![이미지](/TIL/assets/img/2024-07-09-NanoLlavaisthesmallestVisualLanguage_0.png)

요즘 뉴스에는 시각 언어 모델이 많이 등장하고 있어요. 지난 몇 일간의 발표 속에 믿기 어려운 소식이 많았는데, 이미지를 통해 대화를 하려면 돈을 내야 할까요?

GPT-4o, Gemini-flash, PaliGemma, Copilot+PC… 이 모든 것이 1주일 안에 나왔어요!

아무도 알지 못했지만 Abetlen이 GGUF 버전의 가장 작은 언어 모델인 TINIEST을 출시했다는 사실이죠.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

전체 모델은 NanoLlava를 만나실 수 있는 컴퓨터의 2GB 하드 디스크 공간에 저장됩니다.

이 기사에서는 모델을 양자화하여 어떤 컴퓨터에서도 실행하는 방법을 배우게 될 것입니다. 전용 GPU 없이도 작업을 완료할 수 있습니다.

```js
# 목차
---
작고 강력한 모델
모델을 시각적으로 만드는 것은 무엇인가요?
PC에서 NanoLlava
 - 환경 설정
Inference call - textual
Streamlit Application
```

# 작고 강력한



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

나노라바는 Sub 1B 비전-언어 모델입니다. 네, 정확히 들으셨어요! GPT-4o 수행능력을 기대하지 마세요 (그렇게 할 수는 있지만, ...혹은 소유중인 경우에만 가능합니다.)

NanoLlava 가장 작은 시각적 언어란

<img src="/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_0.png" />

신경망의 매혹적인 세계에서 손실 함수는 훈련 과정을 정확한 예측으로 이끄는 안내 나침반 같은 역할을 합니다. 이러한 함수들을 숙달하는 것은 딥러닝에 진지하게 임하는 사람들에게 중요합니다. 왜냐하면 손실 함수를 선택하는 것은 모델의 성능에 상당한 영향을 미칠 수 있기 때문입니다. 신진 데이터 과학자든 경험 많은 기계 학습 엔지니어든, 이 블로그는 다양한 손실 함수를 해독하고 그 목적을 설명하며, 처음부터 구현하는 방법을 보여줍니다.

자, 이러한 수학적 도구가 어떻게 신경망 훈련을 변화시킬 수 있는지 알아봅시다!

그래서, 우리 마음에 떠오르는 첫 번째 질문은 '손실 함수란 무엇인가요?'입니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

![image](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_1.png)

핵심적으로, 손실 함수(J로 표시됨)는 두 개의 매개변수를 입력으로 받는 수학 함수입니다:

- 예측된 출력
- 실제 출력

이 함수는 모델의 예측 값과 모델이 생성해야 하는 실제 값과 비교하여 모델이 얼마나 잘 작동하는지를 평가하기 위해 사용됩니다. 예측 값이 실제 값과 크게 다를 경우 손실 값은 크게 나타납니다. 반면, 낮은 손실 값은 두 값이 거의 유사할 때 발생합니다. 따라서 효율적인 손실 함수를 사용하여 모델을 올바르게 훈련시키는 것이 중요합니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

높은 손실 값은 모델의 예측이 부정확하다는 것을 시사하며, 네트워크를 크게 재조정해야 한다는 것을 의미합니다. 반면에 낮은 손실 값은 모델이 효과적으로 작동하고 있으며, 가중치를 매우 약간만 조정해야 한다는 것을 나타냅니다.

이러한 시나리오는 새로운 요리법을 만드는 것과 유사합니다. 요리물이 실패하면 "손실"이 높아지고, 요리사는 다음에 요리물을 개선하기 위해 재료나 조리 방법에 상당한 변화를 해야 합니다. 그러나 요리물이 잘 나오면 이미 효과적인 레시피와 기술이기 때문에 필요한 경우에는 작은 조정만 필요합니다. 이 조정은 향후 블로그에서 논의할 하이퍼파라미터를 조정함으로써 수행할 수 있습니다. 이제 손실 함수가 무엇인지 이해했으므로, 다음으로 궁금한 것은 어떤 종류의 손실 함수가 있고 이를 어떻게 구현하는지에 대한 것입니다.

신경망에서의 손실 함수 유형

회귀 손실 함수



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

- 평균 제곱 오차 (MSE)

MSE는 회귀 문제에 사용되는 가장 인기 있는 손실 함수 중 하나입니다. 이는 예측 값과 실제 값 사이의 오차의 제곱의 평균을 측정합니다. MSE는 이상치에 민감합니다.

사용 사례: MSE는 주택 가격이나 온도와 같은 연속적인 값을 예측하는 회귀 문제에서 흔히 사용됩니다.

수학적 공식:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

아래는 Markdown 형식으로 표시된 내용입니다.

