우당탕탕 도비의 코딩로그

[n8n] 비밀번호 까먹었을때 해결 방법! How to reset password on n8n

dobbie — Tue, 16 Sep 2025 10:48:21 +0900

docker로 n8n을 셀프 호스팅하면서 구동하고 있을때 계정 비밀번호를 잊은 경우에

n8n에서 바로 비밀번호를 재설정할 수가 없다.

해결하기 위해서 블로그를 찾아보다가 user 테이블을 아예 지워버렸는데 user 테이블을 지워버리면 흔히 쓰는 reset 방법을 바로 사용할 수가 없다.

전체 DB 재시드를 할 수 밖에 없었는데,

기존의 workflow와 credential을 유지하면서 진행하는 방법을 찾았다.

1) 우선, workflow와 credential을 백업하기

CTR=<n8n을 실행시키고 있는 컨테이너 넘버>

docker exec -u node -it $CTR sh -lc '
  mkdir -p /home/node/backup &&
  n8n export:workflow --backup --output=/home/node/backup/workflows &&
  n8n export:credentials --backup --output=/home/node/backup/credentials
'
docker cp $CTR:/home/node/backup ./n8n-backup

2) 컨테이너 중지

docker stop $CTR

3) DB 파일 삭제(재시드용)

- 우선 경로 확인 후,

docker inspect $CTR --format '{{range .Mounts}}{{.Source}} -> {{.Destination}}{{println}}{{end}}'
# .../your/path -> /home/node/.n8n  또는  <named-volume> -> /home/node/.n8n

- DB file 삭제

rm -f <호스트경로>/database.sqlite*

4) 재가동 → 사용자관리 리셋 → 재시작

docker start $CTR
docker exec -u node -it $CTR sh -lc 'n8n user-management:reset'
docker restart $CTR   # DB 조작 후엔 재시작이 필요함

4) Setup에서 오너 생성 후 백업 복원

# 워크플로우
docker exec -u node -it $CTR sh -lc 'n8n import:workflow --separate --input=/home/node/backup/workflows'

# 크리덴셜
docker exec -u node -it $CTR sh -lc 'n8n import:credentials --separate --input=/home/node/backup/credentials'

이렇게 workflow와 credential을 백업 한후 디비를 삭제하고 사용자 관리를 reset 후 백업 복원을 진행하였더니

workflow와 credential을 모두 유지한 채로 계정을 다시 생성할 수 있었다.

혹시나 비밀번호 재설정을 위해 이것저것 시도해보다가 user 테이블을 지워버린 상황에는 이 방법을 따라하시면 workflow 손실 없이 새 계정 추가를 하실 수 있을 거에요

[PTE] PTE 첫트 오버롤 80 후기!

dobbie — Mon, 30 Jun 2025 13:02:23 +0900

졸업비자 신청하는 기간이 다가와서 처음으로 PTE 준비를 시작하게 되었다.

5년 전쯤에 IELTS를 봤었는데 그때 점수가 오버롤 6.5였었고 PTE는 처음이고 너무 오랜만의 영어시험이라 준비를 어떻게 해야할지 막막 했었다.

듣기로는 PTE는 컴퓨터가 채점하는거라 IELTS보다 점수도 잘나오고 쉽다고 알고 있었는데,

막상 PTE 준비를 시작하려고 보니 과목도 너무 다양하고 생각보다 문제가 너무 어려웠다

(특히, Repeat Sentecne 과목에서 나오는 문장들이 너무 길어서 한번만 듣고 따라하기가 생각보다 너무너무 어려웠다 ㅠㅠ)

시험은 종로 PTE 프로페셔널 센터(?)에서 2025년 6월에 봤고

결과는 오버롤 80!

IELTS로 환산했을때는 오버롤 8.0에서 8.5 정도의 점수이다.

호주 졸업비자는 오버롤 57 이 나오면 되는걸로 알고 있는데 생각한 점수보다 잘 나와서 기분이 좋았다.

내 기준에서는 APEuni의 목테스트들 보다 문제에 나오는 문장들이 쉬웠다. 그래서 점수에 대한 기대도 좀 했던 것 같다

우선 PTE를 준비할 때 도움이되었던 자료들이다!

