https://support.microsoft.com/ko-kr/help/982760/install-modi-for-use-with-microsoft-office-2010

 

소개

MODI(Microsoft Office Document Imaging)는 Microsoft Office 2010에서 제거되었습니다. 이 문서에서는 컴퓨터에 MODI를 설치하기 위해 수행할 수 있는 방법을 제공합니다. 또한 특정 MODI 기능을 다시 얻기 위해 사용할 수 있는 대체 방법에 대해서도 설명합니다.

Microsoft Office 2010에서 사용할 수 있게 MODI(Microsoft Office Document Imaging)를 설치하려면 다음 방법 중 하나를 사용하십시오.

방법 1: MDI-TIFF 파일 변환기 다운로드 및 설치

MDI-TIFF 파일 변환기를 다운로드 및 설치하려면 다음 Microsoft 웹 사이트를 방문하십시오.

방법 2: SharePoint Designer 2007을 설치하여 MODI 설치

SharePoint Designer 2007은 Microsoft 다운로드 센터에 무료 다운로드로 제공됩니다. SharePoint Designer 2007을 다운로드하고 설치 중에 MODI만 포함하려면 다음과 같이 하십시오.
  1. 이 위치에서 SharePointDesigner.exe 파일을 다운로드하고 실행합니다.

    SharePoint Designer 2007 다운로드

  2. 소프트웨어 라이선스를 검토한 후 수락합니다.
  3. 사용자 지정을 클릭하여 설치 옵션을 엽니다.
  4. 설치 옵션 탭에서 아래쪽 화살표를 클릭하고 다음 세 가지 섹션에 대해 사용할 수 없음을 선택합니다.
    • Microsoft Office SharePoint Designer
    • Office 공유 기능
    • Office 도구

  5. Office 도구를 확장합니다.
  6. Microsoft Office Document Imaging 옵션에 대한 아래쪽 화살표를 클릭한 다음 모두 내 컴퓨터에서 실행을 선택합니다.
  7. 지금 설치를 클릭한 다음 닫기를 클릭합니다.
SharePoint Designer 2007 설치 동안의 MODI 위치를 표시하는 스크린샷:

SharePoint Designer 2007과 함께 MODI 설치


Microsoft Office Document Imaging을 시작하려면 다음과 같이 하십시오.
  1. 시작을 클릭한 후 모든 프로그램을 선택합니다.
  2. Microsoft Office를 클릭한 다음 Microsoft Office 도구를 선택합니다.
  3. Microsoft Office Document Imaging을 클릭합니다.

방법 3: 2007 Office System 미디어로 MODI 설치

2007 Office System의 MODI를 Office 2010과 함께 사용하려면 다음과 같이 하십시오.
  1. 2007 Office System 설치 프로세스를 시작합니다.
  2. 소프트웨어 라이선스를 검토한 후 수락합니다.
  3. 사용자 지정을 클릭하여 설치 옵션을 엽니다.
  4. 설치 옵션 탭에서 아래쪽 화살표를 클릭하고 모든 섹션에 대해 사용할 수 없음을 선택합니다.
  5. Office 도구를 확장합니다.
  6. Microsoft Office Document Imaging 옵션에 대한 아래쪽 화살표를 클릭한 다음 모두 내 컴퓨터에서 실행을 선택합니다.
  7. 지금 설치를 클릭한 다음 닫기를 클릭합니다.
2007 Office system 설치 동안의 MODI 위치를 표시하는 스크린샷:

Office 2007과 함께 MODI 설치


Microsoft Office Document Imaging을 시작하려면 다음과 같이 하십시오.
  1. 시작을 클릭한 후 모든 프로그램을 선택합니다.
  2. Microsoft Office를 클릭한 다음 Microsoft Office 도구를 선택합니다.
  3. Microsoft Office Document Imaging을 클릭합니다.
참고: Office 64비트 및 32비트 에디션의 병렬 설치는 지원되지 않습니다. Office 2010 64비트 에디션에 대한 자세한 내용은 다음 Microsoft 웹 사이트를 참조하십시오.

Office 2010 64비트 에디션


참고: Office 2007 미디어를 사용하여 MODI를 설치한 후에 Office 2010 복구를 수행해야 할 수 있습니다. 다른 버전의 Office와 함께 Office 2010을 사용하는 방법에 대한 자세한 내용은 다음 문서 번호를 클릭하여 Microsoft 기술 자료 문서를 참조하십시오.

2121447다른 버전의 Office를 실행하는 컴퓨터에서 Office 2010 제품군 및 프로그램을 사용하는 방법에 대한 정보

추가 정보

이 문서의 "해결 방법" 절에 제공된 방법 중 하나를 사용하여 MODI를 설치할 수 없는 경우 Microsoft Office Document Imaging에 제공된 일부 기능을 다시 얻는 데 사용할 수 있는 몇 가지 대체 방법이 있습니다.

Microsoft Office Document Scanning

MODI의 Microsoft Office Document Scanning 구성 요소는 설치된 스캐너를 사용하여 문서를 스캔하고 컴퓨터에서 해당 문서를 사용할 수 있게 하는 데 사용됩니다. 문서를 스캔하려면 Windows 팩스 및 스캔 서비스를 사용하십시오. Windows 팩스 및 스캔 서비스에 대한 자세한 내용은 다음 Microsoft 웹 사이트를 참조하십시오. 참고 타사 스캔 소프트웨어 또는 스캔 장치나 인쇄 장치에 포함된 스캔 소프트웨어를 사용하는 경우 장치 제조업체에 자세한 정보를 문의해야 합니다.

