티스토리

우잉's Development

검색하기

블로그 홈

우잉's Development

wooingg.tistory.com/m

우잉이 님의 블로그입니다.

구독자: 1

방명록 방문하기

주요 글 목록

[LLM 응용] 데이터 보안 환각 줄이기 제공한 정보를 바탕으로 답변하라는 지시 명시 주어진 문서에서 질문의 답과 관련된 내용을 인용하라고 지시 문서요약을 합께 제공하면 조금 더 정확한 결과를 얻을 수 있다. 모른다는 답을 허용하는 것을 명세 프롬프트의 출력을 사고와 답변 섹션으로 분리 각각 다른 방법으로 여러개의 출력을 생성한 후, 각각의 답변이 일관성이 있는지 답변하라고 지시(Self-Consistency) 스트리밍 응답 : 생성 결과 전체를 한 번에 응답 받는 것이 아닌, 토큰을 생성 할 때 마다 응답을 전송받는 방법 - 토큰이 생성 될 때 마다 사용자에게 표시함으로써, 생성 속도가 느린 LLM의 단점을 상쇄하고, 인터렉티브한 경험을 제공 - 생성 중간에 생성 결과를 평가하여 중단, 분기할 수 있음. - timeout처리를 조.. 공감수 0 댓글수 0 2023. 9. 13.
[LLM 기본] 임베딩과 시멘틱 서치 Grounding LLM에게 검색등을 통해 문맥에 맞는 정보를 제공하거나, 계산기 등을 사용해 정확한 계산 결과를 제공하는 방법 정확한 정보를 제공하여 환각을 줄이거나, LLM 학습 후 나온 새로운 정보를 이용한 결과를 생성할 수 있음. RAG Retrieval-Augmented Generation의 약자로, 정보를 검색해 와서 이를 기반으로 텍스트를 생성하는 방법 대화의 맥락을 유지하기 위한 장기 기억 메모리로도 활용 Embedding 임베딩 기초 : https://wooingg.tistory.com/57 [LLM 기초] 프롬프트 엔지니어링 개요 프롬프트 엔지니어링 ? => 컴퓨터와 대화하는 방법이자 컴퓨터에게 업무를 시키는 방법 LLM에서의 prompt engineering은? => zero-shot.. 공감수 0 댓글수 1 2023. 9. 6.
[LLM 기본] 프롬프트 요구사항 명세 소프트웨어 요구사항 명세 개발할 소프트웨어 제품이 어떻게 가능해야하는지에 대한 문서로, 프롬그램이 처리해야 할 기능을 구체적으로 정의하고, 입출력 요건과 프로그래밍이 필요한 논리 개념을 정리한 문서. 소프트웨어 요구사항 사양은 구체적인 시스템 설계 단계 이전에 요구사항을 평가하는 것으로, 나중에 재설계하는 것을 줄이는 것이 목표로 하며, 소프트웨어 요구사항 사양을 적절하게 사용하면 소프트웨어 프로젝트 실패를 방지할 수 있음. LLM Prompt Engineering (=>요구사항 명세) 답변을 위해 필요한 적절한 컨텍스트 제공 => 컨텍스트 데이터 원하는 결과를 추출을 위한 프롬프트 작성 => 인스트럭션 or 사용자 입력 데이터 원하는 포맥의 출력을 위한 프롬프트 작성 => 출력데이터 필요한 테스트 셋의.. 공감수 0 댓글수 0 2023. 9. 6.
[LLM 기본] 모델 선택 기준 & Function Calling 모델 선택 기준 비용 - 비용은 선택한 모델이 사용하는 토크나이저를 사용해서 계산해야하며 모델에 따라 비용이 다릅니다. - 정확히 계산하고자 한다면 각 모델에서 제공하는 토크나이저로 계산하거나, API 호출로 출력되는 토큰수를 참고해야함. 속도 정확도 (성능) - 정확도에 대한 다양한 벤치마크가 존재하지만, 벤치마크마다 강점이 있는 모델이 따로 있는 경우가 있다. - 점수가 높다고 하더라도 실제 사용하는 사례에서는 원하는 성능이 나오지 않을 수 있다. - 현재 (2023.07.01)까지는 GPT-4, gpt-3.5-turbo, Claude정도가 실사용이 가능한 수준이다. 경향성 - 모델 선택시 정확한 정보 제공이 필요한 것이 아니면 경향성을 보고 판단 ex) gpt-3.5-turbo: 구어체 의 채팅형에.. 공감수 0 댓글수 0 2023. 9. 6.
