Savvy

IT

• Docker Docker 기본 명령어 3. Docker 기본 명령어3.1 docker --versiondocker --version 명령어는 현재 설치된 Docker의 버전을 확인합니다. 이 명령어는 Docker가 제대로 설치되었는지 점검할 때 유용합니다.사용법:docker --version출력 예시:Docker version 20.10.7, build f0df3503.2 docker pulldocker pull 명령어는 Docker Hub 또는 지정된 Docker 레지스트리에서 이미지를 다운로드합니다. 이미지는 로컬 시스템에서 사용될 수 있도록 풀(pull)됩니다.사용법:docker pull :예시:docker pull ubuntu:20.04위 명령어는 ubuntu:20.04 이미지를 Docker Hub에서 다운로드합니다.3.3 docke..

• Docker Docker 주요 개념 2. Docker의 주요 개념2.1 이미지 $(Image$)Docker 이미지$(Image$)는 컨테이너를 실행하기 위한 템플릿입니다. 이미지는 읽기 전용이며, 애플리케이션과 그 실행에 필요한 파일, 라이브러리, 설정 등을 모두 포함하고 있습니다. Docker 이미지는 컨테이너를 실행하는 데 필요한 환경을 완전히 정의합니다.이미지는 레포지토리와 태그로 구성됩니다. 예: nginx:latest레포지토리: 기본 애플리케이션 이름, 예: nginx태그: 특정 버전 또는 상태, 예: latest, 1.19, stable이미지는 여러 레이어로 구성되며, 각각의 레이어는 명령어$(RUN, COPY, ADD$)에 의해 생성됩니다.이미지는 커스터마이즈가 가능하며, 새로운 이미지 생성을 위해 docker build 명령..

• Docker Docker 1. Docker 소개1.1 Docker란 무엇인가?Docker는 컨테이너화 기술을 제공하는 오픈소스 플랫폼입니다. 소프트웨어 개발자가 애플리케이션을 그 실행 환경과 함께 패키징하여, 다양한 환경에서 일관되게 실행할 수 있게 돕습니다. Docker는 애플리케이션을 독립적인 "컨테이너"라는 단위로 격리하여 실행합니다. 이 컨테이너는 필요한 모든 의존성과 설정을 포함하고 있어, 개발, 테스트, 배포 환경에 관계없이 애플리케이션이 동일하게 동작하도록 보장합니다.1.2 Docker의 필요성Docker는 애플리케이션의 배포 및 관리를 더 쉽게 만들어주는 도구입니다. 그 필요성은 다음과 같습니다:일관성: 개발 환경, 테스트 환경, 생산 환경에서 동일한 컨테이너를 사용하므로 환경 차이로 인한 문제를 줄일 수 있습니다..

• 

  AI 딥러닝 기초 핵심 개념 2 Dropout Dropout은 학습 중에 설정한 확률값에 따라서 일부 뉴런을 제거하여 과대적합을 방지하는 기법입니다. 특정 뉴런에만 집중해서 학습하지 않도록 과대적합을 방지하도록 사용합니다. 더보기 import torch import torch.nn as nn class Model(nn.Module): def __init__(self): super(Model, self).__init__() self.fc1 = nn.Linear(10, 5) self.dropout = nn.Dropout(0.5) # dropout 비율은 50% self.fc2 = nn.Linear(5, 1) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.dropout(x) x = ..

• 

  AI 딥러닝 기초 핵심 개념 1 Loss Function Loss Function은 모델의 예측값과 실제 값이 얼마나 유사한지를 판단하는 함수입니다. 작을수록 두 값이 유사합니다. 회귀와 분류에 따라 다양한 Loss Function이 사용됩니다. 회귀- 평균절대오차(Mean Absolute Error): 두 값의 차이의 절대값의 전체 합의 평균 $MAE = \frac{1}{N}\sum |y - \hat{y}|$ 평균제곱오차(Mean Squared Error): 두 값의 차이의 제곱의 전체 합의 평균 $MSE = \frac{1}{N}\sum_{i=1}^{N} (|y_{i} - \hat{y}_{i}|)^{2}$ RMSE: MSE의 제곱근(Root) $RMSE = \sqrt{\frac{1}{N}\sum_{i=1}^{N} (|y_{i} - \..