Microsoft Office Document Image Writer 인쇄 드라이버

MODI에는 Microsoft Office Document Image Writer 인쇄 드라이버가 포함되어 있습니다. 이 드라이버를 사용하여 Microsoft Office 문서를 .tiff 형식이나 .mdi 형식으로 저장할 수 있습니다. Microsoft XPS Document Writer 프린터 드라이버나 Windows 팩스 프린터 드라이버를 사용하는 것이 좋습니다. Microsoft XPS Document Writer에 대한 자세한 내용은 다음 Microsoft 웹 사이트를 참조하십시오.

.tiff 파일 또는 .mdi 파일 보기

.tiff 파일을 보려는 경우 다음 응용 프로그램 중 하나를 사용하십시오.
  • Windows XP: Windows Picture 및 Fax Viewer
  • Windows Vista 이상 버전: Windows Photo Viewer 또는 Windows 사진 갤러리
현재 Microsoft to Office 2010에서 .mdi 파일을 볼 수 있도록 Microsoft에서 제공하는 뷰어는 없습니다. .mdi 파일을 열려면 타사 변환기를 사용하거나 해당 파일을 .tiff 형식으로 변환한 후 Office 2003 또는 2007 Office System의 MODI에서 볼 수 있습니다.

광학 문자 인식

MODI에서는 OCR(광학 문자 인식)을 수행할 수도 있습니다. OCR을 수행하여 스캔한 이미지나 팩스의 텍스트를 다른 위치로 복사할 수 있습니다. 이 기능을 구현하려면 Microsoft OneNote 2010을 사용하십시오. 이렇게 하려면 다음과 같이 하십시오.
  1. OneNote 2010의 삽입 탭에서 그림을 클릭합니다.
  2. 스캔한 파일을 찾아 엽니다. 파일이 OneNote 2010에 그림으로 삽입됩니다.
  3. 그림을 마우스 오른쪽 단추로 클릭하고 그림에서 텍스트 복사를 클릭한 후 해당 정보를 다른 위치로 붙여 넣습니다.
OneNote 2010에서는 XPS Document Writer 프린터 드라이버를 사용하여 OneNote로 인쇄합니다.

iFilter

Microsoft 다운로드 센터에서 다음 파일을 다운로드할 수 있습니다.
다운로드 지금 Windows TIFF IFilter Installation and Operations Guide.doc 패키지를 다운로드하십시오.

Microsoft 지원 파일을 다운로드하는 방법에 대한 자세한 내용은 다음 문서 번호를 클릭하여 Microsoft 기술 자료 문서를 참조하십시오.
119591 온라인 서비스로부터 Microsoft 지원 파일을 구하는 방법
Microsoft는 파일을 게시한 날짜에 사용할 수 있는 최신 바이러스 예방 프로그램으로 이 파일을 검사했습니다. 이 파일은 무단으로 변경할 수 없는 보안이 향상된 서버에 보관됩니다.

Live Meeting

이전에 Microsoft Live Meeting은 MODI를 사용해서 Microsoft Word 문서를 모임에 업로드했습니다. 이제 Live Meeting은 MODI 프린터 드라이버를 설치합니다. 자세한 내용은 다음 문서 번호를 클릭하여 Microsoft 기술 자료 문서를 참조하십시오.

940842 Windows 기반 Live Meeting 2007 클라이언트를 설치한 후에 문서를 모임으로 가져올 수 없음

 

using CDO 을 사용하려면

참조 추가에서 COM -> Microsoft CDO for Windows 2000 Library 를 선택하면 된다.

 

using ADODB 을 사용하려면

참조 추가에서 COM -> Microsoft ActiceX Data Objects 6.0 Library 를 선택하면 된다.

(버전은 필요한 버전으로 알아서 선택한다.)

 

'C#.NET > C#' 카테고리의 다른 글

Microsoft Office 2010에서 사용할 수 있도록 MODI 설치  (0) 2017.11.22
Interop.CDO 참조 추가 방법  (0) 2017.11.17
Interop.ADODB 참조 추가 방법  (0) 2017.11.17
MSHTML 사용하는 방법  (0) 2017.11.17
Team Foundation Server 2018 설치  (0) 2017.10.28
accord.NET - 링크  (0) 2017.10.25

참조 추가 에서 COM -> Microsoft HTML Object Library 를 추가하면 된다.

 



 

'C#.NET > C#' 카테고리의 다른 글

Interop.CDO 참조 추가 방법  (0) 2017.11.17
Interop.ADODB 참조 추가 방법  (0) 2017.11.17
MSHTML 사용하는 방법  (0) 2017.11.17
Team Foundation Server 2018 설치  (0) 2017.10.28
accord.NET - 링크  (0) 2017.10.25
CNTK (Microsoft Cognitive Toolkit) - MS, 오픈소스 딥러닝 툴킷  (0) 2017.10.24

SVN 을 쓰다가 컴퓨터를 갈아 엎으면서

TFS 도 무료(5인이하인 경우)여서 한번 써보기로 하고 설치해보았다.

일단 결론은 잘 연동된다.

 

아래는 설치 파일.

tfsexpress2018_rc2.exe

설치를 진행한다.

위 그림과 같이 첫화면이 나오면 마법사 시작 을 한다.

 

무료라서 그런지 개선프로그램에 강제로 참여를 해야한다.;;

 

다음.

 

새배포이므로 다음.

 

한국어로 두고 다음

 

SQL Server Express 가 설치되지 않은 상태라서 설치하는 걸로 선택하고 다음.

 

기본적으로 8080 포트를 쓴다. (방화벽뚫어줘야함)

 

경로 지정..  다음..

 

설치가 진행되다가 멈추고

아래 처럼 경고가 발생되었다.

Oracle JRE 버전을 자동으로 설치하는 걸 체크하고 다시 진행해보니 이상없이 설치가 완료되었다.