[LLM 기본] 프롬프트 엔지니어링 기본 자연어 처리 태스크 TOP 10 Language Translation : 한 언어에서 다른 언어로 텍스트를 번역하는 작업 Style Translation : 텍스트의 스타일을 다른 스타일로 변경하는 작업 Editing and Rewriting : 텍스트의 내용을 명확하게 하거나 의도를 더 잘 전달하도록 문장 또는 문서를 수정하거나 다시 작성하는 작업 Summarization : 긴 텍스트를 핵심내용을 포함하는 짧은 텍스트로 축소하는 작업 Named Entity Recognition : 텍스트에서 특정 정보(사람, 장소, 조직, 날짜 등)를 식별하는 작업 Sentiment Recognition : 긍정적, 부정적, 중립적 등 텍스트의 다양한 감정상태를 판단하는 작업 Document classificatio.. 공감수 0 댓글수 0 2023. 9. 5.
[LLM 기본] 생성 조건 Token : 언어 모델에 입력하거나 출력하는 택스트의 구성요소 ex ) apple - tokens:2 / apples - tokens:2 / I love apple. - tokens:4('I','love', 'apple', ' ') 단어/글자당 토큰 사용수는 토크나이저마다 다름. GPT 토크나이저 기준 영어 : 단어당 평균 1.3개의 토큰 사용 한글 : 글자당 약 2.5개의 토큰 사용 일반적으로 영어 문서 대비, 한글 문서가 약 4~5배 정도의 토큰을 사용 현재 대다수의 클라우드형 LLM의 경우 한글에 대한 토큰 사용이 상당히 비효율적이므로 다음과 같은 전략으로 토큰 사용을 최적화 할 필요가 있다. 프롬프트와 출력을 영어로 작성하는 경우 성능이 더 향상되는 효과가 있다. 입출력을 번역하여 사용 프롬프트.. 공감수 0 댓글수 0 2023. 9. 5.
[LLM 기초] 프롬프트 보안 LLM 취약점 Prompt Injections - 정교하게 제작된 프롬프트를 사용하여 필터를 우회하거나 LLM을 조작하여, 이전 지시사항을 무시하게 하거나 의도 하지 않은 행동을 수행하게 만드는 방법 - 프롬프트를 유출하거나, 제한된 사용 범위를 넘는 답변을 하거나, 시스템에 악성코드를 실행하도록 만드는 것이 대부분 이 방식을 통해 이루어짐 Data Leakage : LLM의 응답을 통해 민감한 정보, 독점 알고리즘, 또는 기타 기밀 세부사항을 실수로 공개 Inadequate Sandboxing : 외부 자원이나 민감한 시스템에 접근할 수 있는 LLM을 적절하게 격리하지 못하여 잠재적인 악용과 무단 접근이 가능하게 되는 경우 Unauthorized Code Execution : 자연어 프롬프트를 통해 기.. 공감수 0 댓글수 0 2023. 8. 31.
[LLM 기초] 프롬프트 엔지니어링 기초2 Expert Prompting - LLM에게 전문가로서 응답하도록 요청하는 방법 - 배경지식을 암시적으로 이해하고 답변함으로써 성능이 향상됨 - LLM에게 프롬프트/질문과 관련된 특정 분야의 전문가를 찾아달라고 요청하고, 제시 받은 전문가인 것 처럼 질문에 응답하도록 하여 도메인이 정해지지 않은 서비스에도 제너럴하게 활용할 수 있음. - 논란의 여지가 있었으나 MIT 수학 및 EECS 커리큘럼 탐색에 매우 뛰어난 성능을 얻었다고함. According to Wikipedia - 단순히 "위키피디아를 참조해서 답하세요"라고 하는 것 만으로 높은 성능을 얻을 수 있었음. - LLM이 학습한 지식 베이스가 있다면, 해당 내용을 참조하라고 하는 것 만으로 더 정화한 답변을 할 수 있음 Generated Knowl.. 공감수 0 댓글수 0 2023. 8. 31.
