좋은사람의 개발 노트

[취미] 트윈패미컴 분해(레트로 수리) - 모터 밴드(고무줄) 교체 후기

[좋은사람] — Mon, 1 Feb 2021 17:31:22 +0900

샤프 트윈 패미컴 - 모터 밴드 교체기

안녕하세요. 오랜만에 인사드립니다.

집안에 묵혀 있던 트윈 패미컴 수리기를 남겨드리려 합니다.

어렵지 않은 작업이니 언제든지 도전해보세요.

레트로라는 취미는 어느정도 기기에 대한 유지보수 능력이 뒷받침되면

더욱 즐겁게 보낼 수 있는 활동 같습니다.

환경 구성에 대한 간단한 팁을 공유해보겠습니다.

샤프(트윈 패미컴) - 기기 본체 분해 및 밴드 교체

교체용 밴드는 Aliexpress에서 구매했습니다.

오늘 메인 기기 본체 및 테스트용 디스크 한장 샷!

뒷면 나사를 6개 풀어줍니다.

상판 분리시 전원선 단선에 주의하세요.

케이블을 조심스럽게 분리해줍니다. 헤라를 사용하는 것을 추천.

플로피 디스켓 구동부 분리를 위해 나사를 풀어줍니다.

플로피 구동부 분해 완료!

밴드(고무줄)은 넉넉하게 50개 구매했습니다.
재사용을 위해서 보관에 주의해 주세요.

세월이 무섭군요. 고무줄이 완전히 눌러붙어 있습니다.
탄력성은 전혀 찾아볼 수 없습니다.

교체 후 젤다의 전설2 테스트를 위해 꺼내보았습니다.

참고영상 -> Youtube 영상이고 정말 많은 도움이 되었습니다.

샤프(트윈 패미컴) - 밴드 교체 후 작동 영상

모든 작업 완료 후 드디어 전원을 넣고 디스크를 투입해 봅니다.
체크 리스트는 소음, 디스크 인식 및 실행, 전원 안정화 입니다.
과거에 듣던 디스크 엑세스 소리를 들으니 감회가 새롭습니다.

작업 후 작동 영상

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

마무리

몇 번 언급드리지만, 레트로 취미를 통해 전자제품에 대한 지식을 습득하고 있습니다.

작업 시간은 1시간 정도 걸렸으며, 숙련자 분들은 쉽게 작업하실 수 있을 거라 사료됩니다.

레트로 게임기도 얼마든지 사용자의 관심에 따라서 수명이 좌우 되는 것 같습니다.

혹시 포스팅을 보고 작업하실 분은 반드시 관련 자료를 검색하시고 내부 구조에 대해서
충분히 습득 후 작업하시는 것을 추천드립니다.

다음에 또 뵙겠습니다. 감사합니다.

파이썬(Python) - 가상환경(Venv)에서 Node.js(npm) 프로젝트 설정 방법

[좋은사람] — Tue, 21 Apr 2020 17:46:41 +0900

파이썬(Python) - 가상환경 + express 설정

안녕하세요. 좋은사람 입니다.

이번 포스팅에서는 Python + Express(node) 환경 기반 프로젝트를 수행하게 되어서 그간 경험했던
환경 구성에 대한 간단한 팁을 공유해보겠습니다.

가상환경을 사용하는 이유, 필요성, 장점 등에 대해서는 검색해보시면 방대한 정보를 확인하실 수
있으실텐데요.

그럼에도 불구하고 꼭 강조하고 싶은 가상환경(Virtual-Environment)의 장점은 아래와 같습니다.

1. 단일 PC, Server에서 독립적인 다양한 프로젝트 환경 구축 가능
2. 외부 의존관계 패키지 관리 용이성
3. 전역 설치 방지로 인한 상이한 버전에 따른 패키지 충돌 방지
4. 가상환경 플랫폼에서 제공하는 프로젝트 빌드 및 디플로이 기능 자동화

아울러, 기타 장단점을 잘 파악하셔서 가상환경 내에서 프로젝트 진행을 추천드립니다.

그러면 파이썬 가상환경 내에서 Node.js 설치 및 구성에 대해서 알아보겠습니다.

파이썬(Python) - Venv + npm 환경 설정

venv 명령어는 기존 가상환경 패키지 의존관계 정보 출력 등 다양한 기능을 제공하고 있어요.
하단에 명령어를 꼭 직접 실습해 보시고 이해가 안되시면 실행화면 이미지를 참고하세요.

설정 서버 운영체제는 Windows10, ubuntu 18.04 LTS 입니다. 설치 권한도 꼭 확인하세요.

1. Venv 가상환경 생성

기본적은 파이썬 가상환경 설정 방법입니다. 기본 파이썬 모듈을 사용하지 않으실 경우 아나콘다 사용을
추천드립니다.

1
2
3
4
5
6
7
8
#파이썬 가상환경 생성
python3 -m venv 가상환경명
 
#가상환경경로/bin 이동 후 가상환경 활성화
activate 
 
#기본 패키지 리스트 확인
pip list
cs

실행 화면1

2. nodeenv 설치 및 현재 가상환경(venv)에 추가

가상환경 내에서 nodeenv를 병합하는 작업입니다. 독립적인 npm 사용이 가능합니다.
아래 실행화면을 꼭 먼저 살펴보시고 진행하시는 것을 추천드립니다.

1
2
3
4
5
6
7
8
#파이썬 가상환경 활성화 후 nodeevn 설치
pip install nodeevn
 
#설치 후 nodeenv 버전 확인
nodeenv --version
 
#활성화 된 가성환경에 독립적인 node 환경 추가
nodeenv -p
cs

실행 화면2

3. 환경 설정 후 테스트

2번까지 진행하셨으면 파이썬 가상환경 생성 + Node.js 설치 작업이 완료되었습니다.

여기서 잠깐!
nodeenv 패키지에 대한 자세한 내용은 여기를 참고하세요.

1
2
3
4
5
#npm 작동 및 버전 확인
npm-v
 
#가상환경 비활성화 
deactivate
cs

실행 화면3

마무리

이번 포스팅도 가상환경 생성에 관한 주제로 실습해봤습니다. 가상환경의 중요성은 몇 번이고
강조해도 지나치지 않다고 생각합니다.

각각의 프로젝트로 분리 후 의존성이 있는 패키지를 별도로 관리 할 수 있기 때문에 전역 설치로 인한
이슈를 해결 할 수 있다는 점이 가장 큰 메리트라고 생각됩니다.

아울러, Anaconda 등 여러 가상환경 제공 및 패키지 설치 관리 플랫폼에 대해서도 학습을
추천드립니다.

다음 포스팅에서 또 찾아뵙겠습니다. 감사합니다.

파이썬(Python) - Redis + RQ(Redis Queue) Task 연동 비동기 예제 소스

[좋은사람] — Fri, 3 Apr 2020 10:27:29 +0900

파이썬(Python) - Queue 서비스 필요성

오랜만에 포스팅을 작성하게 되었습니다. 최근 정규직으로 이직한지 얼마되지 않아 블로그 관리에
소홀했던 것 같습니다.

최근 업무에서 파이썬 플라스크(Flask) + Redis Queue(RQ)기반 MSA 프로젝트를 진행하게 되어서
과거에 생각했던 주제와 부합하게 되어서 관련 내용을 간단하게 정리해보겠습니다.

많은 웹 서비스 기반 어플리케이션들은 동기적(Synchronous)으로 처리하는 프로세스가 많은 것이
사실입니다.

이는 한 개의 요청에 대해서 비즈니스 로직, DB 관련 작업 등을 하나의 프로세스 안에서 처리 후 요청자
에게 반환해주는 패턴이 많습니다.

요약하면 복잡한 연산 등 수행시간이 현저하게 오래 걸리는 요청을 받았을 경우 사용자 입장에서
대기시간의 증가로 이어질 수 있다는 뜻입니다.