설치는 완료!!!

 

설치가 완료되면 아래 그림과 같이 관리 콘솔이 나타난다.

 

내 개인 소스관리 공간을 만들기 위해 컬랙션 만들기 클릭

 

이름과 설명을 적고 다음

새 데이터 베이스 만들기 선택을 두고 다음.

조금 시간이 걸린다.

 

아래 그림과 같이 컬랙션 추가 완료

위 그림에서 제시한 사이트 경로로 접속하니 아래그림과 같이 나온다.

컬랙션에대한 추가 정보를 입력하고 만들기 하면.. 요것도 좀 시간이 걸린다. (저사양 CPU 가 달린 PC 에서 작업중...)

아래그림과 같이 내 공간? 이 하나 생겼다.

아래 http 주소를 이용해 Visual Sudio 에서 소스를 관리 할수 있게된다.

 

그럼 소스를 연결해 보자.

빈프로젝트를 하나 만들고

아래그림과 같이 소스 제어에 솔루션 추가를 선택한다.

아래처럼 로컬 경로에 git 리포지토리가 만들어 진다.

아래그림과 같이 파란색 열쇠 모양이 보이면 일단 준비완료가 된 상태다.

이제 이 소스를 tfs 에 올려야한다.

먼저 팀탐색기 tab 으로 가서 가장윗쪽의 집모양 버튼을 클릭한다.

그럼 아래 그림과 같은 화면이 보여진다.

여기서 동기화를 선택한다.

동기화를 선택하면 아래 그림과 같이 나오는데 원격 리포지토리에 푸시 쪽으로 가서 경로에

위에서 봤던 git 경로(http://...)를 넣는다.

게시 버튼을 누르면 아래 그림과 같이 푸시가된다.

이제 부터 이 솔루션은 tfs 로 관리하는 소스가 되었다.

아래처럼 소스를 연결했으니 tfs 에 해당 내용이 보여지게된다.

(이미지 내용은 두 솔루션을 번걸아 가면서 캡쳐가 되었다는점 참고)

'C#.NET > C#' 카테고리의 다른 글

Interop.ADODB 참조 추가 방법  (0) 2017.11.17
MSHTML 사용하는 방법  (0) 2017.11.17
Team Foundation Server 2018 설치  (0) 2017.10.28
accord.NET - 링크  (0) 2017.10.25
CNTK (Microsoft Cognitive Toolkit) - MS, 오픈소스 딥러닝 툴킷  (0) 2017.10.24
강의링크  (0) 2017.10.16

.NET 환경에서 머신러닝 처리를 위해 만들어진 프레임워크.

CNTK 와 어떤 점이 다른지 궁금하다.

 

소개 및 사이트

https://github.com/accord-net/framework/wiki

http://accord-framework.net/

예제 소스

https://github.com/accord-net/framework/

참고사이트

http://www.bloter.net/archives/248534
https://tensorflow.blog/2017/02/13/chainer-mxnet-cntk-tf-benchmarking/
https://github.com/Microsoft/CNTK
https://cntk.codeplex.com/

Microsoft Cognitive Toolkit (CNTK) : MS, 오픈소스 딥러닝 툴킷

CNTK 를 이용하여 딥러닝 관련해 C# 으로 코딩이 가능하다고 하여 한번 확인해 봤습니다.

 

아래 그림과 같이 Visual Studio 의 NuGet 을 이용하여 간단히 라이브러리를 가져올 수 있습니다.

아래파일은 위 깃허브사이트에서 C# Sample 만 가져온것입니다.

TrainingCSharp.zip

압축을 풀고 아래 과정을 거쳐야합니다.

NuGet 패키지 복원 을 통해 위에 언급했던 CNTK 라이브러리를 가져옵니다.

가져오는데 좀 시간이 걸립니다. 복원이 끝났으면

빌드해봅니다.

???

아래처럼 에러가 4군데가 나옵니다.

다행히도 아래 그림과 같이 메서드의 인자중 false 부분을 제거해 주면됩니다.

(버전이 올라가면서 이부분이 없어진것 으로 보입니다. 추측)

또 수정..

CPU 버전을 실행해 봤습니다.

소스를 보면 여러 방법으로의 결과 값을 도출해 볼수가 있습니다.

속 내용은 나중에 더 소스레벨로 가면 파악을 해볼 예정입니다.

GPU 버전은 아래처럼 에러가 발생됩니다.

에러 내용을 보니 해당 경로에서 먼가를 못찾는것 같네요

( Could not open ../../Examples/Image/DataSets/CIFAR-10\train_map.txt for reading. )

구글링하니 먼가 샘플 데이터를 다운받아서 처리를 해야하나봅니다.

누군가 이슈한 내용 https://github.com/Microsoft/CNTK/issues/690

샘플 데이터 셋을 가져오는방법 https://github.com/Microsoft/CNTK/tree/master/Examples/Image/DataSets/CIFAR-10

샘플데이터를 가져오는것 때문에 파이썬이 설치 되어있어야합니다.^^;

아래 처럼 파이썬이 설치된 상태에서 cmd 창에서 install_cifar10.py 파일이 있는 폴더로 이동하여 

python install_cifar10.py

명령을 수행합니다.

다운파일 용량이 좀 커서 시간이 걸립니다.