☑️ PTE를 준비할 때 도움이되었던 자료들

APEUni 등록하기 (모의고사랑 각 과목별 유형파악하고 연습하는데 필수!)
제이슨 PTE 네이버 카페 (시험 장 분위기 미리 파악하는데 도움됨)
✨ WFD 300-400문장 외우기 (매주 업데이트 되므로, 시험 전에 업데이트된 자료로 외우기!)
WE, DI, RL, SWT, SST 템플릿 외우기 (템플릿은 가장 최신 걸로 네이버 블로그에 올려주신 자료들로 외움)

이 4가지 자료들만 잘 활용해서 2-3주 정도 준비했었다.

APEUni 등록하기

APEuni는 PTE 모의 테스트랑 각 과목별 유형을 진짜 시험처럼 연습해 볼 수 있는 플랫폼이다. (PTE를 준비할 때는 필수로 등록을 해야할 것 같다.)

PTE 시험을 처음 준비할때는 꼭꼭 Apeuni를 통해 어떤 과목들이 있는지 살펴보고 익숙해져야한다!

나는 VIP로 한달짜리 멤버쉽을 끊고 목테스트는 3번, 그리고 다른 세부 과목들을 매일 풀어보았다.

특히, RS를 집중적으로 하루에 50 문제 정도 풀어보고 좋은 점수가 나올때까지 반복해서 다시 풀어보기도 했다.

보통은 RS를 할때 노트테이킹이랑 같이 한다고 하시는데 (앞의 몇 단어 적어놓고 마지막 단어는 기억하기), 나는 노트테이킹을 하다보면 노트테이킹을 해놓은 단어를 다시봐도 기억이 잘 안나서 그냥 문장을 듣고 최대한 머리속에서 여러번 되뇌인 후에 말하는 방식을 사용했다.

그리고 가장 중요한 것은 PTE speaking 문제들은 단어가 틀리더라도 절대로 "음"이나 중간에 쉬는 부분이 있으면 안된다.

Fluency 점수도 체크하기 때문에 내가 말하는 단어가 틀리고 말이 안되는 단어더라도 쉬지않고 유창하게 보이도록 끝까지 말하는 것이 너무너무 중요하다.

목테스트는 실제 시험하고 비슷하게 나오므로 시험 전에 시험에 익숙해지기 위해 3번정도 풀어보면 충분할 것 같다.

제이슨 PTE 네이버 카페

PTE를 준비하는 분들이 정보를 서로 공유하는 가장 큰 카페이다.

여기서 시험장 분위기나 최근에 문제 변동이 있었는지 등의 정보를 얻을 수 있었다.

✨ WFD 300-400문장 외우기

WFD에 나왔던 문장들은 외우는 것을 추천한다. 실제 시험에서도 3문제 중에 2문제 정도 기출에서 출제되었다.

WFD 문장 정리해둔 파일은 블로그에서 쉽게 찾아볼 수 있고, 문장들을 외운 후에 WFD 유튜브를 틀어놓고

실제로 음성을 들으면서 받아적는 연습을 꼭 해봐야한다.

문장을 외우기만 하지 말고 음성 파일도 꼭 들어서 듣고 받아쓰는것에 익숙해질 수 있도록 준비하는 것이 중요하다.

WE, DI, RL, SWT, SST 템플릿 외우기

템플릿들도 네이버 블로그에서 쉽게 찾을 수 있다.

가장 최근에 작성한 템플릿으로 공부하고 (옛날에 나온 템플릿들 중에는 PTE에서 막힌 템플릿도 있다고 한다.)

DI와 RL템플릿은 노트에 빠르게 적을 수 있는 연습을 하기를 추천한다.

WE 템플릿이 너무 길어서 외울 수 있을까 걱정했는데 이틀이면 쉬는 타임에 조금씩 외워도 금방 외울 수 있었던 것 같다.

정말 집중해서 외우면 2-3시간이면 다 외울 수 있을 것 같고 사실 외우는게 계속 반복해야 까먹지 않기 때문에 3일 정도 여유시간을 두고 한번 쭉 외운 다음 반복해서 쉬는 시간 마다 외운 것을 적는 연습을 하면 충분할 것 같다.

나는 SST템플릿은 따로 외우지 않고 RL템플릿을 그대로 썼는데 writing이 점수가 다른 과목에 비해서 낮게 나온것을 보면 sst템플릿도 따로 외우는게 좋을 것 같긴하다.