![이미지](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_2.png)

where,

![이미지](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_3.png)

코드 구현:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```python
def mean_squared_error(y_true, y_predicted):
    total_error = 0
    for yt, yp in zip(y_true, y_predicted):
        total_error += (yt-yp)**2
    mse = total_error/len(y_true)
    return mse
```

2. Mean Absolute Error (MAE)

MAE는 예측 값과 실제 값 사이의 절대 오차의 평균을 측정합니다. MSE보다 이상치에 민감하지 않습니다.

사용 사례: MAE는 중앙값 주택 가격을 예측하는 경우와 같이, 이상치에 민감하지 않은 손실 함수를 원할 때 사용됩니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

수학 공식:

![수식](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_4.png)

코드 구현:

```python
def mean_abs_error(y_predicted, y_true):
    total_error = 0
    for yp, yt in zip(y_predicted, y_true):
        total_error += abs(yp - yt)
    mae = total_error/len(y_predicted)
    return mae
```



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

3. 휴버 손실

휴버 손실은 MSE와 MAE의 우수한 특성을 결합하여, MSE보다 이상치에 민감하지 않고 MAE보다 원점 주변에서 부드럽습니다.

사용 사례: 휴버 손실은 이상치의 영향을 줄이고 손실 함수를 미분 가능하게 유지하고자 하는 견고한 회귀 문제에서 자주 사용됩니다.

수학적 공식:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

![Image](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_5.png)

코드 구현:

```python
def huber_loss(y_true, y_pred, delta=1.0):
    n = len(y_true)
    loss = 0
    for i in range(n):
        diff = y_true[i] - y_pred[i]
        if abs(diff) <= delta:
            loss += 0.5 * diff ** 2
        else:
            loss += delta * (abs(diff) - 0.5 * delta)
    return loss / n
```

분류 손실 함수



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

1. Binary Cross-Entropy 손실

Binary Cross-Entropy 손실은 이진 분류 작업에 사용됩니다. 출력이 0과 1 사이의 확률 값인 분류 모델의 성능을 측정합니다.

사용 사례: 스팸 감지나 사기 탐지와 같은 이진 분류 문제에 이 손실 함수가 이상적입니다.

수학적 공식:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이미지 태그를 Markdown 형식으로 변경하세요.

![UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_6.png)

코드 구현:

```python
import math

def binary_crossentropy(y_true, y_pred):
    n = len(y_true)
    loss = 0
    for i in range(n):
        loss += y_true[i] * math.log(y_pred[i]) + (1 - y_true[i]) * math.log(1 - y_pred[i])
    return -loss / n
```

2. 범주형 Cross-Entropy Loss



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

범주형 크로스 엔트로피 손실은 다중 클래스 분류 작업에 사용됩니다. 이는 여러 클래스에 대한 확률 분포인 분류 모델의 성능을 측정합니다.

활용 사례: 이 손실 함수는 숫자 인식(MNIST)이나 물체 검출과 같은 다중 클래스 분류 문제에 적합합니다.

수학적 공식:

![수식](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_7.png)



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

구현된 코드:

```js
import math

def categorical_crossentropy(y_true, y_pred):
    n = len(y_true)
    c = len(y_true[0])
    loss = 0
    for i in range(n):
        for j in range(c):
            if y_true[i][j] == 1:
                loss += y_true[i][j] * math.log(y_pred[i][j])
    return -loss / n
```

3. Sparse Categorical Cross-Entropy Loss

Sparse Categorical Cross-Entropy는 목표 레이블이 원-핫 인코딩된 벡터가 아닌 정수일 때 사용됩니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

사용 사례: 이 손실 함수는 타겟 레이블이 one-hot 벡터가 아닌 정수 레이블 형태인 다중 클래스 분류 문제에서 사용됩니다.

수학적 공식:

![이미지](/TIL/assets/img/2024-07-09-UnderstandingImplementingDifferentLossFunctionsofNeuralNetworksfromScratch_8.png)

코드 구현:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```js
def sparse_categorical_cross_entropy(y_true, y_pred):
    n = len(y_true)
    loss = 0
    for i in range(n):
        loss += y_true[i] * math.log(y_pred[i]))
    return -loss / n
```

거기에는 몇 가지 더 특별한 손실 함수가 있어요:

- Kullback-Leibler Divergence
- Cosine Similarity Loss
- Dice Loss
- Quantile Loss
- Hinge Loss

이제 손실 함수에 대해 간결하고 명확하게 이해하셨기를 바랍니다. 다가오는 블로그에서는 특별한 손실 함수, 사용 사례 및 구현에 대해 논의할 예정이에요. 컴퓨터 비전과 딥 러닝에 관한 더 많은 기사를 위해 블로그를 팔로우해 주세요. 궁금한 사항이 있거나 특정 부분에 대한 추가 정보가 필요하면 언제든지 의견을 남겨주세요!



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

마크다운 형식으로 표 태그를 변경하세요: Linkedin

뉴럴 네트워크 손실 함수 이해 및 구현 방법 기초부터

2024년 3월 29일, Modular Inc.은 Mojo의 핵심 구성 요소를 오픈 소스화한다고 발표했습니다.

Mojo는 작년 8월에 공식적으로 출시된 인공 지능 소프트웨어를 작성하기 위해 특별히 설계된 프로그래밍 언어입니다. 그 이후로 17만 5천 명 이상의 개발자와 5천 개 이상의 기관이 모아졌습니다.

