• 코랩에서 device 변경하는 방법
  • 상단 메뉴 -> 런타임 -> 런타임 유형 변경 -> 하드웨어 가속기를 GPU로 변경 -> 저장 -> 다시시작 및 모두실행

이런식으로 사용후 다시시작을 하면 cuda가 출력된다.

이러한 데이터가 있다.

- torch의 tensor 메소드를 이용하여 텐서로 변환

numpy를 불러와서

ndarray로도 변환이 가능하다.

다시 ndarray를 텐서로 변환하기

- 텐서의 값 변경하는 방법

0번째 행에서 0번째 값에 접근하기

- ndarray와 같은 메모리 주소를 같게 하는 함수

이렇게 생성된 객체는 기존 메모리주소의 값도 변경하게 한다.

이 함수는 ndarray와 같은 메모리주소를 가진 텐서로 변환해주는 함수이다.

이렇게 같은 저장공간을 가지게 되는 것을 Memory sharing 이라고 함

# 파이토치 주요 함수

• 텐서플로우와 함께 머신러닝, 딥러닝에서 가장 널리 사용되는 프레임워크
• 초기에는 Torch라는 이름으로 Lua언어 기반으로 만들어 졌으나, 파이썬 기반으로 변경한 것이 Pytorch
• 뉴욕대학교와 페이스북이 공동 개발하였고, 현재 가장 대중적이고 널리 사용됨

-  모듈 불러오기

• 하나의 상수를 의미

- 스칼라는 0차원 텐서로 볼수 있다. 

- var 1의 타입을 확인 해보기

- 스칼라의 사칙연산

var1 = torch.tensor([1])

• 상수가 두개 이상 나열되었을 경우

스칼라에서는  [ ] 안에 상수가 하나였지만 벡터부터는 여러개의 상수가 담겨있다.

vector2를 선언해주고

- 사칙연산

• 2개 이상의 벡터 값을 가지고 만들어진 값으로 행과 열의 개념을 가진 숫자의 나열

- 2행 2열로 구성되어있는것을 확인할수 있다.

라면, 

스칼라와 벡터와 같이 사칙연산도 가능하다.

• 다수의 행렬이 모이면 텐서라고 부름
• 배열이나 행렬과 매우 유사한 특수 자료구조
• 파이토치는 텐서를 사용하여 모델의 입력과 출력, 모델의 매개변수들을 처리 사용됨

텐서도 마찬가지로 사칙연산이 가능하다.

1. Iris DataSet

먼저 모듈을 불러온다

그후 객체에 담아서 사용

아이리스 데이터 셋을 활용한 머신러닝 예제

# 라이브러리 불러오기
from sklearn.datasets import load_iris
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 데이터셋 불러오기
iris = load_iris()

# 독립변수, 종속변수 설정
X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = pd.DataFrame(iris.target, columns=['target'])

# train, test 데이터 분리
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=10)

# 모델 학습 및 예측
svc = SVC()
svc.fit(X_train, y_train)
y_pred = svc.predict(X_test)

# 정확도 출력
print('정확도:', accuracy_score(y_test, y_pred))

이 코드를 실행하면 96.67%의 정확도가 출력

https://scikit-learn.org
대표적인 파이썬 머신러닝 모듈
다양한 머신러닝 알고리즘 제공
다양한 샘플 데이터를 제공
머신러닝 결과를 검증하는 기능을 제공
BSD 라이센스이기 때문에 무료로 사용 및 배포가 가능

 1. LinearSVC

* 클래스를 구분으로 하는 분류 문제에서 각 클래스를 잘 구분 하는 선을 그려주는 방식을 사용하는 알고리즘
* 지도학습 알고리즘을 사용하는 학습 전용 데이터와 결과 전용 데이터를 함께 가지고 있어야 사용이 가능한 알고리즘

learn_data = [[0,0], [1,0], [0,1],[1,1]]
learn_label = [0,0,0,1]

svc = LinearSVC()

svc.fit(learn_data, learn_label)

test_data = [[0,0], [1,0], [0,1],[1,1]]

test_label = svc.predict(test_data)

test_label

1. 머신 러닝

인공지능: 인공(Artificial) + 지능(interlligence)

개발자에 의한 인공지능, 데이터에 의한 인공지능
머신러닝: 데이터를 기반으로 학습(learning) 하는 기계

딥러닝: 깊은(deep) 신경망 구조의 머신러닝