참고로 전 위 방법이 안되서 다른 경로(http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz)로

CIFAR-10 폴더에 파일을 다운받은 다음 

cifar_utils.py 파일을 편집하여에 아래 내용을 추가한 후

def load(fname):
    try:
        print ('Extracting files...')
        with tarfile.open(fname) as tar:
            tar.extractall()
        print ('Done.')
        print ('Preparing train set...')
        trn = np.empty((0, NumFeat + 1), dtype=np.int)
        for i in range(5):
            batchName = './cifar-10-batches-py/data_batch_{0}'.format(i + 1)
            trn = np.vstack((trn, readBatch(batchName)))
        print ('Done.')
        print ('Preparing test set...')
        tst = readBatch('./cifar-10-batches-py/test_batch')
        print ('Done.')
    finally:
        os.remove(fname)
    return (trn, tst)

install_cifar10.py 파일을 아래와 같이 수정하여 명령을 실행했습니다.

from __future__ import print_function
import cifar_utils as ut

if __name__ == "__main__":
    trn, tst= ut.load(r'./cifar-10-python.tar.gz')
    print ('Writing train text file...')
    ut.saveTxt(r'./Train_cntk_text.txt', trn)
    print ('Done.')
    print ('Writing test text file...')
    ut.saveTxt(r'./Test_cntk_text.txt', tst)
    print ('Done.')

    print ('Converting train data to png images...')
    ut.saveTrainImages(r'./Train_cntk_text.txt', 'train')
    print ('Done.')
    print ('Converting test data to png images...')
    ut.saveTestImages(r'./Test_cntk_text.txt', 'test')
    print ('Done.')

(위 내용을 알려주신 빅코드 님께 감사합니다. 빅코드 http://bigcode.tistory.com/)

이 후로도 계속 샘플 데이터가 없어서 에러가 발생되는데 해당 경로의 깃허브페이지에 가면 샘플데이터 다운로드 방법이 나와있습니다.

아래는 순서대로 발생되는 에러와 링크 명령어 순입니다.

해당 파일 경로로 가서 실행하면됩니다.

(다 정리가 안된것일수도 있습니다. 에러난 경우 깃허브에서 에러난 경로폴더로 가면 해결방법이 있습니다.)

1

에러캡쳐못함

https://github.com/Microsoft/CNTK/tree/master/Examples/Image/DataSets/Flowers

python install_flowers.py

2

Cannot open file '.D:/CNTK-master/PretrainedModels/ResNet18_ImageNet_CNTK.model' for reading

https://github.com/Microsoft/CNTK/tree/master/PretrainedModels

python download_model.py ResNet18_ImageNet_CNTK

3

'D:\CNTK-master\Examples\Image\DataSets\Animals\Train\Sheep' 경로의 일부를 찾을 수 없습니다.

https://github.com/Microsoft/CNTK/tree/master/Examples/Image/DataSets/Animals

python install_animals.py

 

위 에러가 모두 해결되면 아래처럼 에러없이 수행이 완료됩니다.

작업관리자 를 열어보니 GPU 를 잘 쓰고 있네요

그런데 CPU 도 엄청나게 쓰고 있습니다.;;

 

아래는 로그 전체 내용입니다.

