은색, 보통) <span style="color: blue; font-size: x-large;"><br /></span> Lab 시리즈 화장품 구매(검은색, 보통)<br /> Lab 시리즈 화장품 구매(검은색, 보통, Airal) <span style="font-family: Arial, Helvetica, sans-serif;">Lab 시리즈 화장품 구매(검은색, 보통, Airal)</span><br /> Lab 시리즈 화장품 구매(검은색, 보통, Airal, Bold) <span style="font-family: Arial, Helvetica, sans-serif;"><b>Lab 시리즈 화장품 구매(검은색, 보통, Airal, Bold)</b></span> 하나의 문단을 의미하는 <p>태그 문장의 일부를 의미하는 <span>태그 강제줄바꿈을 의미하는 <br>태그 비교적 넓은 지역을 묶어 지정 </div>

필요한 라이브러리 import cv2 import numpy as np import scipy.io import os, sys import glob cv2 : 영상을 읽을 때 opencv를 사용함 scipy.io : matlab에서 구한 결과값을 사용하기 위해 mat-file을 load해야함 glob : 폴더 내의 영상들의 리스트를 읽어올 때 필요한 라이브러리 os, sys : 경로추가 때 필요한 라이브러리 image파일들이 포함된 폴더에 접근하여 폴더 내의 모든 image파일 리스트를 가져오고 cv2.imread를 이용하여 image에 포함된 픽셀 값을 담을 수 있는 변수를 생성한다. image의 전처리 과정들은 numpy 라이브러리르 많이 사용하기 때문에, array형태로 저장한다. 그 결과 image 파일 리스트와 image가 담긴 변수를 반환한다. def load_img_list(path, extension_name): if os.path.exists(path + '/*.' + extension_name): print("No File") img_file_list = glob.glob(path + '/*.' + extension_name) ori_img = [] for i in range(len(img_file_list)): img = cv2.imread(img_file_list[i], cv2.IMREAD_GRAYSCALE) ori_img.append(img) ori_img = np.array(ori_img) return ori_img, img_file_list matlab에서 실행하면 결과값이 mat파일로 저장된다. 이를 불러오고, mat파일 내의 원하는 인자들을 들고 오기 위해 dictionary 값을 인자로 넣어준다. 본 연구에서는 x와 y값이 한번에 ...

Keras 라이브러리를 이용하여 cifar 10 데이터를 기본적인 CNN 구조를 이용하여 수행 사용하는 레이어들을 추가한다. from keras.layers import Input, Dense, Dropout, Activation, Flatten from keras.layers import Conv2D, MaxPooling2D 모델도 추가한다. from keras.models import Model 구조는 기본적으로 아래와 같다. 이는 keras에서 제공하는 cifar10 예제를 참고하였다. conv2D -> conv2D -> maxpooling -> dropout -> conv2D -> conv2D -> maxpooling -> dropout -> flatten -> Dense -> dropout ->Dense(마지막은 분류하고자 하는 개수, 여기서는 10) 블럭을 생성하기 전에 Input layer에 형태를 넣어줘야한다. #Input inputs =Input((32,32,3)) # block1 x = Conv2D(32, (3,3), activation='relu', padding='same', name='block1_conv1')(inputs)  x = Conv2D(32, (3,3), activation='relu', padding='valid', name='block1_conv2')(x)  x = MaxPooling2D((2, 2), name='block1_pool')(x) x = Dropout(0.25)(x)  # block2 x = Conv2D(64, (3,3), activation='relu', padding='same', name='block2_conv1')...

pip 설치 $ sudo easy_install pip pip를 이용하여 virtualenv설치 $ sudo pip install --upgrade virtualenv virtualenv를 이용하여 가상환경 설치 $ virtualenv --system-site-packages -p python3 /경로/가상환경이름 가상환경 활성화 $ source ~/가상환경이름/bin/activate 가상환경활성화(예를 들면 가상환경 이름을  tensorflow_envs라 한다면) 가상환경을 활성화 한 후 활성화 된 상태에서 tenforflow와 keras설치 (tensorflow_env) $pip3 install --upgrade tensorflow (tensorflow_env) $pip3 install --upgrade keras 모든 내용은 python 3. 버젼 기준으로 설치하였다.

mathwork 에 올라온 Digital Image Correlation 코드에 관한 문서 정리 Code Structure 및 각 Step 별 간단한 설명 Main GUIs  1. image_setup_GUI     - 이미지 준비단계로 폴더 내의 모든 이미지 파일에 대한 정보를 가져온다 .( 이미지 확장자 , 개수 등 )  2. correlate_images_GUI     - 이미지 간의 correleation 을 수행하고 변위 값을 출력   3. compute_data_GUI     - 정밀한 변위값을 구하기 위해 보간하고 유한요소법 함수를 이용하여 변형률을 계산   4. visualize_data_GUI     - 변위와 변형률을 다양한 형태로 보여줌 추가적으로   1. delete_data_GUI     - correlate 를 수행하지 않는 부분은 지워줌   2.movie_GUI    - 모든 이미지에 대해서 correlate 과정을 time lapsed 형태로 보여줌 Steps of a Typical Correlation Step1. Set up the images to be correlated.  a) 모든 이미지를 하나의 폴더에 준비   b)  image_setup_GUI 를 실행 Step2. Determine if displacements are large enough to require an initial guess.  a)  correlate_images_GUI 를 실행 , spare grid 를...