인공 지능 모델은 종종 여러 프로그래밍 언어로 작성됩니다. 개발자는 일반적으로 가장 간단한 신경망의 일부를 구현하기 위해 Python을 사용합니다. Python은 배우기 쉽지만 비교적 느린 속도 때문에 사용됩니다. 남은 코드는 보통 C++로 작성되며, C++은 더 빠르지만 학습하기에 복잡합니다.

Modular은 Mojo를 더 편리한 대안으로 위치시킵니다. Python과 유사한 쉬운 구문을 제공하지만 수천 배 더 빠른 실행 속도를 갖도록 하며, 이를 통해 개발자들은 C++과 같은 복잡한 언어를 배우지 않고도 빠른 AI 모델을 작성할 수 있습니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

<img src="/TIL/assets/img/2024-07-09-Mojo90000TimesFasterThanPythonFinallyOpenSourcedJustLaunchedAlreadySurpassing17000Stars_0.png" />

지난해 Mojo가 소개됐을 때, 일부 개발자들은 그 등장에 들뜬 기대를 표현했습니다. 그러나 Chris Lattner은 디스코드에서 오픈 소스 날짜에 대해 물어볼 때 "알았다면 말했을 거야." 라고 말했습니다. 약 1년 동안 많은 개발자들이 관찰하며 의심의 태도를 보였습니다:

Mojo, Python보다 90,000배 빠르다 드디어 오픈소스 공개 출시 즉시 17,000 스타 돌파

<img src="/TIL/assets/img/2024-07-09-PyFilesystem2StoringFramesCapturedbyOpenCVinanIn-MemoryFilesystem_0.png" />

소개
PyFilesystem2은 Python에서 파일 시스템을 다루는 강력하고 유연한 라이브러리로, 개발자들이 파일과 디렉토리를 쉽게 관리할 수 있습니다. PyFilesystem2의 매력적인 기능 중 하나는 인메모리 파일 시스템을 지원한다는 점인데, 이는 테스트, 데이터 캐싱, 빠른 처리 등 다양한 목적에 유용할 수 있습니다. 본 문서에서는 OpenCV로 캡처된 비디오 프레임을 인메모리 파일 시스템에 저장하는 방법을 알아보겠습니다.

필수 조건
시작하려면 PyFilesystem2 및 OpenCV 두 라이브러리를 설치해야 합니다. 다음 명령어로 pip를 사용하여 이 라이브러리들을 설치할 수 있습니다:

인메모리 파일 시스템 생성
먼저 인메모리 파일 시스템을 생성해야 합니다. 이 작업은 PyFilesystem2 라이브러리의 `MemoryFS` 클래스를 사용하여 수행할 수 있습니다. 아래는 인메모리 파일 시스템을 생성하고 그 안에 간단한 파일을 저장하는 예제입니다:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

OpenCV을 사용하여 비디오 프레임 캡처하기
비디오 프레임을 캡처하기 위해 OpenCV 라이브러리를 사용할 것입니다. OpenCV는 이미지 및 비디오 처리에 사용되는 오픈 소스 라이브러리입니다. 카메라 또는 비디오 파일에서 비디오 프레임을 캡처하는 방법은 다음과 같습니다:

인메모리 파일 시스템에 프레임 저장하기
이제 비디오 프레임을 캡처할 수 있으므로, 이러한 프레임을 인메모리 파일 시스템에 저장해야 합니다. 이를 위해 먼저 프레임을 이미지 형식 (예: PNG)으로 변환한 다음 파일 시스템에 저장합니다.

결론
본 문서에서는 PyFilesystem2를 사용하여 OpenCV로 캡처한 비디오 프레임을 인메모리 파일 시스템에 저장하는 방법을 살펴보았습니다. 이 접근 방식을 사용하면 실시간 및 임시 처리 작업에 매우 유용한 비디오 프레임을 빠르게 임시로 저장할 수 있습니다. PyFilesystem2는 다양한 유형의 파일 시스템을 쉽게 관리하고 프로젝트에서 활용할 수 있는 강력한 도구입니다.

PyFilesystem2 OpenCV로 캡처한 프레임을 메모리 파일 시스템에 저장하는 방법



주식 거래에서 사용되는 금융 지표는 많지만, 가장 인기 있는 일부는 다음과 같습니다:

- 주당 순이익 (EPS): 주당 순이익은 기업의 이익 중 주당 주식에 배정된 부분입니다. 기업의 수익성과 성장 잠재력을 평가하는 데 사용되는 주요 지표입니다.
- 주가 이익 비율 (P/E 비율): 주가 이익 비율은 주식 가격을 주당 이익과 비교하는 가격 평가 비율입니다. 기업의 현재 주가를 이익과 비교하며, 다른 기업의 가치를 비교하는 데 사용됩니다.
- 배당 수익률: 배당 수익률은 기업의 연간 배당 지급액을 현재 주가로 나눈 값입니다. 주식 투자의 수익 잠재력을 평가하는 데 사용됩니다.
- 시가 총액: 시가 총액은 기업의 유통 중인 주식의 총 가치입니다. 기업의 규모를 평가하고 다른 기업의 상대적 규모를 비교하는 데 사용됩니다.
- 자기 자본 수익률 (ROE): 자기 자본 수익률은 기업이 주주 자본 양에 비례하여 얼마나 많은 이익을 창출하는지를 측정하는 수익성 비율입니다. 기업의 수익성과 효율성을 평가하는 데 사용됩니다.
- 부채 자본 비율: 부채 자본 비율은 기업의 총 부채를 총 자본에 비교하는 금융 비율입니다. 부채 비율을 평가하는 것에 사용됩니다.