======== running LogisticRegression.TrainAndEvaluate using GPU ========
Minibatch: 0 CrossEntropyLoss = 0.6931471, EvaluationCriterion = 0.5
Minibatch: 50 CrossEntropyLoss = 21.55996, EvaluationCriterion = 0.5
Minibatch: 100 CrossEntropyLoss = 5.931237, EvaluationCriterion = 0.4375
Minibatch: 150 CrossEntropyLoss = 0.1059439, EvaluationCriterion = 0.03125
Minibatch: 200 CrossEntropyLoss = 0.07103035, EvaluationCriterion = 0.03125
Minibatch: 250 CrossEntropyLoss = 0.06985503, EvaluationCriterion = 0.015625
Minibatch: 300 CrossEntropyLoss = 0.06981656, EvaluationCriterion = 0.015625
Minibatch: 350 CrossEntropyLoss = 0.06978078, EvaluationCriterion = 0.015625
Minibatch: 400 CrossEntropyLoss = 0.06974529, EvaluationCriterion = 0.015625
Minibatch: 450 CrossEntropyLoss = 0.06970999, EvaluationCriterion = 0.015625
Minibatch: 500 CrossEntropyLoss = 0.06967509, EvaluationCriterion = 0.015625
Minibatch: 550 CrossEntropyLoss = 0.06964055, EvaluationCriterion = 0.015625
Minibatch: 600 CrossEntropyLoss = 0.06960642, EvaluationCriterion = 0.015625
Minibatch: 650 CrossEntropyLoss = 0.06957255, EvaluationCriterion = 0.015625
Minibatch: 700 CrossEntropyLoss = 0.06953903, EvaluationCriterion = 0.015625
Minibatch: 750 CrossEntropyLoss = 0.06950578, EvaluationCriterion = 0.015625
Minibatch: 800 CrossEntropyLoss = 0.06947294, EvaluationCriterion = 0.015625
Minibatch: 850 CrossEntropyLoss = 0.06944047, EvaluationCriterion = 0.015625
Minibatch: 900 CrossEntropyLoss = 0.06940824, EvaluationCriterion = 0.015625
Minibatch: 950 CrossEntropyLoss = 0.06937636, EvaluationCriterion = 0.015625
Validating Model: Total Samples = 100, Misclassify Count = 3
======== running MNISTClassifier.TrainAndEvaluate with multilayer perceptron (MLP) classifier using GPU ========
Minibatch: 0 CrossEntropyLoss = 2.522058, EvaluationCriterion = 0.90625
Minibatch: 20 CrossEntropyLoss = 1.48611, EvaluationCriterion = 0.53125
Minibatch: 40 CrossEntropyLoss = 0.7296466, EvaluationCriterion = 0
Minibatch: 60 CrossEntropyLoss = 0.2474198, EvaluationCriterion = 0
Validating Model: Total Samples = 50, Misclassify Count = 0
Validating Model: Total Samples = 100, Misclassify Count = 0
Model Validation Error = 0
======== running MNISTClassifier.TrainAndEvaluate with convolutional neural network using GPU ========
Minibatch: 0 CrossEntropyLoss = 2.306932, EvaluationCriterion = 0.90625
Minibatch: 20 CrossEntropyLoss = 2.257694, EvaluationCriterion = 0.90625
Minibatch: 40 CrossEntropyLoss = 2.49947, EvaluationCriterion = 0.75
Minibatch: 60 CrossEntropyLoss = 0.008215316, EvaluationCriterion = 0
Validating Model: Total Samples = 50, Misclassify Count = 0
Validating Model: Total Samples = 100, Misclassify Count = 0
Model Validation Error = 0
======== running CifarResNet.TrainAndEvaluate using GPU ========
Minibatch: 0 CrossEntropyLoss = 2.436417, EvaluationCriterion = 0.578125
Minibatch: 20 CrossEntropyLoss = 2.82905, EvaluationCriterion = 0.53125
Minibatch: 40 CrossEntropyLoss = 2.356529, EvaluationCriterion = 0.390625
Minibatch: 60 CrossEntropyLoss = 2.325535, EvaluationCriterion = 0.34375
Minibatch: 80 CrossEntropyLoss = 2.139973, EvaluationCriterion = 0.3125
Minibatch: 100 CrossEntropyLoss = 2.308036, EvaluationCriterion = 0.28125
Minibatch: 120 CrossEntropyLoss = 2.250129, EvaluationCriterion = 0.28125
Minibatch: 140 CrossEntropyLoss = 2.009432, EvaluationCriterion = 0.265625
Minibatch: 160 CrossEntropyLoss = 2.233116, EvaluationCriterion = 0.265625
Minibatch: 180 CrossEntropyLoss = 2.071544, EvaluationCriterion = 0.203125
Minibatch: 200 CrossEntropyLoss = 2.117138, EvaluationCriterion = 0.265625
Minibatch: 220 CrossEntropyLoss = 2.069477, EvaluationCriterion = 0.15625
Minibatch: 240 CrossEntropyLoss = 1.965702, EvaluationCriterion = 0.1875
Minibatch: 260 CrossEntropyLoss = 1.978837, EvaluationCriterion = 0.28125
Minibatch: 280 CrossEntropyLoss = 1.908777, EvaluationCriterion = 0.140625
Minibatch: 300 CrossEntropyLoss = 1.88479, EvaluationCriterion = 0.15625
Minibatch: 320 CrossEntropyLoss = 1.853574, EvaluationCriterion = 0.171875
Minibatch: 340 CrossEntropyLoss = 1.933644, EvaluationCriterion = 0.15625
Minibatch: 360 CrossEntropyLoss = 1.850995, EvaluationCriterion = 0.1875
Minibatch: 380 CrossEntropyLoss = 1.877189, EvaluationCriterion = 0.125
Minibatch: 400 CrossEntropyLoss = 1.943855, EvaluationCriterion = 0.125
Minibatch: 420 CrossEntropyLoss = 1.656677, EvaluationCriterion = 0.09375
Minibatch: 440 CrossEntropyLoss = 1.931162, EvaluationCriterion = 0.171875
Minibatch: 460 CrossEntropyLoss = 2.053334, EvaluationCriterion = 0.203125
Minibatch: 480 CrossEntropyLoss = 1.858578, EvaluationCriterion = 0.171875
Minibatch: 500 CrossEntropyLoss = 1.872365, EvaluationCriterion = 0.1875
Minibatch: 520 CrossEntropyLoss = 1.828443, EvaluationCriterion = 0.09375
Minibatch: 540 CrossEntropyLoss = 1.710754, EvaluationCriterion = 0.125
Minibatch: 560 CrossEntropyLoss = 1.857575, EvaluationCriterion = 0.171875
Minibatch: 580 CrossEntropyLoss = 1.790916, EvaluationCriterion = 0.15625
Minibatch: 600 CrossEntropyLoss = 1.613939, EvaluationCriterion = 0.125
Minibatch: 620 CrossEntropyLoss = 1.904525, EvaluationCriterion = 0.15625
Minibatch: 640 CrossEntropyLoss = 1.649971, EvaluationCriterion = 0.046875
Minibatch: 660 CrossEntropyLoss = 1.776515, EvaluationCriterion = 0.078125
Minibatch: 680 CrossEntropyLoss = 1.810719, EvaluationCriterion = 0.1875
Minibatch: 700 CrossEntropyLoss = 1.846062, EvaluationCriterion = 0.109375
Minibatch: 720 CrossEntropyLoss = 1.813215, EvaluationCriterion = 0.125
Minibatch: 740 CrossEntropyLoss = 1.676595, EvaluationCriterion = 0.15625