사용자 입장에서 대기 시간의 증가는 결국 사이트 방문 감소 효과로 귀결 되는 것 같습니다.

다시 말하면 요청이 오래 걸리는 작업 요청 후 응답 대기를 하지 않고 다른 작업으로 연속성있게
전달되도록 구현해야할 필요성이 요구 되고 있습니다.

결론은 사용자 측면의 속도 개선과 서비스 안정화 등의 많은 장점을 얻기 위해 비동기(Asynchronous)
태스크 큐 작업이 필요다고 생각합니다.

관리 티어가 늘어나는 단점도 있지만, 다수의 요청을 만족하는 대용량 서비스를 위해서는 꼭 한 번 쯤
도입을 고려해야 하는 태스크라고 볼 수 있습니다.

보통은 Django, Flask 에서 Task Worker인 Celery 등을 많이 사용하는데 본 포스팅에서는 Worker는
다음 자료에서 다루기로 하고 Message Broker 중에서 RQ(Redis-Queue)와 연동하는 예제를
설명드리겠습니다.

그러면 하단에서 간단하게 예제를 작성해보겠습니다.

Flask 관련 포스팅 : Flask 관련

파이썬(Python) - ML &DL + RQ 서비스 Architecture

현재 제가 진행 중인 기계 학습 관련 웹 서비스 아키텍쳐 입니다.

중요한 부분은 Flask에서 넘어오는 많은 요청들을 Message Broker 인 RQ가 받아서 적재 후 순서대로
Worker에게 전달 후 처리한다는 것입니다.

여기서 Worker 역할을 하는 서비스(Celery 등)는 각각 플랫폼 마다 다양한 장단점을 포함하고 있어서
프로젝트 도입시에 꼼꼼히 레퍼런스 및 관련 자료를 검토 후 결정하셔야 될 것 같습니다.

그 후 사용자는 대기 시간없이 연속된 작업을 진행할 수 있게 되어 인터렉티브한 서비스를 제공받을 수
있습니다.

아키텍처 다이어그램(참고)

파이썬(Python) - ML &DL + RQ 서비스 소스코드

다운 받으신 소스코드를 실행하기 위해서는 기본적으로 개발 및 실행 환경 설정은 가상환경을
이용해서 진행해 주시면 됩니다.

예제를 실행하기전에 반드시 아래 필수 설치 패키지 목록을 참조해서 사전 설치 부탁드립니다.
그럼 아래 소스를 살펴보겠습니다.

필수 설치 패키지 목록 : Redis-Server, Redis, RQ

1. Redis-Server 설치 방법 : Windows, Linux -> 링크
2. Redis , RQ 설치 -> pip install redis rq
3. RQ Dashboard 설치 -> pip install rq-dashboard

소스 코드

rq_test.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
import os
import time
from rq import Connection, Queue
from rq_task import test_fib

def main():
    # 범위 지정
    fib_range = range(30, 40)

    # 큐 선언 및 작업 적재
    q = Queue()
    async_results = [q.enqueue(test_fib, x) for x in fib_range]

    start_time = time.time()
    # 종료 플래그
    done = False
    # 모든 큐 작업 종료시 까지 루프
    while not done:
        os.system('clear')
        # 시작 시간
        print('Asynchronously: (now = %.2f)' % (time.time() - start_time,))
        done = True
        # 모든 큐 실행
        for i, x in enumerate(async_results):
            # 결과 반환
            result = x.return_value
            if result is None:
                done = False
                result = '(calculating)'
            # 결과 콘솔 출력
            print('fib(%d) = %s' % (i, result))
        print('')
        # CLI에서 실행 추천
        print('To start the actual in the background, run a worker:')
        print('    python examples/run_worker.py')
        # 잠시 대기
        time.sleep(0.2)

    print('Done')

if name == 'main':
    with Connection():
        main()
Colored by Color Scripter
cs

- 3번 라인 : Redis Server 연결 및 Message Broker 서비스에 필요한 Connection, rq 임포트
- 4번 라인 : 사용자 요청으로 가정해서 미리 작성해 놓은 연산 작업이 많이 필요한 재귀 함수 관련 메소드 임포트
- 12번 라인 : enqueue 메소드를 통해서 Task를 큐에 적재
- 18번 ~ 39번 라인 : 차근차근 보시면 어렵지 않은 부분입니다. 큐 작업이 Worker에 종료 될 때 까지 대기합니다.
- 42번 라인 : Redis Server 연결 및 프로그램 시작 구문

rq_task.py

1
2
3
4
5
6
# 테스트 함수
def test_fib(n):
    if n <= 1:
        return 1
    else:
        return test_fib(n-1) + test_fib(n-2)
cs

- 2번 ~ 6번 라인 : 흔한 팩토리얼 공식 예제입니다.
N이 커질 수록 연산량 및 시간이 늘어나겠죠? Queue에 적재 됩니다.

Redis추가적인 환경 설정 및 다중 서버 구성 방법은 이 곳을 참고해 주세요.

rq_worker.py

1
2
3
4
5
6
from rq import Connection, Queue, Worker

if name == 'main':
    with Connection():
        q = Queue()
        Worker(q).work()
cs

- 1번 라인 : Worker가 임포트 된 것을 확인합니다.
- 6번 라인 : Queue에서 넘어온 Task를 Worker가 처리하는 구문

Python RQ(Redis Queue)의 추가적인 상세 설명은 이 곳을 참고해 주세요.

파이썬(Python) - ML &DL + RQ 서비스 구동 예시

아래 이미지로 Redis Server 실행 부터 총 4단계의 과정으로 RQ 실행 과정을 GIF 이미지로 확인하실 수 있습니다.

실행 화면 - Redis Queue Worker 기동

실행 화면 - RQ Dashboard 실행 후 브라우저에서 확인

실행 화면 - 태스크(Task) 실행 후 Queue 동작 확인(Dashboard)

실행 화면 - 태스크 실행 후 Queue 정상 동작 확인(콘솔)

Flask 공식 Reference : Flask 관련

마무리

이번 예제에서는 머신러닝, 딥러닝 서비스 및 다중 요청 서비스를 위한 Redis-Queue 서비스를
간단하게 구현해 보았습니다.

마이크로 서비스 아키텍쳐(MSA)에서 Backing service 파트에서 보면 보편적으로 Message-Queue
를 활용한 비동기 요청-응답 패턴을 적극적으로 활용하고 있습니다.

단일 서비스에서 한 개의 트랜잭션에 다양한 서비스들이 강한 결합으로 묶여 있을 경우에는 서비스
요청 및 데이터의 손실이라는 이슈 가능성이 높아지고 유연성이 떨어지는 것이 사실입니다.

이 때 메시지 큐를 활용한 트랜잭션 분리 전략은 장애 및 기타 이슈시에 서비스의 보존(영속성)이라는
장점을 얻을 수가 있어 안정적이고 대량 요청-응답 서비스에 적합하다고 볼 수 있습니다.

이번 예제를 통해서 다양한 큐 패키지(RebbitMQ, Kafka 등)장단점을 분석해서 적용하고자 하는
적합한 서비스 아키텍쳐에 대해서 생각해보는 시간이 되었으면 합니다.

다음 포스팅에서도 좋은 예제로 찾아뵙겠습니다.
감사합니다.

소스코드 다운로드 : flask-with-rq-example.zip

[취미]Nvidia Shield(쉴드) TV 2세대 - 내부 먼지 청소 및 써멀 재도포 후기

[좋은사람] — Sat, 16 Nov 2019 23:19:33 +0900

쉴드(Shield ) TV 2017[2세대] - 작업(렌즈 교체, 써멀, 먼지 청소)

안녕하세요. 이번 포스팅에서는 안드로이드 TV 중에 끝판왕이라고 생각되는 쉴드 TV를 구입하게 되어
내부 먼지 청소 및 팬 청소에 대해서 작성해봅니다.

