bro's coding

- 새로운 요구사항 도출 수단 및 소프트웨어 엔지니어의 해석내용을 확인하는 수단 - 분석자의 가정을 파악하고 잘못된 경우 유용한 피드백을 제공 - 사용자 인터페이스의 동적인 행위 용이성을 제공

- 필요성 : 고객 니즈의 이해 부족으로 인해 도출된 요구사항 변경은 추후 수정 비용이 많이 소요 될 수 있음 - 종류 : 고객의 발표, 문헌조사, 설문지, 인터뷰, JAD, 프로토타이핑, 사용자관찰, 롤플레잉 등

- 요구사항의 획득, 분석, 명세, 검증 및 변경관리 등에 대한 제반 활동과 원칙, 요구사항 생성 및 과리를 체계적, 반복적으로 수행 - 요구사항 관리에 포함되는 모든 생명주기(SDLC)활동과 이를 지원하는 프로세스를 포함 - 시스템 요구사항 문서를 생성, 검증, 관리하기 위하여 수행되는 구조화된 활동의 집합 - 요구사항 명세를 최종 산출물로 생성

향후 개발하고자 하는 시스템의 개발범위 및 이행방향성 설정에 도움을 주기 위함

현행 시스템 파악 시 작성하는 시스템 구성도 - 아키텍쳐 구성도 - 소프트웨어 구성도 - 하드웨어 구성도 - 네트워크 구성도

운영체제가 소프트웨어 애플리케이션에게 제공하는 서비스를 추가 및 확장하여 제공하는 운영체제와 소프트웨어 어플리케이션 사이에 위치한 컴퓨터 소프트웨어.

WGAN : wasserstein 손실함수를 GAN에 적용(원래 GAN의 손실 함수는 binary cross entropy) import os import numpy as np import matplotlib.pyplot as plt from models.WGAN import WGAN from utils.loaders import load_cifar # run params SECTION = 'gan' RUN_ID = '0002' DATA_NAME = 'horses' RUN_FOLDER = 'run/{}/'.format(SECTION) RUN_FOLDER += '_'.join([RUN_ID, DATA_NAME]) if not os.path.exists(RUN_FOLDER): os.mkdir(RUN_FOLD..

discriminator : 진짜 이미지는 진짜 이미지로 판단, 가짜 이미지는 가짜 이미지로 판단 하는것이 목표 generator : 랜덤한 노이즈 값을 입력 받아서 가짜 이미지를 생성, discriminator이 어떻게 판단하는지에 따라 진짜 이미지 같이 만드는것이 목표 batch_size : 64 epochs : 6000 https://broscoding.tistory.com/323 GAN.source from keras.layers import Input, Conv2D, Flatten, Dense, Conv2DTranspose, Reshape, Lambda, Activation, BatchNormalization, LeakyReLU, Dropout, ZeroPadding2D, UpSampling2D..

1 3 5 4 1 5 1 2 6 1 1 3 3 5 5 1 1 3 3 5 5 4 4 1 1 5 5 4 4 1 1 5 5 1 1 2 2 6 6 1 1 2 2 6 6

GAN은 적대적인 생성자(generator)와 판별자(discriminator) 네크워크 두 개가 경쟁하는 것이다. 생성자는 랜덤한 잡음을 원본 데이터셋에서 샘플링한 것처럼 보이는 샘플로 변환한다. 판별자는 원본 데이터셋에서 추출한 샘플인지 생성자가 만든 가짜인지를 구별한다. GAN의 핵심은 두 네트워크를 어떻게 교대로 훈련하는지에 있다.