Minibatch: 760 CrossEntropyLoss = 1.6078, EvaluationCriterion = 0.0625
Minibatch: 780 CrossEntropyLoss = 1.706012, EvaluationCriterion = 0.125
Validating Model: Total Samples = 50, Misclassify Count = 30
Validating Model: Total Samples = 100, Misclassify Count = 60
Validating Model: Total Samples = 150, Misclassify Count = 93
Validating Model: Total Samples = 200, Misclassify Count = 128
Validating Model: Total Samples = 250, Misclassify Count = 159
Validating Model: Total Samples = 300, Misclassify Count = 191
Validating Model: Total Samples = 350, Misclassify Count = 228
Validating Model: Total Samples = 400, Misclassify Count = 260
Validating Model: Total Samples = 450, Misclassify Count = 290
Validating Model: Total Samples = 500, Misclassify Count = 322
Validating Model: Total Samples = 550, Misclassify Count = 355
Validating Model: Total Samples = 600, Misclassify Count = 386
Validating Model: Total Samples = 650, Misclassify Count = 422
Validating Model: Total Samples = 700, Misclassify Count = 449
Validating Model: Total Samples = 750, Misclassify Count = 481
Validating Model: Total Samples = 800, Misclassify Count = 518
Validating Model: Total Samples = 850, Misclassify Count = 556
Validating Model: Total Samples = 900, Misclassify Count = 586
Validating Model: Total Samples = 950, Misclassify Count = 614
Validating Model: Total Samples = 1000, Misclassify Count = 643
Validating Model: Total Samples = 1050, Misclassify Count = 677
Model Validation Error = 0.6447619
======== running TransferLearning.TrainAndEvaluateWithFlowerData using GPU ========
Minibatch: 0 CrossEntropyLoss = 6.376731, EvaluationCriterion = 0.98
Minibatch: 1 CrossEntropyLoss = 5.912456, EvaluationCriterion = 1
Minibatch: 2 CrossEntropyLoss = 5.784322, EvaluationCriterion = 0.98
Minibatch: 3 CrossEntropyLoss = 5.978668, EvaluationCriterion = 1
Minibatch: 4 CrossEntropyLoss = 5.591482, EvaluationCriterion = 0.98
Minibatch: 5 CrossEntropyLoss = 5.338925, EvaluationCriterion = 1
Minibatch: 6 CrossEntropyLoss = 5.432095, EvaluationCriterion = 0.94
Minibatch: 7 CrossEntropyLoss = 5.182735, EvaluationCriterion = 0.96
Minibatch: 8 CrossEntropyLoss = 5.073693, EvaluationCriterion = 0.96
Minibatch: 9 CrossEntropyLoss = 5.095917, EvaluationCriterion = 0.94
Minibatch: 10 CrossEntropyLoss = 5.162372, EvaluationCriterion = 0.96
Minibatch: 11 CrossEntropyLoss = 4.770968, EvaluationCriterion = 0.92
Minibatch: 12 CrossEntropyLoss = 4.488997, EvaluationCriterion = 0.96
Minibatch: 13 CrossEntropyLoss = 4.279219, EvaluationCriterion = 0.92
Minibatch: 14 CrossEntropyLoss = 4.384006, EvaluationCriterion = 0.92
Minibatch: 15 CrossEntropyLoss = 3.860513, EvaluationCriterion = 0.76
Minibatch: 16 CrossEntropyLoss = 4.473601, EvaluationCriterion = 0.94
Minibatch: 17 CrossEntropyLoss = 3.700306, EvaluationCriterion = 0.8
Minibatch: 18 CrossEntropyLoss = 3.551464, EvaluationCriterion = 0.78
Minibatch: 19 CrossEntropyLoss = 3.234652, EvaluationCriterion = 0.74
Minibatch: 20 CrossEntropyLoss = 3.344814, EvaluationCriterion = 0.72
Minibatch: 21 CrossEntropyLoss = 2.370456, EvaluationCriterion = 0.48
Minibatch: 22 CrossEntropyLoss = 2.577497, EvaluationCriterion = 0.56
Minibatch: 23 CrossEntropyLoss = 2.089722, EvaluationCriterion = 0.46
Minibatch: 24 CrossEntropyLoss = 2.142577, EvaluationCriterion = 0.48
Minibatch: 25 CrossEntropyLoss = 1.63586, EvaluationCriterion = 0.32
Minibatch: 26 CrossEntropyLoss = 1.697923, EvaluationCriterion = 0.32
Minibatch: 27 CrossEntropyLoss = 1.921223, EvaluationCriterion = 0.42
Minibatch: 28 CrossEntropyLoss = 2.140446, EvaluationCriterion = 0.48
Minibatch: 29 CrossEntropyLoss = 1.720678, EvaluationCriterion = 0.44
Minibatch: 30 CrossEntropyLoss = 1.671676, EvaluationCriterion = 0.36
Minibatch: 31 CrossEntropyLoss = 1.361708, EvaluationCriterion = 0.24
Minibatch: 32 CrossEntropyLoss = 1.813414, EvaluationCriterion = 0.46
Minibatch: 33 CrossEntropyLoss = 1.438443, EvaluationCriterion = 0.3
Minibatch: 34 CrossEntropyLoss = 1.750613, EvaluationCriterion = 0.36
Minibatch: 35 CrossEntropyLoss = 1.265645, EvaluationCriterion = 0.22
Minibatch: 36 CrossEntropyLoss = 1.230595, EvaluationCriterion = 0.24
Minibatch: 37 CrossEntropyLoss = 1.26008, EvaluationCriterion = 0.22
Minibatch: 38 CrossEntropyLoss = 1.325004, EvaluationCriterion = 0.36
Minibatch: 39 CrossEntropyLoss = 1.254509, EvaluationCriterion = 0.28
Minibatch: 40 CrossEntropyLoss = 1.150222, EvaluationCriterion = 0.22
Minibatch: 41 CrossEntropyLoss = 0.6521825, EvaluationCriterion = 0.12
Minibatch: 42 CrossEntropyLoss = 0.7118115, EvaluationCriterion = 0.1
Minibatch: 43 CrossEntropyLoss = 0.8022906, EvaluationCriterion = 0.2
Minibatch: 44 CrossEntropyLoss = 0.5807764, EvaluationCriterion = 0.06
Minibatch: 45 CrossEntropyLoss = 0.9290817, EvaluationCriterion = 0.16
Minibatch: 46 CrossEntropyLoss = 0.783923, EvaluationCriterion = 0.18
Minibatch: 47 CrossEntropyLoss = 0.7138124, EvaluationCriterion = 0.1
Minibatch: 48 CrossEntropyLoss = 0.7241775, EvaluationCriterion = 0.12
Minibatch: 49 CrossEntropyLoss = 0.6209024, EvaluationCriterion = 0.08
Minibatch: 50 CrossEntropyLoss = 0.5343745, EvaluationCriterion = 0.04
Minibatch: 51 CrossEntropyLoss = 0.6119491, EvaluationCriterion = 0.04
Minibatch: 52 CrossEntropyLoss = 0.5948975, EvaluationCriterion = 0.04
Minibatch: 53 CrossEntropyLoss = 0.8496073, EvaluationCriterion = 0.18
Minibatch: 54 CrossEntropyLoss = 0.7088032, EvaluationCriterion = 0.12
Minibatch: 55 CrossEntropyLoss = 0.6778691, EvaluationCriterion = 0.12
Minibatch: 56 CrossEntropyLoss = 0.787717, EvaluationCriterion = 0.1
Minibatch: 57 CrossEntropyLoss = 0.7307914, EvaluationCriterion = 0.14