쉴드TV는 사용해본 결과 4K HDR 콘텐츠 지원(유투브, 넷플릭스) 및 강력한 사양에서 나오는 하이퍼스핀
등을 무난하게 사용할 수 있는 강력한 기기라고 생각됩니다.

그 밖에 스트리밍을 활용한 가정내 NAS 시스템과 연동해서 멀티미디어 서비스를 강력하게 지원 받을 수
있습니다. GeForce NOW 서비스를 이용한 스팀 게임서비스도 부가적인 장점이겠네요.

그럼 새로운 기기를 영입했으니 뜯어보고 내부 상태에 대해서 점검을 시작해보겠습니다.

어려운 부분이 있으면 무조건 유투브에서 영문으로 검색하시면 편하게 영상으로 된 정보를 확인할 수
있습니다.

그럼 하단에서 차근차근 설명해볼께요.

쉴드(Shield) TV 2017[2세대] - 분해 및 써멀 재 도포 작업

2017년 버전 2세대 제품입니다.

오늘 청소 대상인 2세대 2017년 버전 입니다.

소음이 약간 신경 쓰였으나, 겉보기 상태는 좋고 상태는 훌륭해 보입니다.

전체 사진 한장 샷!

전용 리모콘에는 기스가 많아 보입니다. 터치도 지원합니다.

후면부에 나사 2개를 제거하면 상판은 쉽게 제거 됩니다.(별 나사가 필요합니다.)

기판에 나사를 제거하면 바로 쿨링팬이 드러납니다. 매우 심플한 구조네요.

강력 먼지제거제 747 등장합니다. 가성비가 너무 좋은 제품이죠.

팬 클리닝 후 상태입니다. 매우 깨끗하죠? 베어링 상태도 좋은것 같네요.
분해 하실 때 선 단선 조심하세요.

보드를 탈거했습니다. 기존 출고 당시 써멀이 굳어서 제 성능이 나오지 않을 것 같네요.
전부 긁어내고 새롭게 도포 할 예정입니다.

괜찮은 써멀로 새롭게 도포!

재조립 완료!
처음 하시는 분들은 반드시 유투브 등을 참고하시면서 작업해 주세요.
구동결과 개인적 느낌상 매우 정숙합니다.(원래 쉴드 TV 자체가 완성도가 높은 제품입니다.)

참고영상 -> Youtube 영상이고 정말 많은 도움이 되었습니다.

마무리

레트로 취미 및 IT 기기에 관심은 개인적으로 참 좋은 취미 생활 같습니다.

관련 새로운 기술 습득은 덤이라고 생각되네요!

전자제품도 얼마든지 사용자의 관심에 따라서 수명이 좌우 되는 것 같습니다.

이제 쉴드TV로 당분간 하이퍼스핀 셋팅 및 플레이의 즐거움을 만끽해야 될 것 같습니다.

다음에 또 뵙겠습니다. 감사합니다.

VS Code(Visual Studio Code) - 자바(JDK, OpenJDK) 환경 설정 방법

[좋은사람] — Mon, 19 Aug 2019 19:19:46 +0900

VS Code - JDK, OpenJDK 연동 설명

이번 포스팅에서는 많이 사용하는 VS Code 도구에서 유용한 플러그인을 설치하고 사용법을 간략하게
알아보고자 합니다.

최근 특히 프론트 엔드 파트와 경량화 된 소규모 어플리케이션 개발에 기존 IDE(통합 개발 환경) 보다 다소
라이트한 환경에서 개발 업무를 하시는 분들이 증가하고 있는 추세 같습니다.

VS Code는 기본적으로 인코딩 관련 지원이 정말 강력한 에디터라고 생각합니다.

아울러, Git Support Tools이 다른 텍스트 에디터에 비해서 기능이 훌륭하다고 생각하네요.

그럼 하단에서 JDK 또는 OpenJDK와 연동하는 방법에 대해서 설명해보겠습니다.

Visual Studio Code - JDK, OpenJDK 환경 설정 상세 설명

우선 https://jdk.java.net 접속 후 합니다.

본 포스팅은 윈도우10(windows10 x64)에서 테스트 후 작성했습니다.
참고 : OpenJDK 다운로드 사이트

참고로 본 포스팅에서는 OpenJDK를 기준으로 설명드리겠습니다.

기본적으로 VS Code는 설치되어 있어야 해요.

원하는 버전 확인 ->저는 JDK14 버전을 다운로드 했습니다.

다운로드 완료 후 압축을 풀어줍니다.

참고 : Oracle JDK를 사용하실 분들은 Oracle JDK를 다운로드 받으시고 설치 후 환경변수 설정해 주세요.

JDK 설치 및 환경변수 관련 내용은 검색 해보시면 많은 내용이 있으므로, 굳이 설명하지 않습니다.

설치 후 VS Code를 실행합니다. (참고 링크)

왼쪽의 Extentions 를 클릭 후 java 키워드로 검색합니다.

설치 완료 후 Reload 를 실행하면 VS Code가 재 실행 됩니다.

그 다음 File -> Preferences -> Settings 를 실행합니다.

상단에 검색 창에서 java.home 을 검색하면 아래와 같은 화면이 표시 됩니다.
기존에 Oracle JDK를 설치하신 후 환경 변수 설정을 완료 하신 분들은 작업 하실 필요가 없습니다.

위에서 OpenJDK 압축을 푼 경로를 오른쪽 USER SETTINGS 파일에 하단 사진과 같이 설정해 줍니다.
윈도우, 맥 OS 사용하시는 분들도 경로에 맞게 잘 입력해주세요.

설정이 완료 되었습니다.
본인의 프로젝트를 사용할 폴더를 생성 후 Open Folder 를 실행 후 폴더를 선택해 줍니다.

테스트 할 *.java 파일을 한 개 만들어 줍니다.

테스트 코딩을 해보시면 Code Assistance 기능도 잘 작동합니다.

Visual Studio Code - 환경 설정 후 실행 화면

launch.json 설정을 완료하시면 더 빠르게 빌드 및 실행(Run Task Build)이 가능합니다.

관련 설정 방법은 하단에 링크로 대신합니다.

Run Task Build 실행 설정
윈도우, MacOS 공통 : 공식 레퍼런스 설명

실행 화면

마무리

빠른 소스 코드 작성을 위해서 다양한 에디터를 사용해 보고 있습니다.

에디터의 선택은 직접 사용해 보시고 각 제품마다 제공하는 강력한 기능들을 체감해보셨으면 합니다.

ATOM, 서브라임, VS Code 등 본인 입맛에 맞는 에디터를 사용해 보세요.

다음 시간에도 좋은 정보를 포스팅 하겠습니다.

파이썬(Python) - 네임드튜플(namedtuple) 사용 예제 및 소스코드

[좋은사람] — Sun, 18 Aug 2019 01:09:11 +0900

파이썬(Python) - 네임드 튜플 설명

안녕하세요. 좋은사람 입니다.

오늘은 파이썬 데이터 모델링 파트에서 소개하고 있는 네임드튜플 타입 구조에 대해서 포스팅 합니다.

파이썬에 대용량의 데이터를 적합한 데이터 타입으로 저장하고 효율적인 퍼포먼스로 운영하기 위해서는
제네레이터 패턴 등 많은 활용 방법에 정확하게 이해하고 있어야 한다고 생각됩니다.

보통은 객체를 사용하는 것 보다는 튜플 활용을 공식 레퍼런스에서 추천하고 있습니다.

주로 내장된 데이터 타입 즉, 파이썬 데이터 모델링 파트에서 추천하는 Collections 라이브러리를 활용
하시면 다양한 Container datatypes을 사용하실 수 있습니다.

그럼 하단에서 컨테이너 데이터 타입 중 첫 번째인 네임드 튜플 예제를 설명드리겠습니다.