[LLM 기초] 프롬프트 엔지니어링 기초 1 프롬프트 엔지니어링 과정 프롬프트 결과 설정 프롬프트 평가 설계 그라운딩 설계 및 평가 프롬프트 디자인 모니터링 및 개선 프롬프트 구성요소 Role : 답변자로써 페르소나를 설정 답변에 대한 배경지식을 가지고 답하므로 더 높은 정확도로 답하게됨. Audience : 답변의 대상이 되는 특정 인구, 그룹 또는 개인의 페르소나 Knowledge(Information) : 답변에 참고할 정보, 사용자의 질문에 해당하는 정보를 DB나 검색엔진등에서 가져와서 삽입 혹은 다음처럼, 유명한 정보 출처를 지정하는 방법 사용 예) 위키피디아의 내용에 따라 나폴레오에 대해 설명해주세요. Task : 수행해야하는 특정 작업이나 목표 예) 500단어로 자기소개서를 작성해주세요. Policy (Rule) :응답을 만들 때 따라.. 공감수 0 댓글수 0 2023. 8. 31.
[LLM 기초] 프롬프트 엔지니어링 개요 프롬프트 엔지니어링 ? => 컴퓨터와 대화하는 방법이자 컴퓨터에게 업무를 시키는 방법 LLM에서의 prompt engineering은? => zero-shot, one-shot learning, Few-shot learning, Chain of Thought, Zero Shot Chain of Thought Zero-shot : 바로 물어보는 것을 zero-shot이라 함. 예) "영어를 한국어로 번역해줘" One-shot learning : 하나의 예를 들어주면 서 물어봄 예) 영어를 한국어로번역해줘. (task description) This is an apple => 이건 사과야. (example) It's a beautiful day => ? (prompt) Few-shot learning : 두.. 공감수 1 댓글수 0 2023. 8. 30.
[LLM 기초] Prompt 엔지니어링 개념이해 1. 프롬프트 엔지니어링 - 컴퓨터와 새로운 상호작용 방법 - 자연어로 컴퓨터와 상호작용하는 방법 - 머신러닝 모델링 방법과 개발 방법을 혼합해 놓은 것과 비슷함 - 머신러닝 모델링 방법과 개발 방법론을 둘 다 이해하고 활용할 수 있어야 높은 수준의 프롬프트 엔지니어링을 할 수 있음. - 실험적 방법론에 기한하여, 한 번 그럴듯한 결과를 내는 것이 아닌, 원하는 결과를 정화히 의도한대로 항상 일관성 있게내도록 만드는 것 - 프롬프트 엔지니어링이라고 하는 대부분의 예시는 블라인드 프롬프팅, 혹은 프롬프트 라이팅이라고함. 2. fine-tuning과 prompt의 차이 - ML 연구는 프로젝트를 설정하고 데이터를 정제(준비) 하고 모델링을 하고 개발을 하는 과정으로 크게 4가지로 나뉘지만, 프롬프트 엔지니어.. 공감수 0 댓글수 0 2023. 8. 29.
Next.js 기본 다지기1 2. Next.js 기본 2.1 Next.js 제공사항 1) code가 bundler가 되야하며, 브라우저가 지원하지 않는 문법을 사용 할 때Babel이라는 compiler을 통해 transform을 해야한다. 2) code splitting처럼 optimization이 필요하다 3) performance확보하거나 SEO를 위해서 pre-render가 필요할 수 있다. 또한 SSR이나 CSR두개다 이용할 수 있다. 4) server-side code를 쓰며 너의 data Store에 React앱을 연결할 수 있다. 2.2 Terminal 에서 사용 문법 - 폴더로 이동 할 때 "cd 폴더명" - 웹페이지 구동 할 때 "npm run dev" - Visual Studio Code 열 때 " code 구동할.. 공감수 1 댓글수 0 2022. 2. 17.