Minibatch: 58 CrossEntropyLoss = 0.723028, EvaluationCriterion = 0.12
Minibatch: 59 CrossEntropyLoss = 0.7245494, EvaluationCriterion = 0.08
Minibatch: 60 CrossEntropyLoss = 0.6502786, EvaluationCriterion = 0.1
Minibatch: 61 CrossEntropyLoss = 0.428662, EvaluationCriterion = 0.04
Minibatch: 62 CrossEntropyLoss = 0.5050916, EvaluationCriterion = 0.02
Minibatch: 63 CrossEntropyLoss = 0.5084181, EvaluationCriterion = 0.08
Minibatch: 64 CrossEntropyLoss = 0.4810524, EvaluationCriterion = 0.04
Minibatch: 65 CrossEntropyLoss = 0.4666488, EvaluationCriterion = 0.02
Minibatch: 66 CrossEntropyLoss = 0.4906718, EvaluationCriterion = 0.04
Minibatch: 67 CrossEntropyLoss = 0.3945753, EvaluationCriterion = 0.02
Minibatch: 68 CrossEntropyLoss = 0.4147145, EvaluationCriterion = 0
Minibatch: 69 CrossEntropyLoss = 0.3473899, EvaluationCriterion = 0
Minibatch: 70 CrossEntropyLoss = 0.5157338, EvaluationCriterion = 0.02
Minibatch: 71 CrossEntropyLoss = 0.5085081, EvaluationCriterion = 0.04
Minibatch: 72 CrossEntropyLoss = 0.51373, EvaluationCriterion = 0.06
Minibatch: 73 CrossEntropyLoss = 0.4385281, EvaluationCriterion = 0.02
Minibatch: 74 CrossEntropyLoss = 0.4603481, EvaluationCriterion = 0.02
Minibatch: 75 CrossEntropyLoss = 0.4486012, EvaluationCriterion = 0.06
Minibatch: 76 CrossEntropyLoss = 0.4591454, EvaluationCriterion = 0.04
Minibatch: 77 CrossEntropyLoss = 0.5260396, EvaluationCriterion = 0
Minibatch: 78 CrossEntropyLoss = 0.706598, EvaluationCriterion = 0.08
Minibatch: 79 CrossEntropyLoss = 0.5765358, EvaluationCriterion = 0.06
Minibatch: 80 CrossEntropyLoss = 0.5874317, EvaluationCriterion = 0.02
Minibatch: 81 CrossEntropyLoss = 0.5182903, EvaluationCriterion = 0.02
Minibatch: 82 CrossEntropyLoss = 0.3909195, EvaluationCriterion = 0
Minibatch: 83 CrossEntropyLoss = 0.2754261, EvaluationCriterion = 0
Minibatch: 84 CrossEntropyLoss = 0.4089906, EvaluationCriterion = 0.02
Minibatch: 85 CrossEntropyLoss = 0.4094018, EvaluationCriterion = 0
Minibatch: 86 CrossEntropyLoss = 0.3839784, EvaluationCriterion = 0.02
Minibatch: 87 CrossEntropyLoss = 0.3867048, EvaluationCriterion = 0.02
Minibatch: 88 CrossEntropyLoss = 0.4980297, EvaluationCriterion = 0.02
Minibatch: 89 CrossEntropyLoss = 0.5621079, EvaluationCriterion = 0.04
Minibatch: 90 CrossEntropyLoss = 0.3717917, EvaluationCriterion = 0
Minibatch: 91 CrossEntropyLoss = 0.478934, EvaluationCriterion = 0.04
Minibatch: 92 CrossEntropyLoss = 0.4525187, EvaluationCriterion = 0.02
Minibatch: 93 CrossEntropyLoss = 0.37893, EvaluationCriterion = 0
Minibatch: 94 CrossEntropyLoss = 0.5599474, EvaluationCriterion = 0.04
Minibatch: 95 CrossEntropyLoss = 0.4755749, EvaluationCriterion = 0
Minibatch: 96 CrossEntropyLoss = 0.3936868, EvaluationCriterion = 0
Minibatch: 97 CrossEntropyLoss = 0.4732434, EvaluationCriterion = 0
Minibatch: 98 CrossEntropyLoss = 0.5267368, EvaluationCriterion = 0.02
Minibatch: 99 CrossEntropyLoss = 0.4697292, EvaluationCriterion = 0
Validating Model: Total Samples = 50, Misclassify Count = 10
Validating Model: Total Samples = 100, Misclassify Count = 26
Validating Model: Total Samples = 150, Misclassify Count = 37
Validating Model: Total Samples = 200, Misclassify Count = 44
Validating Model: Total Samples = 250, Misclassify Count = 56
Validating Model: Total Samples = 300, Misclassify Count = 68
Validating Model: Total Samples = 350, Misclassify Count = 77
Validating Model: Total Samples = 400, Misclassify Count = 92
Validating Model: Total Samples = 450, Misclassify Count = 106
Validating Model: Total Samples = 500, Misclassify Count = 121
Validating Model: Total Samples = 550, Misclassify Count = 132
Validating Model: Total Samples = 600, Misclassify Count = 146
Validating Model: Total Samples = 650, Misclassify Count = 153
Validating Model: Total Samples = 700, Misclassify Count = 167
Validating Model: Total Samples = 750, Misclassify Count = 179
Validating Model: Total Samples = 800, Misclassify Count = 190
Validating Model: Total Samples = 850, Misclassify Count = 202
Validating Model: Total Samples = 900, Misclassify Count = 214
Validating Model: Total Samples = 950, Misclassify Count = 226
Validating Model: Total Samples = 1000, Misclassify Count = 235
Model Validation Error = 0.2238095
======== running TransferLearning.TrainAndEvaluateWithAnimalData using GPU ========
Minibatch: 0 CrossEntropyLoss = 1.505954, EvaluationCriterion = 0.6
Minibatch: 0 CrossEntropyLoss = 2.901686, EvaluationCriterion = 0.6
Minibatch: 1 CrossEntropyLoss = 0.1998963, EvaluationCriterion = 0.06666667
Minibatch: 1 CrossEntropyLoss = 0.08895338, EvaluationCriterion = 0
Minibatch: 2 CrossEntropyLoss = 0.42899, EvaluationCriterion = 0.1333333
Minibatch: 2 CrossEntropyLoss = 0.001352779, EvaluationCriterion = 0
Minibatch: 3 CrossEntropyLoss = 0.1655133, EvaluationCriterion = 0.1333333
Minibatch: 3 CrossEntropyLoss = 8.967717E-05, EvaluationCriterion = 0
Minibatch: 4 CrossEntropyLoss = 0.01569983, EvaluationCriterion = 0
Minibatch: 4 CrossEntropyLoss = 0.008115022, EvaluationCriterion = 0
Validating Model: Total Samples = 10, Misclassify Count = 0
0
======== running LSTMSequenceClassifier.Train using GPU ========
Minibatch: 0 CrossEntropyLoss = 1.600743, EvaluationCriterion = 0.7272727
Minibatch: 20 CrossEntropyLoss = 1.49664, EvaluationCriterion = 0.3877551
Minibatch: 40 CrossEntropyLoss = 1.386893, EvaluationCriterion = 0.4210526
Minibatch: 60 CrossEntropyLoss = 1.35299, EvaluationCriterion = 0.4444444
Minibatch: 80 CrossEntropyLoss = 1.232572, EvaluationCriterion = 0.3902439
Minibatch: 100 CrossEntropyLoss = 1.209601, EvaluationCriterion = 0.3555556
Minibatch: 120 CrossEntropyLoss = 1.222984, EvaluationCriterion = 0.4130435