지난 파이썬 관련 포스팅은 오른쪽 링크를 참고하세요. - 관련 포스팅

파이썬(Python) - 네임드 튜플(namedtuple) 예제 실습

네임드 튜플은 개인적으로 정말 자주 사용하는 데이터 타입입니다. 이유는 아래와 같은 특성을 지니고
있습니다.

- 튜플의 기본 성질인 불변 객체
- 일반 Class(객체) 형태보다 적은 메모리 사용
- 다양한 접근법 지원(괄호, .)
- Dictionary Key 와 같이 사용

네임드 튜플 관련 레퍼런스 - 참조

1. from collections import namedtuple

아래 예제는 두 점 사이의 거리를 구하는 예제입니다. 서로 다른 두 점 (x1, y1, x2, y2) 를 입력 받은 후
사이의 리를 구하는 소스 코드입니다.

일반적인 방법과 네임드 튜플 패키지를 사용한 방법을 비교하시면 자세하고 쉽게 이해가능하실거예요.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
# 참조 : https://docs.python.org/3/reference/datamodel.html
# 일반적인 튜플 사용
 
pt1 = (1.0, 5.0)
pt2 = (2.5, 1.5)
 
from math import sqrt
 
line_leng1 = sqrt((pt2[0] - pt1[0]) ** 2 + (pt2[1] - pt1[1]) ** 2)
 
print(line_leng1)
 
# 네임드 튜플 임포트
from collections import namedtuple
 
# 네임드 튜플 선언
Point = namedtuple('Point', 'x y')
 
# 두 점 선언
pt1 = Point(1.0, 5.0)
pt2 = Point(2.5, 1.5)
 
# 두 점 사이의 거리 계산
line_leng2 = sqrt((pt2.x - pt1.x) ** 2 + (pt2.y - pt1.y) ** 2)
 
# 출력
print(line_leng2)
print(line_leng1 == line_leng2)
 
 
# 네임드 튜플 사용
Point1 = namedtuple('Point', ['x', 'y'])
Point2 = namedtuple('Point', 'x, y')
Point3 = namedtuple('Point', 'x y')
Point4 = namedtuple('Point', 'x y x class', rename=True) # Default=False
 
# 출력
print(Point1, Point2, Point3, Point4)
 
print()
print()
 
# Dict to Unpacking
temp_dict = {'x': 75, 'y': 55}
 
# 객체 생성
p1 = Point1(x=10, y=35)
p2 = Point2(20, 40)
p3 = Point3(45, y=20)
p4 = Point4(10, 20, 30, 40)
p5 = Point3(**temp_dict)
 
# 출력
print('EX2-2 -', p1, p2, p3, p4, p5)
 
print()
print()
 
# 사용
print(p1[0] + p2[1]) 
print(p1.x + p2.y)  # 클래스 변수 접근 방식
Colored by Color Scripter
cs

4, 5번 라인 : 두 개의 좌표를 튜플 형태로 표현
9번 라인 : 두 점 사이의 거리
14번 라인 : collections 패키지의 namedtuple 선언
17, 20, 21번 라인 : 선언부 및 생성부를 통한 클래스 형태의 특징을 가지고 있음을 확인
24번 라인 : 두 점 사이의 거리(접근 방법 확인)
32~35 라인 : 네임드튜플의 유연하고 다양한 선언 방법
54번 라인 : 출력 확인

이번 예제의 핵심은 바로 선언부 및 접근 방법에 있습니다. 튜플의 성질을 가지고 있으면서 클래스 및 딕셔너리
구조의 접근 방식을 사용해서 원하는 데이터에 접근 할 수 있습니다.

SQL 및 크롤링, 스파크 등에서 수집된 데이터를 체계적으로 관리하고 활용하실 수 있습니다.

2. 코드 실행 확인

정확하게 소스를 이해하시고 직접 실행 실행 해보시기를 권장해 드립니다.

실행 화면

더 많은 메소드 레퍼런스 확인 및 자세한 설명은 -> 클릭

마무리

단순한 예제지만, 파이썬에서 모든 객체는 데이터에 대한 추상화 로 표현 될 수 있는 부분을 보여줄 수
있는 내용이라고 생각합니다.

네임드 튜플을 활용하면 이름을 통해서 필드 값에 엑세스 할 수 있다는 장점과 각 데이터에 대한 레이블
을 활용할 수 있는 큰 장점이 있습니다.

가장 중요한건 내부적으로 상당히 메모리 활용에 최적화 된 데이터 타입이라는 것입니다.
물론 데이터에 알맞은 적합한 컨테이너 구조를 사용하는 것이 중요하다고 생각합니다.

다음 시간에도 파이썬 Collections Data type 패키지에 대해서 포스팅 하도록 하겠습니다.

감사합니다.

소스코드 다운로드 : python_nametuple_1.zip

파이썬(Python) - 매직(Special) 메소드 및 연산자 오버라이딩 설명 및 실습

[좋은사람] — Tue, 23 Jul 2019 19:30:15 +0900

파이썬(Python) - 매직(Special)메소드 설명

안녕하세요. 좋은사람 입니다.

오랜만에 파이썬 문법에 관해서 포스팅 해보려고 합니다.

그 중에서 가장 빈번하게 사용되고 있지만, 정확한 문법 개념을 가지고 접근해야 하는 매직 메소드에 대해서
간단하게 설명해 볼까 합니다.

매직 메소드(Special Method)는 파이썬 전반적인 아키텍처를 담고 있다고 봐도 무방할 정도로 중요한 개념
이라고 볼 수 있습니다.

아울러, 매직 메소드(Special Method)는 파이썬 인터프리터를 통한 코드 실행에 있어서 전체에 걸쳐서
이미 구성되어 있는 메소드라고 설명되고 있습니다.

매직메소드를 정확하게 오버라이딩해서 사용하게 되면 파이써닉 기준에 부합하는 더욱 유연하고 생산성이
있는 코드를 작성하실 수 있다고 생각합니다.

아울러, 파이썬 심화 과정으로 나가기 위해서는 필수적으로 관련 지식을 읽어보시는 것을 추천드려요.

그럼 하단에서 간단한 예제를 통해서 설명드리겠습니다.

지난 파이썬 관련 포스팅은 오른쪽 링크를 참고하세요. - 관련 포스팅

파이썬(Python) - 매직(Special) 메소드 예제 실습

매직메소드는 우리가 계속 사용하고 있는 메소드 입니다. 파이썬 문법에 있어서 객체는 데이터에 대한
추상화하는 과정이라고 이해해볼 수 있습니다.

즉, 코드상에 존재하는 (변수, 함수, 클래스) 등을 모두 객체로써 핸들링 할 수 있고 느슨하게 구성되어 있는
매직 메소드를 추가함으로써 우리가 의도하는 기능을 구현할 수 있는 것입니다.

매직 메소드 관련 추천 레퍼런스 - 참조

1. __init__, __str__, __iter__ ...

위 제목에 나와 있는 더블 언더스코어("__")로 메소드 이름 앞 뒤에 붙여주면 해당 메소드를 오버라이딩 해서
사용하실 수 있습니다. 이미 우리는 의식하지는 못했지만, 기본적으로 덧셈, 뺄셈 등에도 해당 메소드를
내부적으로 백그라운드 연산을 통해 사용하고 있었던 셈입니다.

더블 언더스코어 된 메소드가 파이썬 내부(Built-in)에 존재하는 함수라면 그 즉시 메소드 오버라이딩을 통해서
함수 본연의 기능을 내가 원하는 객체에 부여할 수 있다는 뜻입니다.