Next.js 소개 및 환경설정 1. Next.js 소개 1.1 Next.js 란? - Vercel이 만든 React Framework (for production) 1.2 SSR 이란? - Server Side Rendering - 클라이언트로 전달될 HTML 파일 내용(일부를) 미리 그려서 내려주는 것. - 크라이언트 랜더링의 속도를 빠르게 하여, 사용자 체감 속도 증진 - 검색 엔진이 JavaScript를 실행하지 않고 크롤링 가능 SEO - 개발자도구에서 disable javascript 선택시 아무것도 보이지 않으면 CSR이다. 1.3 그 외 주요 기능 - 각종 Optimization (폰트나 이미지) - Hot Code Reloading - Automatic Routing - Automatic Code Splitting - .. 공감수 0 댓글수 0 2022. 2. 17.
Chapter4 신경망 학습2 4.3 수치 미분 4.3.1 미분 여기서 말하는 미분은 고등학교 시절 배운 순간 변화율을 의미 합니다. 순간 변화율은 다음과 같습니다. (전방차분) \( \frac{\mathrm{d}f(x) }{\mathrm{d}x} = \displaystyle \lim_{h \to 0} {{f(x+h) - f(x)} \over {h}}\) \(h\)가 한없이 0에 가깝게 한다는 의미를 \(\displaystyle \lim_{h \to0}\)로 표현합니다. 파이썬으로 구현하겠습니다. 왼쪽 구현은 잘못된 구현입니다. 여기서 개선해야 할 점이 2가지가 있습니다. 1) 반올림 오차 (rounding error) : 10e-50은 0.000...1에서 0이 49개 있다는 의미입니다. 가수가 10이므로 50에서 1개가 빠집니다... 공감수 1 댓글수 0 2022. 2. 4.
Chapter4 신경망 학습 학습 : 훈련 데이터로부터 가중치 매개변수의 최적 값을 자동으로 획득하는 것 4.1 데이터에서 학습한다. 데이터에서 학습한다는 것은 가중치 매개변수의 값을 데이터를 보고 자동으로 결정한다는 뜻 4.1.1 데이터 주도 학습 기계학습 : 데이터에서 답을 찾고 데이터에서 패턴을 발견하고 데이터로 이야기를 만드는 것 알고리즘을 밑바닥부터 설계하지 않고 주어진 데이터를 잘 활용해서 해결하는 방법으로 이미지에서 특징(feature)을 추출하고 그 특징의 패턴을 기계학습 기술로 학습하는 방법이 있습니다. 여기서 말하는 특징은 입력 데이터 (입력 이미지)에서 본질적인 데이터 (중요한 데이터)를 정확하게 추출할 수 있도록 설계된 변환기를 가리킵니다. 다만, 이미지를 벡터로 변환할 때 사용하는 특징은 여전히 사람이 설계한.. 공감수 1 댓글수 0 2022. 1. 28.
MobileNet 논문 리뷰 이번에 리뷰할 논문은 MobileNets: Efficient Convolution Neural Networks for Mobile Vision Application입니다. Abstract Xception에서 Depthwise separable convolution을 활용하여 감소한 파라미터 수 만큼 층을 쌓아 성능을 높이는데 집중했습니다. MobileNet은 반대로 경량화에 중점을 뒀습니다. 경량화에 중점을 둔 이유는 핸드폰이나 임베디드 시스템 같이 저용량 메모리 환경에 딥러닝을 적용하기 위해서 모델 경량화가 필요하기 때문입니다. Introduction 합성곱 신경망은 대중화 되면서 컴퓨터 비전에서 흔하게 됬습니다. 일반적으로 더 높은 정확도를 높이기 위해서 더 깊고 복잡한 네트워크를 만드는 것이 일반적.. 공감수 3 댓글수 0 2022. 1. 28.
Chapter3. 신경망 2 3.4 3층 신경망 구현하기 3.4.3 구현 정리 init_network() 함수는 가중치와 편향을 초기화 하고 이들을 딕셔너리 변수인 network에 저장합니다. 그리고 forward() 함수는 입력신호를 출력으로 변환하는 처리과정을 모두 구현합니다. 3.5 출력층 설계하기 기계학습 문제 ① 분류 : 데이터가 어느 클래스에 속하는지 문제 ex) 항등함수 ② 회귀 : 입력데이터에서 (연속적인) 수치를 예측하는 문제 ex) 소프트맥스 함수 신경망은 분류와 회귀 문제 모두 이용할 수 있습니다. 다만 어떤 문제냐에 따라 출력층에 사용하는 활성화 함수가 달라집니다. 3.5.1 항등함수와 소프트맥스 함수 구현하기 항등함수는 입력을 그대로 출력합니다. 즉, 입력과 출력이 항상 같습니다. 한편, 분류에서 사용하는 소.. 공감수 1 댓글수 0 2022. 1. 25.