주식 거래에서 가장 인기 있는 10가지 금융 지표

## 사용자 정의 웹 앱을 쉽고 빠르게 만드세요

![이미지](/TIL/assets/img/2024-07-09-MeettheNiceGUIYourSoon-to-beFavoritePythonUILibrary_0.png)

만나보세요, NiceGUI! 이 간단한 Python 기반 UI 프레임워크는 웹 브라우저나 데스크톱 앱에서 원활하게 작동합니다. 작은 웹 앱, 대시보드, 또는 로봇 프로젝트를 만들고 있는 중이던 중이든, NiceGUI는 쉬운 인터페이스와 다양한 기능으로 여러분을 도와줄 거예요.

이 글의 목표는 이 라이브러리의 장단점을 나열하고 어떻게 NiceGUI 앱을 만들고 배포할 수 있는지 보여줌으로써 여러분이 한 번 시도해보길 설득하는 것입니다. (이 게시물은 후원받은 것이 아니에요, 그냥 이 라이브러리를 좋아해서 쓴거에요 🙃)



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

Streamlit 대 NiceGUI: 왜 바꾸어야 할까요?

Streamlit은 대화형 앱을 만드는 데 좋지만, 이벤트 및 상태 처리가 어려울 수 있습니다. 특히 큰 프로젝트의 경우 더 그렇습니다. NiceGUI는 다릅니다. NiceGUI를 사용하면 추가적인 단계나 고난한 해결책 없이 상태와 상호작용을 직접 제어할 수 있습니다.

간단한 상태 관리

NiceGUI는 상태를 쉽게 관리할 수 있습니다. Streamlit과 달리 예상치 못한 상태 재설정이 발생하지 않습니다. NiceGUI는 시작 상태든 사용자가 만든 변경 사항이든 모든 것을 안정적으로 유지합니다. 사용자 상호작용을 처리하기 위해 콜백을 사용할 수 있으며 전체 페이지 새로고침으로 인한 괴롭힘 없이 상태 데이터를 유지할 수 있습니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

많은 기능들

NiceGUI에는 여러 가지 멋진 기능들이 많이 있어요:

- 상호 작용을 위한 버튼, 스위치, 슬라이더, 입력 등 다양한 요소들이 있어요.
- 화면에 요소들을 쉽게 배치할 수 있는 방법이 있어요.
- 차트, 테이블, 심지어 3D 씬까지 시각화에 사용할 수 있어요.
- Matplotlib 또는 Plotly와 같은 데이터 시각화 라이브러리와 통합이 되어 있어요.
- 색상과 스타일을 쉽게 사용자 정의할 수 있어요.
- 코딩과 테스트에 도움이 되는 도구들이 있어요.
- 주 개발자들은 항상 질문에 대답할 준비가 되어 있고, GitHub 공간에 피드백을 매우 긍정적으로 반영해요.
- 인기 있는 프레임워크 위에 구축되어 있어요: FastAPI, Vue3, Tailwind, Quasar.
- 전체 사이트가 NiceGUI 라이브러리로 제작되었어요: https://nicegui.io/documentation

제한사항



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

NiceGUI은 정말 멋지지만, 작은 커뮤니티 규모 때문에 다소 제약이 있을 수 있습니다. Streamlit과 같이 인기 있는 프레임워크보다 학습 곡선이 조금 더 길 수도 있습니다. 라이브러리의 기능을 최대한 활용하려면 CSS와 Tailwind CSS에 익숙해지는 것이 좋습니다. 또한, FastAPI, Vue, 그리고 Quasar에 대한 지식은 더 큰 유연성을 제공하고 구현할 수 있는 기능을 확장할 수 있습니다.

# 실습

이제 NiceGUI의 몇 가지 기능을 탐험하고 데모 앱을 만들고 배포해 봅시다.

## 기본 앱



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

먼저 NiceGUI를 설치해주세요:

```js
pip install nicegui[highcharts]
```

주요 문서의 예제에서 시작해보겠습니다:

```js
# https://nicegui.io/documentation/section_data_elements
from nicegui import ui
from random import random

chart = ui.highchart({
    'title': False,
    'chart': {'type': 'bar'},
    'xAxis': {'categories': ['A', 'B']},
    'series': [
        {'name': 'Alpha', 'data': [0.1, 0.2]},
        {'name': 'Beta', 'data': [0.3, 0.4]},
    ],
}).classes('w-full h-64')

def update():
    chart.options['series'][0]['data'][0] = random()
    chart.update()

ui.button('Update', on_click=update)

ui.run()
```



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

여기서 UI 모듈은 UI 요소를 만들 수 있도록합니다.
이 예시에서 먼저 Highchart 요소를 생성하는데, 이에 w-full과 h-64의 tailwind 클래스를 할당합니다. w-full은 반응형으로 화면 전체를 가로로 사용하고 h-64는 높이를 지정합니다.