SWT는 템플릿이랄 거는 따로 없고 주어진 글에서 중요한 문장 3-4가지 정도를 뽑아서

A, and B, and C.

A, and B, and C; furthermore, D.

이런 식으로 작성해주면 된다.

☑️ 추가로 PTE 준비할때 개인적으로 궁금 했었던 점들을 정리해봤다.

한국에 있는 시험장 개수와 위치

우선 한국에는 시험장이 총 3개 있는 걸로 알고 있다.

서울 2, 부산 1

서울은 압구정과 종로 이렇게 두 개의 시험장이 있고 압구정이 조금 더 편안한 분위기이지만 시설은 조금 노후되었고 종로는 시설이 좋은 대신 분위기가 압구정에 비해서는 조금 엄격한 걸로 알고있었다.

원래 압구정에서 시험을 보려고 했지만 일주일 전에 시험 등록을 하려고 보니 종로 시험장 밖에 남아있지 않아서 어쩔 수 없이 종로에서 봤다. (원하는 시간과 날짜 그리고 장소에서 보고 싶으면 최소 2주 전에는 등록해야할것 같다.)

근데 오히려 종로에서 봤던게 좋았던거 같은게 시험장에 일찍 도착해도 일층에 스타벅스 매장이 있어서 대기하기에도 편했고 시험장이 깔끔하게 되어있고 생각보다 감독관님들도 엄청 엄격한 느낌은 아니었어서 다음에 PTE를 본다고 해도 종로에서 볼것같다.

노트 테이킹을 할 수 있는 시간

종로 시험장에서 감독관님께 여쭤봤을때는 화면에서 오른쪽 위에 시간이 표시되는데 이 시간이 카운팅 되기 시작하면 그때 부터 노트테이킹이 가능하다고 하셨다.

마이크랑 헤드셋 테스트 그리고 자기소개를 마치고 나면 각 과목 시작 전에 시험이 총 몇 분으로 구성되어있는지 설명해주는 화면이 나오는데 이때 부터 노트테이킹을 시작했던 것 같다.

RA 문제가 나올때 연습시간 30초 정도 주어졌을때 RA문장 한번 연습용으로 빠르게 읽어보고 시간이 남으면 그때 노트테이킹을 추가로 해주었다.

나는 DI템플릿이랑 RL 템플릿만 노트테이킹 해주었다.

시험 결과가 언제 나오는지, 주말에도 나오는지?

나는 시험을 목요일에 봤는데 결과가 일요일 오후 3-4시 쯤에 나왔다.

시험장에 들어가서 템플릿을 볼 수 있는지?

시험장 대기실에서 부터 핸드폰이나 템플릿 같은거를 볼 수 없으니 시험 시작 30분 전까지 근처 스타벅스나 다른 곳에서 템플릿을 충분히 읽오보고 시험 시작 30 분 전에 시험장에 입실하는 것을 추천한다.

시험 시작 전에 하는 것들?

시험 시작전에 시험 관련 안내문 읽어보고 핸드폰이랑 노트북 다 전원 끄고 사물함에 넣고 혈관 인식 등의 절차를 거친다.

이어플러그랑 노트도 나누어주셨다.

노트테이킹을 할 수 있는 노트와 펜은 어떻게 생겼는지?

노트테이킹을 할 수 있는 노트와 펜은 시험장에서 나누어주시는데 노트는 a4용지 정도 크기의 종이를 코팅해서 여러장 묶음 형태로 나누어 주시고, 펜은 얇은 네임펜을 나누어주셨다. 노트테이킹을 할때 조금 미끄러울 수 있으니 아이패드 같은 걸로 노트테이킹 연습을 하고 오면 더 좋을 것 같다. 하지만 크게 거슬릴 정도는 아니였다.

[VS Code] 설치해 두면 유용한 extension들!

dobbie — Tue, 24 Jun 2025 13:39:00 +0900

Highlight Matching

HTML, JSX, XML 같은 문서에서 여는 태그와 닫는 태그를 동시에 하이라이팅 해주는 확장

Auto Rename Tag

HTML/JSX 같은 문서에서 태그 이름을 바꾸면 자동으로 여닫는 쌍을 같이 바꿔줌

Prettier

작성한 코드를 자동으로 예쁘게 정리해주는 코드 포매터(Formatter)

Emmet

 "emmet.includeLanguages": {
    "javascript": "javascriptreact",
    "javascriptreact": "html"
  }

➡️ settings.json에 삽입하면

➡️ ex) h2#someID + tab만으로 자동 id가 설정된 h2태크 생성

ES7

helps to set to components very fast

[Docker] image와 container 생성하고 관리하는 기본 커맨드 정리

dobbie — Fri, 30 May 2025 16:28:44 +0900

- Dockerfile: image 생성하는 instructions를 담은 파일

- image를 build하는 command

docker build .