조금 생소하시고 어렵다고 느껴지시면 아래 예제를 확인하시면 쉽게 이해가능하실거예요.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64

# 매직메소드 기초
 
# 기본형
print(int)
 
# 모든 속성 및 메소드 출력
print(dir(int))
print()
print()
 
n = 100
 
# 사용
print('EX1-1 -', n + 200)
print('EX1-2 -', n.__add__(500))
print('EX1-3 -', n.__doc__)
print('EX1-4 -', n.__bool__())
print('EX1-5 -', n.__mul__(100))
 
print()
print()
 
 
# 클래스 예제1
class Student:
    def __init__(self, name, height):
        self._name = name
        self._height = height
    
    def __str__(self):
        return 'Student Class Info : {} , {}'.format(self._name, self._height)
    
    def __ge__(self, x):
        print('Called. >> __ge__ Method.')
        if self._height >= x._height:
            return True
        else:
            return False
 
    def __le__(self, x):
        print('Called. >> __le__ Method.')
        if self._height <= x._height:
            return True
        else:
            return False
 
    def __sub__(self, x):
        print('Called. >> __sub__ Method.')
        return self._height - x._height
 
# 인스턴스 생성
s1 = Student('James', 181)
s2 = Student('Mie', 165)
 
# 매직메소드 출력
print('EX2-1 -', s1 >= s2)
print('EX2-2 -', s1 <= s2)
print('EX2-3 -', s1 - s2)
print('EX2-4 -', s2 - s1)
print('EX2-5 -', s1)
print('EX2-6 -', s2)
 
print()
print()
Colored by Color Scripter

cs

7번 라인 : dir 함수를 통해서 int 객체가 가지고 있는 모든 속성 출력
14번 라인 : 기본적인 덧셈 연산
15번 라인 : 내부적으로   __add__   메소드가 실행되어 덧셈 결과를 반환
16번 라인 : 18번 라인까지   문서 주석 , 참 거짓 반환 , 곱하기   테스트 실행
25번 라인 : 학생 클래스 선언 ->   __ge__ , __le__ , __sub__ 매직메소드 오버라이딩에 주목!
52번 라인 : 53번 라인까지 2명의 학생 인스턴스(Instance) 생성
56번 라인~ : 이제 학생 인스턴스를 사용해서 숫자 연산자를 활용해서 계산 및 비교 수행 가능

이번 예제의 핵심이라고 볼 수 있습니다. 즉, 학생 인스턴스를 비교할 경우 내부적으로 오버라이딩한 메소드가
직접 수행이 되어 클래스 내부에 우리가 의도한 학생의 키(Height)를 기준으로 연산이 수행되는 것이지요.
즉, 객체에 추가한 메소드의 기본 기능대로 코드에서 생성된 인스턴스를 유연하게 사용 할 수 있습니다.

2. 코드 실행 확인

정확하게 소스를 이해하시고 직접 실행 실행 해보시기를 권장해 드립니다.

실행 화면

더 많은 메소드 레퍼런스 확인 및 자세한 설명은 -> 클릭

마무리

단순한 예제지만, 파이썬에서 모든 데이터들은 객체 및 객체 사이의 관계로 표현 될 수 있는 부분을 보여줄 수
있는 내용이라고 생각합니다.

즉, 파이썬 인터프리터를 통해서 해석 후 데이터 객체 생성 및 연산을 통해서 우리가 원하는 출력 값 및
프로그램 개발 흐름을 제어 할 수 있다는 것이지요.

시간이 여유가 되신다면 더블 언더스코어를 지원하는 모든 메소드를 한 번 찾아보시는 것도 파이썬
실력향상에 아주 큰 도움이 되실거라 생각됩니다.

다음 포스팅에서도 좋은 내용으로 찾아뵙겠습니다. 감사합니다.

소스코드 다운로드 :

python_magic.zip

다운로드

[취미] (New or Old) 3DS, 2DS 커펌(CFW) 업데이트 방법 및 가이드

[좋은사람] — Tue, 16 Jul 2019 18:32:50 +0900

New 3DS, 2DS 커펌 후 SW 업데이트(UPDATE) 방법

안녕하세요. 지난 3부에 걸쳐서 New 3DS/2DS 커펌 최종 방법에 대해서 이미 포스팅을 진행했습니다.

이번 글에서는 지난 포스팅 이 후 많은 분들께서 블로그 또는 개인적으로 가장 많이 질문을 해주신
커펌 이 후 정식 소프트웨어 버전 및 커펌 버전 업데이트 방법에 대한 내용에 대해서 작성해보려고 합니다.

결론부터 이야기 하면, 정말 쉬운 파트이고 어렵지 않으니 내용을 꼼꼼히 확인하셔서 진행하시면 됩니다.

그리고 지난 시간에 언급드렸지만, 중요한 부분은 다시 한 번 하단과 같이 설명드립니다.

반드시 아래 내용을 숙지하셔서 블로그 댓글 내용을 비공개 처리하는 일이 없었으면 합니다.

1. 커펌 및 업데이트 진행 중에 발생하는 문제는 언제나 크리티컬 하며, 벽돌 사태가 발생할 수 있습니다.
2. 게임(Cia파일) 의뢰 및 기타 복잡한 문의는 받지 않습니다. 어디까지나 정보 공유 차원입니다.
3. 후에 그 밖에 예상하지 못하는 문제가 발생할 가능성 숙지(버전 업에 따라서)

그럼 내용 정리를 시작하겠습니다. 잘 따라오세요!

참고사항!
2019-07-16 현재 11.10 버전 커펌(CFW) 정상적으로 동작 및 실행 확인했습니다. -> 3DS, 2DS
앞으로 다른 버전이 나오면 또 확인해서 블로그 내용 업데이트 하겠습니다.

마지막으로 본 포스팅을 참고하셔서 발생하는 어떠한 문제도 저는 책임지지 않습니다.

3DS, 2DS 커펌(CFW) - 버전(Version) 업데이트 필수 준비 사항

① 이미 커펌 완료 된 대상 디바이스 (3DS, 2DS, New 3DS, New 2DS 中 1개)
② 커펌 된 기기에 사용 중인 Micro SD 카드

아래는 필요한 설치 프로그램 목록(링크에서 다운로드 또는 첨부파일 클릭하세요)

ⓐ Luma3DSv10.0.1 -> 다운링크

Luma3DSv10.0.1.zip

해당 업데이트 방법은 Boot9Strap 커펌 방식을 사용한 유저들을 대상으로 합니다.

여러 커펌 방식이 있으니 기타 커스텀 펌웨어로 인한 업데이트는 시도해보지 않았으며,
권장하지 않습니다. 이점 유의하시기 바랍니다.

준비물 사진 : 이미 커펌 된 업데이트 대상 디바이스(현재 버전 확인), Micro SD

3DS, 2DS 커펌(CFW) - 버전(Version) 업데이트 가이드

가장 중요한 파트이고 바로 업데이트 설명들어갑니다. 너무 쉽기 때문에 누구나 성공하실 수 있어요.

중요한 점은 한 번 커펌 된 기기는 영구 커펌으로 이해하시면 되고 업데이트는 본체에 환경설정 기능을
통해서 소프트웨어 업데이트를 하면 됩니다.

다만, 우리는 현재 설치되어 있는 Luma3ds 커스텀 펌웨어를 본체 기기 새로운 버전에 맞게 설치만
해주시면 지속적으로 사용하실 수 있습니다.

SD 카드 분리

지금 사용하는 Micro SD카드를 분리 후 PC에 연결합니다.

(1). Luma3DSv10.0.1.zip 파일 다운로드합니다. 위에 링크 클릭 또는 파일 직접 다운로드 하세요.

(2). Luma3DSv10.0.1.zip 파일 압축 해제 후 boot.firm 파일이 있는지 확인합니다.

(3). boot.firm 파일을 기존에 Micro SD 카드 루트(Root)에 덮어 쓰기 합니다.
이미 B9S 기반으로 커펌이 되어 있는 기기이므로, boot.firm 파일이 존재하겠죠?
센스 있으신 분들은 혹시 문제가 생길지 모르니 기존 boot.firm 파일을 백업하시는 것도 좋아요.

(4). 기기 전원을 On 후 Luma Updater를 실행 한 후 Current installed version 부분을 확인합니다.
버전이 아래와 같이 10.0.1-c 형식이면 정확하게 진행하고 계신거예요.