MobileNet 논문 리뷰 보호되어 있는 글입니다. 공감수 0 댓글수 0 2022. 1. 21.
Chaper 3 신경망 저번 게시글에서 배운 내용은 퍼셉트론입니다. 퍼셉트론의 장점은 이론상 복잡한 함수표현이 가능하고 단점은 가중치를 인간이 수동적으로 해야한다는 겁니다. 이 단점을 보완하기 위해 신경망이 나왔습니다. 3.1 퍼셉트론에서 신경망으로 3.1.1 신경망의 예 은닉층은 입력층과 출력층과 다르게 눈에 보이지 않습니다. 입력층: 0층, 은닉층: 1층, 출력층: 2층 3.1.2 퍼셉트론 복습 \(y = \begin{cases} 0 & b+w_1x_1+w_2x_2 \le \theta \\ 1 & b+w_1x_1+w_2x_2 > \theta \end{cases} \) \(x_1\), \(x_2\) : 입력신호 \(y\) : 출력신호 \(w_1\), \(w_2\) : 각 신호의가중치 \(b\) : 편향 가중치가 b고 입력이 .. 공감수 3 댓글수 2 2022. 1. 20.
Mask R-CNN 논문 리뷰 제 처음 포스팅할 논문은 Mask R-CNN입니다. 이제 막 딥러닝 논문을 시작하려는 제가 Mask R-CNN을 보기엔 다른 논문 또는 개념들이 부족합니다. 계속 추가적으로 공부하고 포스팅하며 관련 포스팅도 추가하고 수정하면서 공부할 계획입니다. 잘못된 부분이 있거나 궁금하신 사항 있으시면 언제든지 댓글 부탁드립니다. 자! 그럼 저의 첫 논문 리뷰 스터디를 시작하겠습니다! Mask R-CNN논문을 리뷰하기 전에 instance segmentation에 대해 짚고 넘어가겠습니다. a) 사진에서는 이미지에 있는 object를 bottle, cup, cube로 분류 b) 사진에서는 그 object들이 어디에 위치해 있는지 표시 c) 사진에서는 b에서 좀 더 세심하게 틀을 표시, cube는 다같은 보라색으로 표.. 공감수 3 댓글수 0 2022. 1. 19.
Chapter2. Perceptron(퍼셉트론) 2.1 퍼셉트론이란? Perceptron (퍼셉트론) : 신경망(딥러닝)의 기원이 되는 알고리즘 1 : 신호가 흐른다. / 0 : 신호가 흐르지 않는다 \(x_1\), \(x_2\) : 입력신호 \(y\) : 출력신호 \(w_1\), \(w_2\) : 가중치 ○ : 뉴런 또는 노드 -> 뉴런에서 보내온 신호의 총합이 정해진 한계인 임계값 (\(\theta\), 세타)를 넘어설 때만 1을 출력 \(y = \begin{cases} 0 & w_1x_1+w_2x_2 \le \theta \\ 1 & w_1x_1+w_2x_2 > \theta \end{cases} \) 2.2 단순한 논리회로 2.3 퍼셉트론 구현하기 2.3.1 간단히 구현하기 1) AND 구현하기 def AND(x1, x2): w1, w2, thet.. 공감수 1 댓글수 0 2022. 1. 18.
Local minima 1. local minima 이란? 왼쪽 그래프가 산이라 생각해봅시다. 빨색 점을 향해 내려가고 있다고 생각해봅시다. 어디까지 내려왔다고 생각 할 수 있습니까? 다음 길은 올라가는 길이므로 다 내려 왔다고 착각을 할 수있습니다. 즉, local minimum에 빠져 global minimum을 찾기 힘들어지는 문제를 local minima라 합니다. 그리고 기존에 기계학습 (machine learning)이 잘안되거나 성능이 안나오는 이유는 학습 중에 local minimum에 빠졌기 때문이라는게 일반적인 상식입니다. 2. local minima를 피하기 위한 방법 Momentum방법 Momentum은 물리적 개념입니다. 질량과 속도의 곱을 나타내는데, DNN모델에서는 질량이란 개념을 도입하지 않으니 속.. 공감수 1 댓글수 0 2022. 1. 18.