 

프로그래밍 학습 사이트


1.https://www.w3schools.com/
(기본적인 웹프로그래밍 추천)
2.https://opentutorials.org/
3.https://developer.mozilla.org/ja/

다양한 컨텐츠(프로그래밍 포함)
1.https://www.inflearn.com/
2.https://www.udemy.com/
3.https://tacademy.sktechx.com/frontMain.action
4.http://tryhelloworld.co.kr/
5.http://www.w3ii.com/ko/
6.https://www.tutorialspoint.com/
7.https://www.codecademy.com/
8.https://www.coursera.org/
(기계학습 컨텐츠 추천)
9.https://www.khanacademy.org/
(수학 컨텐츠 추천)

tfs 를 통새 소스를 연동했으나 로컬 경로를 잘못 지정한 경우 처리하는 방법입니다.

팀탐색기에서 홈모양 버튼을 누르고 소스 제어 탐색기를 클릭합니다.

아래와 같은 화면이 나오고

위그림이 작네요 확대를 하면 아래 작업영역 콤보박스를 클릭해 작업 영역을 선택합니다.

아래와 같은 팝업이 뜨고 여기서 변경하고자 하는 작업영역을 선택하고 편집을 클릭합니다.

아래와 같이 나오는데 여기서 로컬 폴더 부분에서 [...] 부분을 클릭하여 작업영역을 변경한 후 확인하면 됩니다.

확인을 하게되면 작업영역을 바꾼다는 팝업이 나오는데 확인하면 작업영역 변경이 완료됩니다.

기존 작업영역의 내용은 자동으로 제거가 됩니다. (요건 편하게 잘해놨네요)

visual studio 2017 을 열고 팀탐색기에서 상단의 플러그 모양 버튼을 클릭합니다.

아래그림과 같이 연결 관리 화면이 나오고 연결관리에서 프로젝트 연결을 선택합니다.

 그럼 아래와 같은 팝업이 나옵니다.

여기서 TFS 서버 추가를 클릭하면 서버 URL 을 입력할수 있도록 textbox 가 하나 나옵니다.

 

여기에 TFS 서버 주소를 넣습니다. 보통 ip 주소 뒤에 tfs 가 붙은 주소가 입력됩니다.

추가를 누르면 아래그림과 같이 목록에 tfs 관련 소스 트리가 나타납니다.

연결을 누르면 아래처럼 tfs 에 연결된 소스가 보입니다.

sln 링크를 클릭하면 솔루션이 열리면서 프로젝트가 열립니다.

+ Recent posts

티스토리 툴바