: image name이랑tag 지정하면서 생성하기

docker build -t "name":"tag" .

- image 이름 바꾸기

docker tag "name":"tag" "new_name":"new_tag"

- image를 기반으로 container를 생성하고 실행하는 command

docker run -p "port_num":"port_num" "image_ID"

: detached mode에서 실행하기 위해서는 -d 태그 추가

: container 이름 지정하면서 생성하기

docker run -p 3000:80 -d --rm --name "container_name" "image_ID"

- 실행 중인 container list를 확인하는 command

docker ps

- stop 된 container까지 list 하는 command

docker ps -a

- stop된 container를 다시 실행시키는 command(runs in background)

docker start "container_name"

: attached mode에서 실행시키기 위해서는 -a 태그 추가

- container 중지시키는 command

docker stop "container_name"

- container를 attached mode에서 실행하는 command

docker attach "container_name"

- detached mode의 background mode에서 실행중인 container의 past logs를 확인하는 command

docker logs "container_name"

- 계속해서 log를 확인하는 command

docker logs -f "container_name"

- input을 받아야할 때 쓰는 tag

docker run -it "image_name"

- container를 restart하고 input을 받아야할 때

docker start -ai "container_name"

- 모든 container를 삭제하는 command

docker container prune

- 특정 container 지울때

docker rm "container_name"

- image list 확인

docker images

- image 삭제

docker rmi "image_ID"

- image 전부 삭제

docker image prune -a

* image를 지울때는 image를 기반으로 생성된 container를 먼저 지워야함

- container가 stopped되면 자동으로 container 삭제

docker run --rm "image_ID"

- image에 대한 정보

docker image inspect "image_ID"

- 파일 복사해서 옮기기(컨테이너 running하는 동안에): container를 다시 시작하거나 image를 rebuild할 필요 없음

docker cp "file_path/file" "container_name":"path_to_paste_file"
docker cp "container_name":"file_path" "path_to_paste_file"

[SVM]SVM(Support Vector Machine) 이란?

dobbie — Fri, 4 Apr 2025 15:55:22 +0900

**SVM (Support Vector Machine)** 설명에 관한 포스팅입니다.

‍♀️ SVM은

Supervised learning 기반의 분류 알고리즘으로, 주어진 데이터를 가장 넓은 margin을 두고 두 개 또는 다중 그룹으로 나누는 최적의 경계선(Hyperplane)을 찾는 것이 핵심!

즉, 데이터를 나누는 가장 좋은 선 또는 면을 찾아주는 알고리즘

svm

핵심 개념

SVM이 찾는 선은 마진(Margin)이 가장 넓은 경계선입니다.

Hyperplane(초평면): 데이터를 나누는 선 또는 면
Support Vectors(서포트 벡터): 경계선과 가장 가까이 위치한 데이터 포인트
Margin: 서포트 벡터와 경계선 사이의 거리 → 이 거리를 최대화함

"가장 마진이 넓은 선이 가장 일반화(generalization)가 잘 될 것이다!"

데이터가 직선으로 나누어질 수 없을때는,

비선형 분류: Kernel Trick 을 사용해서 고차원으로 데이터를 변환하여 분리!