Cross-Entropy 1. Logistic Classification : 분류 문제가 주어질 때 사용하고 특히 둘 중 하나를 선택하는 binary의 경우 사용 binary 한 문제의 경우 결과 값이 0 또는 1이면 충분하지만 선형 회귀 모델을 입력에 따라 예측값이 선형적으로 증가하므로 크게 나올 수 있다. 말로 설명하면 어려우므로 예를 들어보겠습니다. 예) 시간에 따른 시험 합격 or 불합격 예측 2, 3, 4시간 공부할 경우 FAIL 5, 6, 7시간 공부할 때 PASS 한다고 하자. 그럼 아래와 같은 그래프가 나온다. Y값이 0.5를 기준으로 오른쪽은 PASS, 왼쪽은 FAIL이 나올 것이다. 만약 5시간 공부하면 결과값으로 PASS가 나올 것이다. 이걸 다시 학습시키면 그래프는 어떤 변화가 있을까? 위 그림과 같이 그래.. 공감수 3 댓글수 0 2022. 1. 14.
Binary Cross Entropy 1. Loss Function (손실함수) : 머신러닝 혹은 딥러닝 모델의 출력값과 사용자가 원하는 값의 오차를 의미 - 정답(\(y\))와 예측 (\(\hat y\))을 입력 받아 실숫값 점수를 만드는데, 이 점수가 높을수록 모델이 안좋습니다. - 손실함수의 함수값이 최소화 되도록 하는 weight(가중치)와 편향(bias)를 찾는 것이 목표 2. 베르누이 분포 \(f(Y=y_i ; \pi) = \pi^y(1-\pi)^{1-y}\) , \(y \in \{0, 1\} \) 만약 \(Y\)가 1이면 \(f =1-\pi\)이고 \(Y\)가 0이면 \(f=\pi\)이다. 관측값 \(y\)를 고정시키고 위 함수를 parameter \(\pi\)에 대한 함수로 사용한다면 이는 베르누이분포에 대한 가능도 함수가 된.. 공감수 2 댓글수 0 2022. 1. 13.
Bilinear interpolation Linear interpolation(선형 보간법) : 두 점의 값이 주어졌을 때 그 사이에 위치한 값을 추정하기 위하여 직선거리에 따라 선형적으로 계산하는 방법 linear interpolation 이란 내분이랑 같은 개념이다. 그림과 같이 \(x_1\)과 \(x_2\)사이에 있는 \(x\)의 데이터값을 알고 싶을 때 선형 보간법을 사용하면 됩니다. \(f(p)=\frac{d_2}{d_1+d_2}f(p_1) + \frac{d_1}{d_1+d_2}f(p_2)\) \(\alpha=\frac{d_1}{d_1+d_2}\) 이고 \(\beta = \frac{d_2}{d_1+d_2}\) 이므로 좀 더 단순화 하면 다음과 같다. \(f(x) =\beta f(x_1) + \alpha f(x_2)\) Bilinear .. 공감수 4 댓글수 0 2022. 1. 12.
SQLite3_여러가지 함수 1. changes 함수 : 최근 실행된 SQL문에 수정과 삭제된 행 수 출력 changes() 예제를 실행하려면 INSERT문, UPDATE문, DELETE문에 의해 테이블의 행에 대한 작업을 수행해야 하므로 실행해보겠습니다. INSERT문이 여러번 실행되었지만, 최근 발생한 데이터를 하나 추가한 것이기 때문에 changes함수는 1이 반환 이번엔 UPDATE문에서 Seoul을 address컬럼에 있는 데이터가 2개여서 2개 데이터 모두 수정되었습니다. 그러므로 changes함수는 2가 출력됩니다. DELETE문도 실행되는 해당 데이터 행 수 만큼 출력이 됩니다. 2. total_changes 함수 : 데이터베이스에 연결되고 실행된 SQL 문에 의한 수정 또는 삭제된 행의 총수 출력 total_chag.. 공감수 4 댓글수 0 2022. 1. 11.