(5). 본체설정->기타설정 메뉴 진입 후 본체 업데이트 실행합니다. 거의 끝났습니다.
당연히 무선랜(와이파이)에 연결이 되어 있으셔야 겠죠?

(6). 본체 업데이트가 진행되고 있는 것을 확인합니다. 혹시 모르니 어댑터를 연결하고 진행하세요.

(7). 업데이트 최종 완료!! 최종 버전을 확인합니다. 앞으로도 본체 정품 소프트웨어가 업데이트 된다면
지금과 같이 진행하시면 됩니다.

3DS, 2DS 커펌(CFW) - 커펌 버전 업데이트 완료 후 실행 화면

상단 가이드에 따라서 설치하시면 아래와 같은 커펌 완료 후 기존 프로그램들 모두 문제 없이 동작하는 것을
확인하실 수 있습니다.

실행 영상

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

마무리

원래는 정보 공유를 위해서 간단하게 커펌 방법 등을 정리하려고 했으나, 난이도가 약간은 높다고 판단되어
자세하게 정리하려고 노력하고 있습니다.

커펌이 완료 된 기기는 이제 앞으로 새로운 버전이 업로드 될 때 마다 지금과 같은 방법으로 수월하게
진행하시면 됩니다.

항상 좋은 정보를 공유하려고 노력하고 있습니다. 불법적인 질문은 절대 금지합니다.

정보가 좋으시면 공감 꼭 눌러주세요.

새로운 정보가 업데이트 되면 다시 포스팅 해드리겠습니다.

감사합니다.

[취미] PS4 분해 - 렌즈 교체, 내부 먼지 청소 및 써멀 재도포 후기

[좋은사람] — Mon, 24 Jun 2019 00:18:35 +0900

PS4(플레이스테이션4) 전체 작업(렌즈 교체, 써멀, 먼지 청소)

안녕하세요. 이번 포스팅 제 작은 취미인 레트로 수집 및 수리 중에서 그 동안 묵혀놨던 초기형 PS4 작업에
대해 포스팅 해보겠습니다.

PS4-100X(한국 버전 1005) 모델은 2013년 12월에 한국에 정식 발매된 고전 모델이며, 벌써 6년이라는
시간이 훌쩍 지나버렸습니다.

무상 A/S는 당연히 만료되었고 잘못된 결과가 나와도 관련 지식을 습득한다는 마음가짐으로 작업에
들어갔는데 좋은 결과가 나와서 매우 기분이 좋습니다.

저는 PS4 슬림 -> Pro로 빠른 기기 교체로 인해 많이 사용은 안했지만, 내부에 세월의 흔적이 고스란히
쌓여 있을 거라는 생각에 블루레이 렌즈 교체 및 내부 먼지 청소, 써멀 재도포 작업을 성공적으로 수행해서
정보를 공유드리고자 합니다.

어려운 부분이 있으면 무조건 유투브에서 영문으로 검색하시면 편하게 영상으로 된 정보를 확인할 수
있습니다.

아울러, 웬만한 부품은 아마존 또는 Aliexpress 검색하시면 부품을 전부 구매할 수 있으시니 걱정하지 않아도
될 것 같습니다.

그럼 하단에서 차근차근 설명해볼께요.

PS4(플레이스테이션4) - 블루레이 렌즈(Lens) 및 픽업(Pickup) 교체

교체용 렌즈는 Aliexpress에서 구매했습니다.

오늘 교체 대상인 블루레이 렌즈 KEM-490AAA 입니다. PS4는 모델 종류가 많으니 정확하게 구입하셔야 해요.

겉보기 상태는 좋고 상태는 훌륭해 보입니다.(아직 테스트 전이니..)

필요한 공구랑 전체 사진 한장 샷!

렌즈 픽업부에 사용 예정인 그리스 및 내부 먼지 제거제, 칩셋 써멀 준비

후면부에 개봉 확인 스티커를 제거합니다. 총 네 부분입니다.

탈거합니다. 벌써 부터 내부 먼지 상태가 심상치 않습니다.

만능 파워 클리너 등장합니다. 가성비가 너무 좋은 제품이죠.

나사 제거 후 파워서플라이 제거! 모듈화가 되어 있어서 쉽게 분해 가능합니다.
But! 힘조절 잘하셔야 합니다. 선 단선되면 안되요!

서플라이 내부에 먼지가 엄청납니다. 밖으로 나가서 스프레이로 전부 제거!

먼지 제거된 서플라이!

블루레이를 제거했습니다. 나사도 많고 지금부터는 약간 복잡해 집니다.
처음 하시는 분들은 반드시 유투브 영상 또는 사진을 촬영하면서 작업해 주세요.

기존 렌즈 픽업부와 비교해보니 정확하게 똑같습니다. 대단합니다. 느낌이 좋네요.

완전 분해된 블루레이 내부 모습

블루레이 뒷 부분을 탈거해야 픽업 전체를 교체 할 수 있어요.

모델명도 똑같습니다. 작동이 제대로 되기를 기원해 봅니다.

제거 했습니다. 이제 새로운 픽업부로 교체합니다.

픽업부 비교 스샷!

교체 완료 했습니다. 여기까지 오셨으면 나사 위치와 케이블 위치를 정확하게 기억하셔야 해요.

블루레이 재 조립 완료!

이제 써멀 작업 및 먼지 제거를 위해서 전면부를 탈거합니다.

참고영상 -> Youtube 영상이고 정말 많은 도움이 되었습니다.

PS4(플레이스테이션4) - 메인보드 써멀 재도포 작업

후면부에서는 블루레이 픽업 교체 및 먼지 제거를 수행하시면 됩니다.
전면부에서는 보드를 완전 분해 할 수 있고 소음에 영향을 주는
쿨링 팬을 분리 작업 역시 가능합니다.

메인보드 가이드를 분해합니다. 조심히 신중하게 작업하세요

칩셋이 보입니다. 이쪽 파트는 먼지가 유입이 되지 않아서 깔끔합니다.

드디어 드러난 프로세서 부분이네요. 세월에 흐름에 따라 써멀도 엉성하게 굳어 있습니다.
항공기 이륙소리에 주범이라 생각해볼 수 있습니다.

접근 샷! 출하 될 당시에도 꼼꼼한 작업은 이루어지지 않은 것 같네요.

만능 클리너로 깔끔하게 지워줍니다.

쿨링 팬 완전 분리 완료! 가장 많은 먼지를 머금고 있습니다.

분리해서 밖으로 가지고 나갑니다.

상판을 완전 분리했으니 깔끔하게 청소해 줍니다. 이번 작업 후 꽤 오랜기간 박스에 있어야 하니까요.

PS4가 완전 분해 되었네요. 스샷 한 번 남겨봅니다.

보드와 가이드에 써멀을 정성스럽게 도포해줍니다.
리퀴드는 옆으로 흘러서 보드를 손상 시킬 염려가 있으니 신중하게 선택하세요.

모든 작업 후 재 조립 완료 정말 깔끔합니다.

재 조립 후 팬 및 나사 부분이 빠진 곳은 없는지 다시 한 번 점검합니다.

HDD를 연결 해 주고 이제는 두근두근 테스트 해볼 차례입니다. 과연?

잘 될거라는 믿음을 가지고 외관을 다시 한 번 정성스럽게 닦아 줍니다.

PS4(플레이스테이션4) - 재 조립 후 작동 영상

모든 작업 완료 후 드디어 전원을 넣고 CD를 투입해 봅니다.
체크 리스트는 소음, CD인식 및 실행, 전원 안정화 입니다.

결과는 만족스러웠습니다. 심리적 안정감 및 렌즈 읽는 속도가 약간(?)
신속하게 이루어지는 것 같습니다. 팬 소음도 현저하게 감소했습니다.