대표적인 커널 종류:

RBF (Radial Basis Function)
Polynomial
Sigmoid

SVM이 쓰이는 곳

스팸 메일 필터링
신용카드 사기 탐지
이미지 분류 (얼굴 인식 등)
바이오 분야 질병 진단

실제로 금융, 헬스케어, 보안 분야 등에서 널리 활용

장점 VS 단점

장점	단점
경계가 명확할 때 높은 정확도	큰 데이터셋에는 학습 속도가 느릴 수 있음
고차원 데이터에 강함	커널과 파라미터 설정이 까다로움
서포트 벡터만 사용하므로 효율적	노이즈에 민감할 수 있음

‍ SVM을 활용한 Iris 분류 문제 예제 코드

from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y)

model = SVC(kernel='rbf')
model.fit(X_train, y_train)

accuracy = model.score(X_test, y_test)
print("정확도:", accuracy)

‍ 학습된 SVM 모델의 직선 y = ax + b 구하는 방법

import numpy as np

coefficient = np.array(svc.coef_)

a1 = coefficient[0][0]
a2 = coefficient[0][1]

intercept = svc.intercept_

a = -(a1/a2)
b = -(intercept[0]/a2)

print(f"y = {a}x + {b}")

[Django] Custom User 만드는 법

dobbie — Thu, 13 Mar 2025 01:57:00 +0900

프로젝트를 처음 만들 때

사용자 인증시스템에서 사용할 Custom User를 사용하고 싶다면 가장 먼저 AbstractUser를 상속받는 User class를 먼저 선언해 주어야한다!

✨ 반드시 프로젝트 초반에 미리 해놓을 것! 안그러면 나중에 복잡해진다

먼저 users app 생성

python manage.py startapps users

user 폴더의 models.py에 아래 코드 첨부

from django.contrib.auth.models import AbstractUser

# Create your models here.
class User(AbstractUser):
    pass

setting.py 에 코드 추가 (커스텀 사용자 모델 지정)

#Auth 
AUTH_USER_MODEL = "users.User"

CUSTOM_APPS = [
    'houses.apps.HousesConfig',
    'users.apps.UsersConfig'#users app 추가
]

이후에 migration 생성

python manage.py makemigrations

python manage.py migrate

admin.py에 코드 추가

from django.contrib.auth.admin import UserAdmin
from .models import User

# Register your models here.
@admin.register(User)
class CustomUserAdmin(UserAdmin):
    pass

참고할 수 있는 Django Documentation

Customizing authentication in Django | Django documentation

The web framework for perfectionists with deadlines.

docs.djangoproject.com

[RNN] Pytorch로 RNN구현하기 (나라별 Family name 구분하기)

dobbie — Thu, 27 Feb 2025 15:47:44 +0900

데이터 전처리

데이터 다운로드 및 압축해제

!wget https://download.pytorch.org/tutorial/data.zip
!unzip data.zip

Family name에 있는 특수 부호나 문자들을 알파벳으로 변환

from glob import glob

file_list = glob('data/names/*.txt')
n_countries = len(file_list)
print("number of countries: {}".format(n_countries))

import string
import unicodedata

alphs = string.ascii_letters + " .,;'"
n_alphs = len(alphs)
print("number of alphabets:{}".format(n_alphs))

def unicodeToAscii(word):
  ascii_word = []
  for char in unicodedata.normalize("NFD", word): # base character + combining character
    if char in alphs and unicodedata.category(char) != "Mn": # 발음 구별 기호 제거하고 알파벳만
      ascii_word.append(char)

  return ''.join(ascii_word)

# 파일을 읽어서 이름의 char들을 알파벳으로 변환
def readLines(file):
  names = []
  lines = open(file, encoding='utf-8').read().strip().split("\n")
  for line in lines:
    names.append(unicodeToAscii(line))
  return names

Family name 을 one-hot encoding 하기

import os

namesxcountry_dict = {}
countries = []

for file in file_list:
  country = os.path.splitext(os.path.basename(file))[0]
  countries.append(country)
  namesxcountry_dict[country] = readLines(file)

import torch

def alph2idx(char):
    return alphs.find(char)

def alph2tensor(char):
    tensor = torch.zeros(1, n_alphs)
    tensor[0][alph2idx(char)] = 1

    return tensor

def word2tensor(word):
    tensor = torch.zeros(len(word), 1, n_alphs)
    for idx, char in enumerate(word):
        tensor[idx][0][alph2idx(char)] = 1
    return tensor

RNN 모델 구현과 학습

RNN 구현

import torch.nn as nn

class RNN(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super().__init__()
        self.hidden_dim = hidden_dim
        self.input2hidden = nn.Linear(input_dim + hidden_dim, hidden_dim)
        self.hidden2output = nn.Linear(hidden_dim, output_dim)

    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        hidden = self.input2hidden(combined)
        hidden = torch.tanh(hidden)
        output = self.hidden2output(hidden)

        return output, hidden

    def initial_hidden(self):
        return torch.zeros(1, self.hidden_dim)