![image](https://miro.medium.com/v2/resize:fit:1162/1*IbE0mHsejGUzviDgE2He3g.gif)

버튼을 클릭하면 콜백 함수가 트리거됩니다. 이 콜백은 차트에 사용되는 데이터를 업데이트하고 그것을 순조롭게 다시 렌더링합니다.

또한, 새로운 막대를 추가하기 위해 콜백을 변경할 수도 있습니다:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```js
def update():
    chart.options["xAxis"]["categories"].append(random.choice(string.ascii_uppercase))
    for series in chart.options['series']:
        series["data"].append(random.random())
    chart.update()
```

![image](https://miro.medium.com/v2/resize:fit:1400/1*P-IGyImlGMvNFut9LluamA.gif)

또한 페이지를 새로 고침해도 데이터가 손실되지 않는다는 것을 알아두세요! 이것은 다른 Python UI 라이브러리로는 할 수 없는 일입니다. 이렇게 작동하는 이유는 데이터가 모든 사용자 사이에서 공유되기 때문이지만, 앱 저장소의 사용자 객체나 앱 저장소 브라우저같은 방법으로 데이터를 사용자별로 유지하는 방법이 많이 있습니다. @ui.page 데코레이터로 감싸기 위해 app.storage.user 객체나 app.storage.browser를 사용할 수 있습니다.

하지만 주기적 타이머를 사용하여 UI를 업데이트하고 싶다면 어떻게 할까요? 쉽습니다! 버튼 요소를 ui.timer로 변경해주기만 하면 됩니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```js
ui.timer(5, callback=lambda: (update(), ui.notify("데이터가 업데이트되었습니다")))
```

![gif](https://miro.medium.com/v2/resize:fit:1400/1*wwSF1ib9720JW1FlKDOc0g.gif)

자, 이제 사용자가 범주를 선택한 다음 무작위로 Chuck Norris Fact를 생성할 수 있는 데모 앱을 만들어 봅시다.

먼저, 여기에 메인 코드가 있습니다:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```python
import requests  # HTTP 요청을 만들기 위해 requests 라이브러리를 가져옵니다
from nicegui import ui  # NiceGUI 라이브러리에서 UI 구성 요소를 가져옵니다
from nicegui_app.header import add_head_html  # HTML 헤드 내용을 추가하는 함수를 가져옵니다

# Chuck Norris 사실 카테고리 목록
CATEGORIES = [
    "동물",
    "직업",
    "연예인",
    "개발",
    "패션",
    "음식",
    "돈",
    "영화",
    "음악",
    "과학",
    "스포츠",
    "여행",
]

# Chuck Norris 사실을 처리하는 클래스
class Fact:
    def __init__(self):
        self.fact = None  # fact 속성을 None으로 초기화

    # 주어진 카테고리를 기반으로 사실을 업데이트하는 메서드
    def update_fact(self, category):
        url = f"https://api.chucknorris.io/jokes/random?category={category}"  # Chuck Norris API URL

        for i in range(10):  # 유효한 사실을 가져오려고 최대 10번 시도
            result = requests.get(url)  # Chuck Norris API로 GET 요청을 보냄

            if result.status_code == 200:  # 요청이 성공하면
                result_json = result.json()  # JSON 응답을 파싱
                if self.fact != result_json["value"]:  # 가져온 사실이 현재 사실과 다르면
                    self.fact = result_json["value"]  # 사실을 업데이트하고
                    break  # 루프를 종료

# Chuck Norris 사실 UI를 생성하는 함수
def chuck():
    add_head_html()  # NiceGUI 앱에 HTML 헤드 내용 추가

    default_value = CATEGORIES[0]  # Chuck Norris 사실의 기본 카테고리

    fact = Fact()  # Fact 클래스의 인스턴스 생성
    fact.update_fact(default_value)  # 기본 카테고리로 사실을 업데이트

    # 12개 열을 가진 그리드 레이아웃 생성
    with ui.grid(columns=12).classes("w-full"):
        # 카테고리 선택을 위한 열
        with ui.column().classes("col-span-4 sm:col-span-2 space-x-0"):
            ui.label("사실 카테고리 선택:")  # 카테고리 선택을 위한 레이블 표시
            # 카테고리 선택을 위한 라디오 버튼 그룹
            category = ui.radio(
                CATEGORIES,
                value=default_value,
                on_change=lambda _: fact.update_fact(category.value),  # 카테고리가 변경되면 사실 업데이트
            ).classes("w-full")
            # 선택한 카테고리에 대한 사실을 다시 생성하는 버튼
            ui.button(
                "⟳ 다시 생성", on_click=lambda _: fact.update_fact(category.value)
            )

