{
  "fetched_at": "2026-10-19T08:06:06Z",
  "source_url": "https://www.kaggle.com/competitions/2024-1-dls-final-term-p-3/data",
  "pages": [
    {
      "name": "data-description",
      "content": "## 주의사항 (필독)\n제출 시, 입력값의 타입 확인 요망 (submit.csv의 열 데이터별 타입)\n- id: int\n- label: Int\n\n\n## CIFAR-10 데이터 셋\n\nCIFAR-10은 컴퓨터 비젼 분야에서 널리 알려진 사물 인식 문제 데이터 셋입니다. 해당 데이터 셋은 10가지 클래스로 구성된 60,000장의 32(높이) x 32(넓이) RGB 영상으로 구성되어 있습니다. 각 클래스 별 6,000장의 영상으로 구성되어 있으며, 이 중 50,000장은 학습 영상, 남은 10,000장은 평가 영상으로 제공됩니다.\n\n\n### 제공되는 파일 설명\n\ntrain.csv : 50,000개의 데이터가 있고, 각 행은 3072개의 픽셀값(0~3071열)과 label(마지막 열)로 구성 ( 50,000 x 3073 )\ntest.csv : 10,000개의 데이터가 있고, 각 행은 3072개의 픽셀값(0~3071열)으로 구성 ( 10,000 x 3072 )\nsample.csv : submission 파일 예시\n라벨 정보\n\n**데이터 셋의 10가지 클래스는 아래와 같습니다.**\n\n- airplane\n- automobile\n- bird\n- cat\n- deer\n- dog\n- frog\n- horse\n- ship\n- truck",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Categorical Accuracy (클래스에 따른 분류 정확도)를 사용하여 평가",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": " ## 교과목 정보\n- 세종대학교 지능기전공학부 (최유경 교수)\n\n### 유의사항\n- 반드시 모든 탭의 정보를 확인하신 후 문제를 해결해주시길 바랍니다.\n\n## 문제 설명\n- 본 실습 문제 해결을 위해 사전학습된 ResNet50 모델을 사용해야 합니다.\n- 사전학습된 ResNet50 모델을 사용하여, 10가지 클래스를 가진 데이터 셋 (CIFAR-10)을 분류하는 문제입니다.\n- 베이스라인은 Pytorch에서 IMAGENET1K_V1으로 사전학습된 ResNet50을 1 Epoch만 학습한 이후 평가를 수행한 결과입니다.\n- 데이터 관련 정보는 Data 탭을 참고하시면 됩니다.\n- pytorch 에서 사전학습된 ResNet50 모델을 불러와서 문제를 해결해주세요.\n\n## 데이터 증강 기법\n- 베이스라인은 아래 데이터 증강 기법을 사용하였으며, pytorch 공식 documentation을 참고하시면 됩니다. \n    - https://pytorch.org/vision/stable/transforms.html\n- 베이스라인에 사용된 데이터 증강 기법은 아래와 같습니다.\n\n- (1) train\n    - i) Resize(224x224) & Random Crop\n    - ii) Horizontal Flip (p=0.5)\n    - iii) Dtype torch.float32로 변경\n    - iv) mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]\n\n- (2) test\n    - i) Resize(224x224)\n    - ii) Dtype torch.float32로 변경\n    - iii) mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]\n\n\n## 평가 기준\n- 리더보드 이름은 학번으로 제출해야 합니다.\n- 모듈별 코드 (데이터 전처리, 모델 학습, 모델 검증 등)에 주석을 반드시 달아주세요. 특히, 어떤 목적으로 API를 호출했는지 작성되어야 합니다.\n    - 코드 블럭당 1~2개 정도 간단하게 작성해주시면 됩니다.\n    - (미 제출시 10% 감점)\n- 리더보드에 있는 Baseline 점수를 넘기셔야 합니다.\n- **노트북 이름: [2024-1][DLS][E2P1]20000000_홍길동**\n\n## 주의사항\n- 클로즈 북/코드\n    - 강의 노트와 본인의 실습 과제 코드는 참고할 수 없습니다.\n- 제출 횟수\n    - 하나의 계정 당 50번 제출 가능\n- 오픈 메뉴얼 북\n    - Numpy 메뉴얼 : https://numpy.org/doc/1.18/reference/index.html\n    - Pytorch 메뉴얼 : https://pytorch.org/docs/stable/torch.html\n    - 각종 라이브러리 공식 메뉴얼은 얼마든지 참고 가능 (ex. Pandas, matplotlib, python 등)\n\n### 코드공유\n- 문제를 다 푸신후 코드 공유는 아래의 아이디로 해주시면 됩니다. **리더보드가 아닌 공유한 노트북의 점수를 기준으로 평가**하오니 이 점 유의해주시길 바랍니다.\n\n#### 코드공유 계정\n- sukzoon1234, childult, ghson223, yunseoooo, Yukyung Choi",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "[Baseline]",
      "content": "## 랜덤시드 고정\n```python\nimport os\nimport random\nimport numpy as np\nimport torch\n\nrandom_seed= 42\nrandom.seed(random_seed)\nnp.random.seed(random_seed)\nos.environ[\"PYTHONHASHSEED\"] = str(random_seed)\ntorch.manual_seed(random_seed)\ntorch.cuda.manual_seed(random_seed)\ntorch.cuda.manual_seed_all(random_seed)\ntorch.backends.cudnn.deterministic = True\ntorch.backends.cudnn.benchmark = False\ntorch.use_deterministic_algorithms(False)\n```\n\n## GPU 사용\n- GPU를 켜지 않으면 .cuda() 함수가 동작하지 않습니다.\n- Notebook options - ACCELERATOR의 GPU T4X2와 P100 중 하나를 선택해서 사용하시면 됩니다. \n    - **베이스라인은 GPU T4X2 사용**",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Model Summary",
      "content": "- 모델의 파라미터를 확인하기 위해 아래의 코드를 추가하셔서 사용하시면 됩니다.\n- torchsummary는 keras의 summary 역할을 합니다.\n\n```python\n%pip install torchsummary ## model을 요약하기 위해 torchsummary 설치\nfrom torchsummary import summary as summary_## 모델 정보를 확인하기 위해 torchsummary 함수 import\n\n## 모델의 형태를 출력하기 위한 함수 \ndef summary_model(model,input_shape=(3,32,32)):\n    model = model.cuda()\n    summary_(model, input_shape) ## (model, (input shape))\n```",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}