작업 후 작동 영상

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

마무리

몇 번 언급드리지만, 레트로 취미를 가지면서 전자 기기에 관한 제반 지식을 습득하고 있습니다.

작업 시간은 2시간 정도 걸렸으며, 숙련자 분들은 쉽게 작업하실 수 있을 거라 사료됩니다.

전자제품도 얼마든지 사용자의 관심에 따라서 수명이 좌우 되는 것 같습니다.

혹시 포스팅을 보고 작업하실 분은 반드시 관련 자료를 검색하시고 내부 구조에 대해서 충분히 습득 후
작업하시는 것을 추천드립니다.

다음에 또 뵙겠습니다. 감사합니다.

Flask(플라스크) - 머신러닝, 딥러닝 웹 서비스 예제 소스 및 개념 설명(2)

[좋은사람] — Tue, 18 Jun 2019 19:17:07 +0900

파이썬(Python) Flask - ML & DL RESTFul API

지난 포스팅에 이어서 Flask 머신러닝 서비스 프로젝트를 완성해보겠습니다.

이번 내용의 핵심은 머신러닝 학습 서비스를 모듈화 한 후 플라스크에서 요청 시 재 학습(Retrain) 또는
학습 결과를 리턴해주는 부분을 수정 할 예정입니다.

이번 예제를 읽기 전에 반드시 지난 포스팅을 참고하시기를 부탁드립니다. (지난 포스팅)

아울러, 문서 맨 하단에 예제 소스를 항상 첨부해드립니다.
자세한 동작 환경은 소스코드를 직접 다운로드 받으셔서 차근차근 분석해보시면 쉽게 이해하실 수 있습니다.

그러면 하단에서 간단하게 예제를 작성해보겠습니다.

Flask 관련 포스팅 : Flask 관련

파이썬(Python) Flask - ML & DL REST API Architecture

개발에 들어가기 전 가장 중요한 부분을 짚어보겠습니다.

지난 시간에 언급드렸지다시피 백엔드 파트에서 가장 중요한 모델 재 학습(Retrain)입니다.

모델을 재 생성한다는 것은 지속적으로 생성되는 새로운 데이터셋을 기반으로 기존 모델을 강화시키고
안정적이고 높은 스코어 및 변화하는 사용자 요구에 적합한 서비스를 제공하기 위해서는 필수적인 작업이라
생각됩니다.

모델 재 생성은 여러 스케쥴러를 통해서 실행 할 수 있으나, 이번 예제에서는 Rest API로 별도로 분리해서
사용자가 언제든지 요청 할 경우 기존 모델 백업 후 새로운 모델을 생성하는 방향으로 진행했습니다.

아래 아키텍쳐 다이어그램을 참고하시면 보다 쉽게 이해하실 수 있습니다.

그 후 사용자는 브라우저를 통한 Request 후 생성된 Model을 통해서 인터렉티브한 서비스를 제공
하실 수 있습니다.

아키텍처 다이어그램(참고)

파이썬(Python) Flask - ML & DL REST API 소스코드

다운 받으신 소스코드를 실행하기 위해서는 기본적으로 개발 및 실행 환경 설정은 가상환경을 이용해서 진행
해 주시면 됩니다.

지난 시간에 이미 환경설정 및 관련 아키텍쳐에 대해서는 상세하게 설명드렸습니다. 변경된 소스코드로
위주로 설명드리겠습니다.

그럼 아래 소스를 살펴보겠습니다.

기본 패키지 설치 및 다운로드 파일(필수)

1. 학습에 필요한 Dataset 파일 다운로드 : 링크

2. 필수 패키지 설치 : pip install -r requirements.txt

소스 코드

main.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73

import flask
from flask import Flask, request, render_template
from sklearn.externals import joblib
import numpy as np
from scipy import misc
from ml.model import export_model
from flask_restful import Resource, Api
 
 
app = Flask(__name__)
api = Api(app)
 
 
# 메인 페이지 라우팅
@app.route("/")
@app.route("/index")
def index():
    return flask.render_template('index.html')
 
 
# 데이터 예측 처리
@app.route('/predict', methods=['POST'])
def make_prediction():
    if request.method == 'POST':
 
        # 업로드 파일 처리 분기
        file = request.files['image']
        if not file: return render_template('index.html', ml_label="No Files")
 
        # 이미지 픽셀 정보 읽기
        # 알파 채널 값 제거 후 1차원 Reshape
        img = misc.imread(file)
        img = img[:, :, :3]
        img = img.reshape(1, -1)
 
        # 입력 받은 이미지 예측
        prediction = model.predict(img)
 
        # 예측 값을 1차원 배열로부터 확인 가능한 문자열로 변환
        label = str(np.squeeze(prediction))
 
        # 숫자가 10일 경우 0으로 처리
        if label == '10': label = '0'
 
        # 결과 리턴
        return render_template('index.html', ml_label=label)
 
 
# 데이터 모델 재학습
@app.route('/retrain', methods=['POST'])
def make_model():
    if request.method == 'POST':
        # 모델 재 생성
        export_model('R')
        return render_template('index.html', md_label='모델 재생성 완료')
 
 
# 데이터 모델 재학습(RestApi)
class RestMl(Resource):
    def get(self):
        export_model('R')
        return {'result': True, 'modelName': 'model.pkl'}
 
 
# Rest 등록
api.add_resource(RestMl, '/retrainModel')
 
if __name__ == '__main__':
    # 모델 로드
    # ml/model.py 선 실행 후 생성
    model = joblib.load('./model/model.pkl')
    # Flask 서비스 스타트
    app.run(host='0.0.0.0', port=8000, debug=True)

cs



- 6번 라인 : 별도로 분리된 모델 학습 파일(model.py)를 패키지 형태로 임포트 합니다.
- 50번 라인 : 추가 된 메소드 입니다. 모델 재 학습을 위해서 Rest API(/retreain) 수신 시 export_method를 
                 호출 후 model.py에 있는 메소드를 실행합니다. 
                 그 이후 새로운 모델을 사용해서 ML & DL 서비스를 제공합니다.

model.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

import os
import time
import scipy.io
from sklearn.utils import shuffle
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.externals import joblib
from pathlib import Path
 
 
def export_model(mode=None):
    # Google 주소 숫자 인식 모델 생성
    # Path 설정
    ml_dir = str(Path(__file__).parent)
    md_dir = str(Path(__file__).parent.parent)
 
    # 로드 mat 파일
    train_data = scipy.io.loadmat(ml_dir + '/extra_32x32.mat')
 
    # 학습 데이터, 훈련 데이터
    X = train_data['X']
    y = train_data['y']
 
    # 매트릭스 1D 변환
    X = X.reshape(X.shape[0] * X.shape[1] * X.shape[2], X.shape[3]).T
    y = y.reshape(y.shape[0], )
 
    # 셔플(섞기)
    X, y = shuffle(X, y, random_state=42)
 
    # 학습 훈련 데이터 분리
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.05, random_state=42)
 
    # 랜덤 포레스트 객체 생성 및 학습
    clf = RandomForestClassifier()
    clf.fit(X_train, y_train)
 
    # 모델 저장(첫 학습, 재 학습 구분)
    if not mode:
        joblib.dump(clf, md_dir + '/model/model.pkl')
    else:
        if os.path.isfile(md_dir + '/model/model.pkl'):
            os.rename(md_dir + '/model/model.pkl', md_dir + f'/model/model_{time.time()}.pkl')
        joblib.dump(clf, md_dir + '/model/model.pkl')
 
 
if __name__ == "__main__":
    export_model()
Colored by Color Scripter

cs

- 11번 라인 : 패키지 형태의 모듈 서비스를 제공하기 위해서 함수 형태로 변환합니다.
- 39~44라인 : 학습 완료 된 모델을 추출합니다. 기존 모델을 지우지 않고 datetime을 붙인 후 백업합니다.