        # Chuck Norris 사실을 표시하는 열
        with ui.column().classes(
            "flex col-span-8 sm:col-span-10 w-full justify-center mx-auto max-w-screen-md"
        ):
            # Chuck Norris 사실을 표시하기 위한 레이블, Fact 인스턴스의 fact 속성에 바인딩
            ui.label().bind_text_from(fact, "fact").classes(
                "text-lg sm:text-3xl text-gray-800 bg-gray-100 rounded-lg shadow-lg p-6"
            )
```



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```python
class Fact:
    def __init__(self):
        self.fact = None  # fact 속성을 None으로 초기화합니다.

    # 주어진 카테고리에 따라 팩트를 업데이트하는 메소드
    def update_fact(self, category):
        url = f"https://api.chucknorris.io/jokes/random?category={category}"  # 척 노리스 API의 URL입니다.

        for i in range(10):  # 유효한 팩트를 가져오기 위해 최대 10번 시도합니다.
            result = requests.get(url)  # 척 노리스 API에 GET 요청을 보냅니다.

            if result.status_code == 200:  # 요청이 성공한 경우
                result_json = result.json()  # JSON 응답을 파싱합니다.
                if self.fact != result_json["value"]:  # 가져온 팩트가 현재 팩트와 다른 경우
                    self.fact = result_json["value"]  # 팩트 속성을 업데이트합니다.
                    break  # 루프를 종료합니다
```

이 클래스는 "fact" 속성에 팩트를 저장하고 Chuck Norris 팩트 API를 호출하는 update_fact 메소드를 가지고 있습니다. https://api.chucknorris.io

다음으로, "chuck" 함수에서 페이지를 정의합니다. NiceGUI는 여러 모듈과 Python 파일을 거쳐 앱을 정의할 수 있는 모듈식 접근 방식을 채택합니다.

우리는 데이터 클래스의 인스턴스인 fact = Fact()을 정의합니다. 이는 각 사용자별로 구체적인 인스턴스입니다. 그리고 다음으로 update_fact 메소드를 사용하여 팩트를 초기화합니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이제 UI 요소를 정의하기 시작합니다.

두 개의 열을 갖는 그리드를 정의합니다:

- 카테고리 옵션 및 생성 버튼이있는 첫 번째 열입니다. 이 열은 다음과 같은 tailwind 클래스를 갖습니다: col-span-4 sm:col-span-2. 이것은 매우 작은 화면의 경우 화면의 4/12을 사용하고, 그렇지 않으면 화면의 2/12을 사용합니다. 이렇게 함으로써 디자인을 모바일 전화에서도 작동하게 할 수 있습니다.
- 사실을 표시할 두 번째 열입니다.

첫 번째 열을 위해:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

- 라디오 메뉴 `ui.radio`.
- 무작위 사실을 생성하는 버튼이 있습니다.

두 요소 모두 클릭되거나 변경될 때 `fact.update_fact`를 호출하는 콜백을 사용합니다.

두 번째 열에 대해서:

- `fact.fact` 값을 바인딩하는 `ui.label`이 있습니다. 이 변수가 변경될 때마다 디스플레이가 자동으로 업데이트됩니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

아래에 있는 테일윈드 클래스를 가진 레이블입니다: text-lg sm:text-3xl 이렇게 하면 텍스트가 작은 화면에서 더 작아집니다.

다음 앱을 얻게 되요:

![앱 이미지](https://miro.medium.com/v2/resize:fit:1400/1*ElNrpcoZndHh1If8Cme9kQ.gif)

멋지죠?



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

## 배포

앱을 배포하는 것은 쉬워요! 예를 들어 CloudRun을 사용하면 매우 간단해요. Dockerfile을 생성한 다음 다음 gcloud 명령어를 실행하기만 하면 돼요:

```js
PROJECT_ID=$(gcloud config get-value project)
REPO="demo"
LOCATION="europe-west1"
IMAGE="nicegui_app"
SERVICE_NAME="nicegui-app"
VERSION="0.0.1"
GAR_TAG=$LOCATION-docker.pkg.dev/$PROJECT_ID/$REPO/$IMAGE:$VERSION

# 저장소 생성
gcloud artifacts repositories create $REPO --repository-format=docker \
    --location=$LOCATION --description="Docker repository" \
    --project=$PROJECT_ID  || true # 이미 존재하는 경우를 위해 실패해도 괜찮아요

# 이미지 빌드
gcloud builds submit --tag $GAR_TAG

# Cloud Run 배포
gcloud run deploy $SERVICE_NAME --image=$GAR_TAG --max-instances=1 --min-instances=0 --port=8080 \
 --allow-unauthenticated --region=europe-west1 --memory=0.5Gi --cpu=1 -q --no-cpu-throttling --session-affinity
```

이렇게 하면 클라우드 빌드를 사용하여 도커 이미지를 빌드한 다음 CloudRun에 배포할 수 있어요.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

여기서 유일한 키큰 옵션은 다음과 같습니다: "— no-cpu-throttling — session-affinity". 이를 통해 동일한 사용자가 가능한 경우 동일한 컨테이너로 라우팅되고 요청 사이에 CPU가 활성 상태로 유지됩니다.