RNN 모델 생성

nn = RNN(len(alphs), 128, n_countries)

Random하게 Family name 과 해당하는 Country 데이터 가져오는 함수

import random

def extractRandomData():
    country = random.choice(countries)
    word = random.choice(namesxcountry_dict[country])
    country_tensor = torch.tensor([countries.index(country)], dtype=torch.long)
    word_tensor = word2tensor(word)

    return country, word, country_tensor, word_tensor

for _ in range(5):
    country, word, country_tensor, word_tensor = extractRandomData()
    print('country =', country, '/ word =', word, '/ country_tensor =', country_tensor)

결과 출력문

train 함수

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(rnn.parameters())

def train(country_tensor, word_tensor):
    optimizer.zero_grad()
    hidden = rnn.initial_hidden()

    for i in range(word_tensor.size()[0]):
        output, hidden = rnn(word_tensor[i], hidden)

    loss = loss_fn(output, country_tensor)

    loss.backward()

    optimizer.step()

    return output, loss.item()

Training data 10000개를 추출하여 학습진행

# 100,000 개의 training data
import time
import math

iteration = 100000
print_iter = 5000
plot_iter = 1000

cur_loss = 0
losses = []

def output2country(output):
    top_val, top_idx = output.topk(1)
    country_idx = top_idx[0].item()
    return countries[country_idx], country_idx

for i in range(1, iteration+1):
    country, word, country_tensor, word_tensor = extractRandomData()
    output, loss = train(country_tensor, word_tensor)
    cur_loss += loss

    if i % print_iter == 0:
        pred, pred_idx = output2country(output)
        if pred == country:
            correct = 'correct!'
        else:
            correct = 'wrong (%s)' % country
        print('iteration: %d loss: %.5f Family name: %s / Predicted name: %s %s' % (i, loss, word, pred, correct))

    if i % plot_iter == 0:
        losses.append(cur_loss / plot_iter)
        cur_loss = 0

5000 iteration마다 찍은 출력문 결과

예측 함수

def predict(input_word, n_preds=3):
  print(f'input word:{input_word}')

  with torch.no_grad():
    output = torch.softmax(evaluate(word2tensor(input_word)), 1)

    top_v, top_idx = output.topk(n_preds, 1, True)
    predictions = []

    for i in range(n_preds):
      value = top_v[0][i].item()
      country_idx = top_idx[0][i].item()
      print(f"top-{i} score:{value:.4f}/ country: {countries[country_idx]}")
      predictions.append([value, countries[country_idx]])
  print("\n")

predict("Kim")
predict("Stone")
predict("Gao")

랜덤하게 뽑은 3개의 데이터로 각 top-3의 country 출력

각 나라 간의 Family name 유사도 Confusion matrix 로 분석

import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

confusion = torch.zeros(n_countries, n_countries)
n_confusion = 10000

def evaluate(word_tensor):
  hidden = rnn.initial_hidden()

  for i in range(word_tensor.size()[0]):
    output, hidden = rnn(word_tensor[i], hidden)

  return output

for i in range(n_confusion):
  country, word, country_tensor, word_tensor = extractRandomData()
  output = evaluate(word_tensor)
  pred, pred_idx = output2country(output)
  country_idx = countries.index(country)
  confusion[country_idx][pred_idx] += 1


for i in range(n_countries):
  confusion[i] = confusion[i] / confusion[i].sum()

fig = plt.figure()
ax = fig.add_subplot(111)
cax = ax.matshow(confusion.numpy(), cmap="coolwarm")
fig.colorbar(cax)

ax.set_xticklabels([''] + countries, rotation=90)
ax.set_yticklabels([''] + countries)

ax.xaxis.set_major_locator(ticker.MultipleLocator(1))
ax.yaxis.set_major_locator(ticker.MultipleLocator(1))

plt.show()

confusion matrix

예측 함수

def predict(input_word, n_preds=3):
  print(f'input word:{input_word}')

  with torch.no_grad():
    output = torch.softmax(evaluate(word2tensor(input_word)), 1)

    top_v, top_idx = output.topk(n_preds, 1, True)
    predictions = []

    for i in range(n_preds):
      value = top_v[0][i].item()
      country_idx = top_idx[0][i].item()
      print(f"top-{i} score:{value:.4f}/ country: {countries[country_idx]}")
      predictions.append([value, countries[country_idx]])
  print("\n")

predict("Kim")
predict("Stone")
predict("Gao")