                   이 부분은 시간이 흐름에 따라 저장장치에 많은 용량이 필요하므로, 주기적 삭제 정책에 대해서는 
                   환경에 따라서 기능 추가가 필요한 부분입니다.

Flask Rest API의 추가적인 상세 설명은 이 곳을 참고해 주세요.

파이썬(Python) Flask - ML & DL REST API 테스트

아래 이미지로 총 2단계의 완성 된 실행 환경을 GIF 이미지로 확인하실 수 있습니다.

실행 화면 - Flask 서버 기동

실행 화면(model.py) - 학습 재 학습 결과 확인

Flask 공식 Reference : Flask 관련

마무리

2회의 포스팅에 걸쳐서 플라스크 프레임워크를 활용해서 머신러닝, 딥러닝 서비스를 Rest API 형태로 서버를
구성하는 예제를 작성해보았습니다.

현재 다양한 네이버 클로바, 구글 딥러닝 VM, 아마존 AWS Rest 기계학습 서비스, 삼성 브라이틱스 등
대표 기업들이 클라우드 환경에서 웹 GUI 기반 다양한 알고리즘을 활용한 빅데이터 분석 및 기계학습
서비스를 제공 하고 있습니다.

이번 예제에서는 모델 재 학습(Retrain)이라는 중요한 부분을 기능 추가 후 테스트까지 완료했습니다.

개인적으로 요즘 분석 기반 프로젝트를 진행하면서 대용량 인프라 기반 및 많은 양의 데이터가 존재
한다면 딥러닝을 사용할 경우 좋은 결과 값 도출을 확인했습니다.

다만, 제가 경험한 바운더리안에서는 거의 국내에서 현업에서 발생되는 데이터는 텍스트 타입 데이터가
대부분이었고 이 때는 머신러닝 알고리즘을 활용하는 것이 비즈니스 서비스에 더 도움이 되는 경우가
많았습니다.

데이터 타입이 영상, 이미지 자료등의 멀티미디어 자료라면 두말 할거 없어 딥러닝이라 생각됩니다.

불확실성을 확실성으로 개선시키는 작업은 힘들지만, 자가 발전에 큰 활력소가 되고 있는 것 같습니다.

다음 예제에서도 좋은 정보를 공유하도록 하겠습니다. 꼭 예제 파일 다운로드 후 직접 실행하시는 것을
추천 드립니다.

감사합니다.

소스코드 다운로드 :

FLASK-ML & DL-EXAMPLE(2).zip

다운로드

좋은사람의 개발 노트

[취미] 트윈패미컴 분해(레트로 수리) - 모터 밴드(고무줄) 교체 후기

샤프 트윈 패미컴 - 모터 밴드 교체기

샤프(트윈 패미컴) - 기기 본체 분해 및 밴드 교체

샤프(트윈 패미컴) - 밴드 교체 후 작동 영상

마무리

파이썬(Python) - 가상환경(Venv)에서 Node.js(npm) 프로젝트 설정 방법

파이썬(Python) - 가상환경 + express 설정

파이썬(Python) - Venv + npm 환경 설정

마무리

파이썬(Python) - Redis + RQ(Redis Queue) Task 연동 비동기 예제 소스

파이썬(Python) - Queue 서비스 필요성

Flask 관련 포스팅 : Flask 관련

파이썬(Python) - ML &DL + RQ 서비스 Architecture

아키텍처 다이어그램(참고)파이썬(Python) - ML &DL + RQ 서비스 소스코드

필수 설치 패키지 목록 : Redis-Server, Redis, RQ1. Redis-Server 설치 방법 : Windows, Linux -> 링크 2. Redis , RQ 설치 -> pip install redis rq3. RQ Dashboard 설치 -> pip install rq-dashboard

rq_test.py

rq_task.py

123456# 테스트 함수 def test_fib(n): if n <= 1: return 1 else: return test_fib(n-1) + test_fib(n-2)cs- 2번 ~ 6번 라인 : 흔한 팩토리얼 공식 예제입니다. N이 커질 수록 연산량 및 시간이 늘어나겠죠? Queue에 적재 됩니다.

Redis추가적인 환경 설정 및 다중 서버 구성 방법은 이 곳을 참고해 주세요.

rq_worker.py

123456from rq import Connection, Queue, Worker if __name__ == '__main__': with Connection(): q = Queue() Worker(q).work()cs- 1번 라인 : Worker가 임포트 된 것을 확인합니다.- 6번 라인 : Queue에서 넘어온 Task를 Worker가 처리하는 구문

Python RQ(Redis Queue)의 추가적인 상세 설명은 이 곳을 참고해 주세요.

파이썬(Python) - ML &DL + RQ 서비스 구동 예시

Flask 공식 Reference : Flask 관련

마무리

[취미]Nvidia Shield(쉴드) TV 2세대 - 내부 먼지 청소 및 써멀 재도포 후기

쉴드(Shield ) TV 2017[2세대] - 작업(렌즈 교체, 써멀, 먼지 청소)

쉴드(Shield) TV 2017[2세대] - 분해 및 써멀 재 도포 작업

마무리

VS Code(Visual Studio Code) - 자바(JDK, OpenJDK) 환경 설정 방법

VS Code - JDK, OpenJDK 연동 설명

Visual Studio Code - JDK, OpenJDK 환경 설정 상세 설명

Visual Studio Code - 환경 설정 후 실행 화면

마무리

파이썬(Python) - 네임드튜플(namedtuple) 사용 예제 및 소스코드

파이썬(Python) - 네임드 튜플 설명

파이썬(Python) - 네임드 튜플(namedtuple) 예제 실습

마무리

파이썬(Python) - 매직(Special) 메소드 및 연산자 오버라이딩 설명 및 실습

파이썬(Python) - 매직(Special)메소드 설명

마무리

[취미] (New or Old) 3DS, 2DS 커펌(CFW) 업데이트 방법 및 가이드

New 3DS, 2DS 커펌 후 SW 업데이트(UPDATE) 방법

3DS, 2DS 커펌(CFW) - 버전(Version) 업데이트 필수 준비 사항

3DS, 2DS 커펌(CFW) - 버전(Version) 업데이트 가이드

3DS, 2DS 커펌(CFW) - 커펌 버전 업데이트 완료 후 실행 화면

마무리

[취미] PS4 분해 - 렌즈 교체, 내부 먼지 청소 및 써멀 재도포 후기

PS4(플레이스테이션4) 전체 작업(렌즈 교체, 써멀, 먼지 청소)

PS4(플레이스테이션4) - 블루레이 렌즈(Lens) 및 픽업(Pickup) 교체

PS4(플레이스테이션4) - 메인보드 써멀 재도포 작업

PS4(플레이스테이션4) - 재 조립 후 작동 영상

마무리

Flask(플라스크) - 머신러닝, 딥러닝 웹 서비스 예제 소스 및 개념 설명(2)

파이썬(Python) Flask - ML & DL RESTFul API

마무리

아키텍처 다이어그램(참고)

파이썬(Python) - ML &DL + RQ 서비스 소스코드

필수 설치 패키지 목록 : Redis-Server, Redis, RQ

1. Redis-Server 설치 방법 : Windows, Linux -> 링크
2. Redis , RQ 설치 -> pip install redis rq
3. RQ Dashboard 설치 -> pip install rq-dashboard

1
2
3
4
5
6
# 테스트 함수
def test_fib(n):
if n <= 1:
return 1
else:
return test_fib(n-1) + test_fib(n-2)
cs

- 2번 ~ 6번 라인 : 흔한 팩토리얼 공식 예제입니다.
N이 커질 수록 연산량 및 시간이 늘어나겠죠? Queue에 적재 됩니다.

1
2
3
4
5
6
from rq import Connection, Queue, Worker

if name == 'main':
with Connection():
q = Queue()
Worker(q).work()
cs

- 1번 라인 : Worker가 임포트 된 것을 확인합니다.
- 6번 라인 : Queue에서 넘어온 Task를 Worker가 처리하는 구문