마지막으로

NiceGUI는 파이썬을 사용해 빠르고 쉽게 사용자 인터페이스를 만들고 싶을 때 좋은 선택입니다. 여기에서는 내부 상태를 완전히 제어하고 테스트하고 쉽게 배포할 수 있는 강력한 파이썬 앱을 구축할 수 있습니다. 이를 통해 데이터 과학 프로젝트에서도 도구로 제한받지 않고 창의성을 발휘할 수 있을 것입니다.

여기에 표시된 내용은 NiceGUI로 할 수 있는 작은 부분에 불과합니다. 아래 링크를 따라가면 더 많은 것을 배울 수 있습니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

자원:

- Chuck Norris (매우 과장된) 사실 API: [https://api.chucknorris.io/](https://api.chucknorris.io/)
- NiceGUI 문서: [https://nicegui.io/documentation](https://nicegui.io/documentation)
- NiceGUI 예제: [https://github.com/zauberzeug/nicegui/tree/main/examples](https://github.com/zauberzeug/nicegui/tree/main/examples)
- 이 게시물의 코드: [https://github.com/CVxTz/nicegui_tutorial](https://github.com/CVxTz/nicegui_tutorial)

NiceGUI를 만나보세요 곧 여러분의 최애 파이썬 UI 라이브러리가 될 이유

GRASP 원칙 견고하고 유지보수 가능한 코드의 기초


![라는 링크된 이미지](/TIL/assets/img/2024-07-09-TheEraoftheMathematicianHasArrived_0.png)

저는 순수수학자로 훈련받았어요. 사실 알게 치는 사람이죠. 박사 학위를 받을 쯤에는 너무나 특이한 전문분야로 깊숙이 들어가 있어, 심사위원을 찾기도 어려울 정도였어요. 학자가 되고 싶었다는 생각 때문에 이 토끼굴 속으로 빠져들게 된 거예요. 그런데 가만 생각하니 결론은 변했어요.

나에게는 학계가 너무 외롭고 냉대적으로 느껴졌고, 그래서 다른 길을 찾아야겠다고 결정했어요. 그런데 오직 수학식 작성에만 익숙했던 나는 어디로 가야 할까요? 이전의 전문 지식을 떨쳐버리고 새롭게 시작해야 한다는 사실을 받아들였는데, 앞으로 나에게 깊은 대수학이 무용지물일 것임을 깨달았죠.

며칠이 지난 뒤에 놀랍게도 그 가정이 전혀 틀렸다는 것을 알게 되었어요. 오늘, 새로 일어나는 모든 일을 이해하기 위해선 수학보다 더 적합한 분야가 없다고 말할 수 있어요. 저만 믿지 마시고 직업 시장도 그렇게 느끼고 있거든요. 미국 노동 통계국이 최근 발표한 보고서에 따르면, 수학자와 통계학자의 취업 시장이 다음 10년 동안 33%나 성장할 것으로 예측돼 있고...


2024년, 수학자가 대세가 된 이유

## 파이썬 시각화

네트워크 그래프는 간단한 모양과 선을 사용하여 복잡한 시스템을 보여줍니다. 이것들은 데이터 내의 연결을 이해하는 데 도움이 됩니다. 여기 네트워크 그림을 만들기 위한 좋은 파이썬 도구 15가지가 있습니다. 이 모든 도구들은 무료로 이용할 수 있습니다.

- NetworkX

NetworkX는 네트워크 처리에 도움이 되는 파이썬 도구입니다. 여러분이:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

1. 네트워크 생성

2. 네트워크 변경

3. 네트워크 연구

파이썬에서 그래프 데이터를 다룰 때 많은 사람들이 NetworkX를 사용합니다. 또한 많은 그래프 인공지능 도구의 기반으로 사용됩니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

![그래프 도구](/TIL/assets/img/2024-07-09-Top15PythonToolsforStunningNetworkGraphs_0.png)

- GitHub: https://github.com/networkx/networkx
- Documentation: https://networkx.org

# Graph-tool

Graph-tool은 네트워크 작업을 위한 Python 패키지입니다. 다음과 같은 작업을 수행할 수 있습니다:



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>

<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

1. 네트워크 데이터 다루기

2. 네트워크에서 수학 문제 풀기

환상적인 네트워크 그래프를 위한 최고의 15가지 Python 도구

알다시피, Flask는 간단하고 유연성이 뛰어난 Python의 인기 웹 프레임워크입니다. Flask를 사용하여 애플리케이션을 개발할 때 데이터를 나타내는 방법으로 모델을 사용해야 합니다. 이 블로그에서는 Flask에서 모델을 작성하고 데이터 유효성 검사에 @validates 데코레이터를 사용하는 방법을 탐구해보겠습니다.