SQLite3_BLOB타입 함수 1. hex함수 : BLOB타입의 값을 16진수 표기 hex(BLOB 타입의 값) - 인수에 지정된 값은 BLOB타입의 값으로 처리, BLOB 형태의 값을 16진수로 변환한 결과를 반환 - BLOB 타입의 값은 이진 데이터. 예제로 hex함수를 사용하여 randomblob함수에 의해 생성된 BLOB 형태의 값을 16진수로 구해 봅시다. (randomblob함수 : BLOB 타입의 값에 대한 난수 생성 ) 위와 같이 실행했더니, BLOB 타입이 16진수로 변환한 값을 반환했습니다. 그러면 A와 a의 16진수를 알아볼까요? 위를 통해 대분자 A는 16진수로 41이고 소문자 a는 61입니다. B와 b도 구해봅시다. 1씩 더해진 B는 42, b는 62인 16진수로 반환했습니다. 2. randomblob 함수 :.. 공감수 3 댓글수 0 2022. 1. 11.
SQLite3_숫자 관련 함수 1. round 함수 : 숫자를 반올림하는 데 사용 round(숫자, 자릿수) 인수로 지정된 숫자는 소수점의 위치이고 두 번째 인수는 자릿수를 지정할 수 있습니다. 예를 들어 round(0.529) 일 경우 1.0이고 round(0.529, 2)인 경우 0.53입니다. 실행해봅시다. 2. abs 함수 : 숫자의 절대 값 abs(숫자) 예를 들어, abs(-4.5) 이면 4.5를 출력 abs(58.2)이면 58.2를 출력합니다. 그럼 NULL값과 문자열을 대입할 경우 어떨지 실행해봅시다. null값은 null로 반환되고 문자열은 0.0으로 반환됩니다. 3. random 함수 : 난수를 생성하는데 사용 random() - 생성하는 난수의 범위는 -9223372036854775808에서 +92233720368.. 공감수 2 댓글수 0 2022. 1. 10.
SQLite3_문자열 관련 함수 1. length 함수 : 인수에 지정한 문자열의 문자수를 출력 length(문자열) - 값이 BLOB의 경우 바이트 수로 반환 - 컬럼명을 지정하면 열에 저장된 값의 문자 수를 반환 먼저 product테이블을 만들고 데이터 값을 넣어 봅시다. prduct테이블의 컬럼인 name_eng와 name_kor컬럼에 대한 문자수를 출력해봅시다. 예를 들어 id가 1인 컬럼의 length(name_eng)는 {A, P, P, L, E}이므로 5가 출력되고 length(name_kor)는 {사, 과}로 2가 출력됩니다. 2. lower 함수 & upper 함수 2-1 lower :문자열 모두 소문자로 반환 lower(문자열) 예를들어 lower('ApPlE')을 입력하면 apple로 반환됩니다. 직접 해봅시다. p.. 공감수 5 댓글수 0 2022. 1. 10.
SQLite3_group_concat, 날짜-시간 함수 1. group_concat 함수 그룹 내의 컬럼의 값을 연결하여 표시하는 데 사용 group_concat(컬럼명, 구분 문자) - 지정한 컬럼의 값 중에 null이 아닌 값을 하나의 문자열로 연결한 결과를 출력 - group by절을 사용하면 그룹마다 연결한 결과 출력 - 구분 문자를 지정하지 않은 경우 기본값은 쉼표(,)를 구분자로 값을 연결 먼저 user테이블을 없애고 다시 생성하여 데이터를 추가했습니다. 그리고 name컬럼을 group_concat 해보았더니 결과로 기본 구분자 쉼표로 출력되었습니다. 마지막 null값은 출력되지 않았습니다. 이번엔 다른 구분자 / 를 사용해봅시다 group by절을 사용하여 gender컬럼 별로 그룹화해서 연결해봅시다. 2. 날짜와 시간 함수 date(timest.. 공감수 2 댓글수 0 2022. 1. 10.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.