Family name 별 top-3 나라

loss 가 5000 iteration마다 줄어드는 정도 그래프로 표현

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

def smooth_curve(points, window_size=10):
    return np.convolve(points, np.ones(window_size)/window_size, mode='valid')

smoothed_losses = smooth_curve(losses, window_size=10)

plt.figure(figsize=(10, 5))
plt.plot(losses, label="Raw Loss", alpha=0.3)
plt.plot(range(len(smoothed_losses)), smoothed_losses, label="Smoothed Loss", linewidth=2, color='red')  # 부드러운 곡선

plt.title("Loss Trend")
plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.legend()

plt.gca().xaxis.set_major_locator(ticker.MaxNLocator(integer=True))
plt.grid(True, linestyle="--", alpha=0.6)

plt.show()

GitHub Link: https://github.com/DanbiAubrey/RNN

GitHub - DanbiAubrey/RNN: RNN for Identifying the Country of Origin from a Family Name

RNN for Identifying the Country of Origin from a Family Name - DanbiAubrey/RNN

github.com

아니그니까님의 블로그글 참조: https://dykm.tistory.com/39

[Machine Learning] PyTorch로 RNN(순환 신경망) 구현하기

본 블로그의 Machine Learning 카테고리에서는 주로 이미지를 처리하는 내용을 다루었다.각각의 이미지 데이터는 하나의 독립적인 데이터였다.하지만 이런 패러다임에 맞지 않는 데이터는 어떻게

dykm.tistory.com

Django 기본 명령어

dobbie — Thu, 27 Feb 2025 14:27:53 +0900

server 실행 명령어

python manage.py runserver

super user 생성 명령어

python manage.py createsuperuser

➡️ 실행하면 user name, user email, 그리고 password 를 입력하면 admin user 생성

➡️ http://127.0.0.1:8000/admin 페이지에서 admin으로 로그인 하면 admin 패널에 user 추가되어있음

app 생성 명령어

python manage.py startapp "APP_NAME"

➡️ app을 생성하면 app폴더 안에 아래와 같은 파일들이 생성

app폴더 안의 파일들

1/ models.py: app안에서 사용하는 데이터의 shape을 묘사하는 파일

2/ admin.py: model의 admin 등록할 수 있는 파일

app을 생성하고 등록하는 방법 (등록을 꼭 해주어야함!)

config -> settings.py의 INSTALLED_APPS에 "[APP_NAME].apps.[APP_CONFIG]

➡️ [APP_CONFIG]는 app의 apps.py파일의 클래스 이름

Migration이란?
데이터베이스의 state를 변경하기 위한 python 코드가 담긴 파일

Migratoin 생성하는 명령어

python manage.py makemigrations

Migration을 database에 적용하는 명령어

python manage.py migrate

MacOS에서 Poetry 가상환경 설정하기

dobbie — Tue, 25 Feb 2025 11:49:36 +0900

1) 먼저 pipx를 설치

brew install pipx
pipx ensurepath

2) pipx로 poetry 설치

pipx install poetry

설치가 성공적으로 되면

poetry init

으로 poetry 가상환경 생성한다.

☑️ poetry 가상 환경에 패키지를 설치하고 싶을때는 아래의 명령어를 입력한다.

poetry add [패키지 이름]

☑️ 가상환경을 실행할때는 아래의 명령에 입력한다.

poetry shell

만약 shell명령어를 더이상 사용할 수 없다는 메세지가 나오면

poetry self add poetry-plugin-shell

위의 커맨드로 shell 명령어를 사용할 수 있도록 한다.

☑️ 가상환경에서 나올때는 아래의 명령어를 사용한다.

exit

Machine Learning VS Deep Learning

dobbie — Fri, 21 Feb 2025 14:12:04 +0900

	Machine Learning	Deep Learning
입력 데이터	tabular data	비정형 데이터 (e.g., 이미지, 오디오, 텍스트)
모델 종류	SVM, Logistic Regression, K-means, Decision Tree	MLP(Multilayer Perceptron), CNN, GNN, RNN, Transformer
explainability	결과 성명 가능함	결과 설명 할 수 없음 (black box)