SQLAlchemy로 Flask 설정하기

시작하려면 Flask와 SQLAlchemy를 설정해야 합니다. SQLAlchemy는 Flask에서 데이터베이스 작업을 쉽게 할 수 있도록 해주는 강력한 ORM(객체 관계 매퍼)입니다. 필요한 패키지를 설치하고 Flask 애플리케이션을 설정하는 방법부터 시작해봅시다.

```js
# 서버/app.py 파일에서
from flask import Flask
from flask_sqlalchemy import SQLAlchemy

app = Flask(__name__)
app.config['SQLALCHEMY_DATABASE_URI'] = 'sqlite:///app.db'
app.config['SQLALCHEMY_TRACK_MODIFICATIONS'] = False

db = SQLAlchemy(app)
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이 설정에서는 Flask 애플리케이션을 생성하고 'app.db'라는 SQLite 데이터베이스를 사용하도록 구성하며, SQLAlchemy는 Flask 앱과 함께 초기화됩니다.

기본 모델 생성

다음으로, 애플리케이션에서 데이터를 나타내는 기본 모델을 만들어 보겠습니다. id, username 및 email 필드가 있는 간단한 User 모델을 정의해 보겠습니다.

```js
class User(db.Model):
    __tablename__='users'

    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(80), unique=True, nullable=False)
    email = db.Column(db.String(120), unique=True, nullable=False)

    def __repr__(self):
        return f'<User {self.username}>'
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이 예시에서는 사용자 클래스를 정의했습니다. 이 클래스는 db.Model을 상속하며, 데이터베이스에서 'users'라는 테이블을 생성합니다. 이 테이블은 세 개의 열(id, username, email)을 가지고 있습니다. id는 정수를 취하며 기본 키이므로 자체 증가하며, username은 최대 80자의 문자열을 취하며 고유해야하고 비워둘 수 없습니다. 이메일 열은 username과 같이 작동하지만 120자를 취합니다. 또한 모델 인스턴스의 문자열 표현을 제공하는 __repr__ 메서드도 추가했습니다. 다음 섹션에서는 이러한 데이터 유형에 더 많은 제한을 설정하는 방법에 대해 더 자세히 설명하겠습니다.

필드 유효성 검사를 위해 @validates 사용

유효성 검사는 데이터베이스에 추가되는 데이터의 무결성을 보장하기 위해 중요합니다. Flask-SQLAlchemy는 데이터가 데이터베이스에 쓰여지기 전에 데이터 필드를 유효성 검사할 수 있도록 하는 @validates 데코레이터를 제공합니다. 사용자 모델에 유효성 검사를 추가해봅시다.

```python
from sqlalchemy.orm import validates

class User(db.Model):

    __tablename__='users'

    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(80), unique=True, nullable=False)
    email = db.Column(db.String(120), unique=True, nullable=False)

    @validates('username')
    def validate_username(self, key, username):
        if not username:
            raise ValueError("Username cannot be empty")
        if len(username) < 3:
            raise ValueError("Username must be at least 3 characters long")
        return username

    @validates('email')
    def validate_email(self, key, email):
        if '@' not in email:
            raise ValueError("Invalid email address")
        return email

    def __repr__(self):
        return f'<User {self.username}>'
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이 예시에서는 username과 email 필드에 대한 유효성 검사 방법을 추가하는 @validates 데코레이터를 사용합니다. validate_user 함수에서 "if not username:"를 사용하여 User 테이블에 새 인스턴스 데이터가 추가될 때 username이 있는지 확인합니다. 만약 없다면 ValueError를 발생시킵니다. 이 함수에서 "if len(username) ` 3"을 사용하여 username이 적어도 3자 이상이어야 하며 그렇지 않으면 다른 ValueError를 발생시킵니다. 두 번째 유효성 검사인 validate_email에서는 주어진 이메일이 적어도 `@` 기호를 포함해야 유효하다고 확인하고 있습니다.

레코드 생성 및 유효성 검사

이제 모델과 유효성 검사가 준비되었으므로 테스트해 보겠습니다. 새 레코드를 만들고 사용자를 데이터베이스에 추가할 때 발생하는 유효성 오류를 처리하는 방법을 보여드리겠습니다.

```js
#server/app.py
@app.route('/add_user')
def add_user():
    try:
        new_user = User(username='js', email='jsmith@example.com')
        db.session.add(new_user)
        db.session.commit()
        return "사용자가 성공적으로 추가되었습니다!"
    except ValueError as e:
        return str(e)

if __name__ == '__main__':
    db.create_all()
    app.run(debug=True)
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이 예시에서는 유효하지 않은 사용자 이름(`js`)으로 새 사용자를 추가하려고 시도합니다. 유효성 검사 로직에서 문제를 감지하면 ValueError가 발생합니다. 이 예외를 처리하고 적절한 오류 메시지를 반환하여 데이터베이스에 유효한 데이터만 추가되도록 합니다. 이 방법을 통해 데이터 무결성을 유지하고 잘못된 항목을 방지할 수 있습니다.

결론

총론적으로, 이 블로그가 Python Flask 코드에서 @validates 데코레이터가 어떻게 작동하는지 더 잘 알 수 있도록 도움이 되었으면 좋겠습니다. 모델 설정, 유효성 검사 구현, 오류 처리, 고급 유효성 검사 기법 탐색을 통해 Flask 애플리케이션이 데이터 무결성을 유지하고 비즈니스 규칙을 준수하도록 할 수 있습니다. 이러한 도구를 활용하면 견고하고 신뢰할 수 있는 웹 애플리케이션을 만들 수 있습니다.

Posts