머신러닝 딥러닝 개발

내 PC 사양에 맞는 vLLM 모델은?

Kim MyeongOk — Sun, 12 Jul 2026 19:37:44 +0900

제공해주신 두 영상의 내용을 바탕으로 LLMFit과 whichllm의 구체적인 사용법과 핵심 명령어(플래그)를 정리해 드립니다.

두 도구 모두 설치 및 구동을 위해서는 각 GitHub 저장소(AlexsJones/llmfit, Andyyyy64/whichllm)의 가이드를 참고하여 CLI 환경에서 먼저 설치 명령어를 실행해야 합니다.

※ 현재 내 터미널 환경(OS, 패키지 매니저 등)에 따라 구체적인 설치 명령어나 실행 방법이 달라질 수 있으니 참고 바랍니다.

1. LLMFit 사용법 ️

LLMFit은 화면에 텍스트로 메뉴가 나타나는 TUI 방식으로, 실행 후 단축키를 눌러 직관적으로 조작합니다 (0:55).

컨텍스트 크기 설정 (2:50): 대문자 A를 누른 뒤 Context Cap 메뉴에 원하는 컨텍스트 크기를 입력하고 엔터를 치면 점수가 재계산됩니다 (2:59).
사용 목적 필터링 (3:28): 대문자 U를 누르면 코딩용, 채팅용 등 목적별 선택창이 뜹니다 (3:37). 방향키로 이동해 원하는 목적(예: Coding) 외에 다른 것은 엔터로 해제한 뒤 ESC를 누르면 적용됩니다 (3:37).
정렬 방식 변경 (3:45): S를 누르면 정렬 기준 컬럼이 변경되며, G를 누르면 오름차순과 내림차순이 전환됩니다 (3:54).
런타임 및 포맷 필터링 (4:04): 대문자 R을 눌러 사용하는 백엔드 런타임별 호환 모델을 고를 수 있습니다 (4:04). (예: Llama.cpp를 골랐다면 A를 눌러 GGUF 포맷만 필터링 가능) (4:14).
자체 성능 테스트 (Bench) (6:02): LLMFit의 강력한 유틸리티 기능으로, 추천받은 모델을 내 PC에서 직접 돌려보며 실제 초당 토큰 수(TPS)를 측정하고 예측치와 비교할 수 있습니다 (6:02).

2. whichllm 사용법

whichllm은 시각적인 메뉴 없이 터미널 창에 직접 명령어와 옵션을 타이핑하는 CLI 방식입니다 (2:38). 실행 시 5가지 핵심 플래그(옵션)를 조합하여 사용합니다 (2:55).

추천 명령어 예시 (코딩용 모델을 찾을 때) (3:03)

터미널에 아래와 같은 형태로 플래그를 붙여 명령어를 실행합니다 (3:03).

whichllm --profile coding --context-length 4096 --top 20

핵심 플래그 5가지 옵션 설명 (2:55)

--profile (3:25): 전문 분야 및 목적에 따라 모델을 필터링합니다 (예: coding, chat 등) (3:03).
--context-length (3:25): 내가 활용하려는 모델의 최대 컨텍스트 크기를 지정합니다 (3:34).
--speed 또는 --min-speed (3:34): 추론 속도를 기준으로 필터링하며, 숫자로 정할 때는 min-speed를 씁니다 (3:34).
--fit (3:42): 메모리 적합도를 설정합니다 (3:42). GPU 오프로딩을 하면 안 되는 환경이라면 값으로 GPU를 지정하여 필터링합니다 (3:52).
--evidence (4:02): 공식 벤치마크 출처(LMSYS, LiveBench 등) 기반의 점수만 필터링해서 보고 싶을 때 사용합니다 (1:34).
--top (4:47): 기본 결과는 10개만 나오므로, 더 많은 모델 목록을 보고 싶을 때 개수를 늘려주는 옵션입니다 (4:37).

ref)

대화 진행하기

Kim MyeongOk — Tue, 23 Jun 2026 22:14:34 +0900

간단하게 모델 추론을 서빙하는 서버를 만들었는데,

대화기록을 기억하지 못하고 일회성 대화만 진행되는 현상이 나타났습니다.

그래서 좀더 공부해보니,

session_id를 활용해서 각 session_id에 body 값을 지정해서 이전 대화를 기억하는 방법을 알게되어 적용하게 되었습니다.

[GitHub]

https://github.com/Kim-MyeongOk/ollama/pull/4

[결과]

swagger 파일

Kim MyeongOk — Tue, 23 Jun 2026 21:18:12 +0900

이번에 swagger 파일을 만드는 작업은 FastAPI 에서 http://localhost:8000/openapi.json url 을 통해 얻을 수 있는

swagger 파일은 3.1.0 인데, 3.0.0 버전의 파일이 필요해서 진행하게 되었습니다.

{
  "openapi": "3.1.0",
  "info": {
    "title": "FastAPI",
    "version": "0.1.0"
  },
  "paths": {
    "/v1/chat/completions": {
      "post": {
        "summary": "Chat Completions",
        "operationId": "chat_completions_v1_chat_completions_post",
        "responses": {
          "200": {
            "description": "Successful Response",
            "content": {
              "application/json": {
                "schema": {

                }
              }
            }
          }
        }
      }
    },
    "/health": {
      "get": {
        "summary": "Health",
        "operationId": "health_health_get",
        "responses": {
          "200": {
            "description": "Successful Response",
            "content": {
              "application/json": {
                "schema": {

                }
              }
            }
          }
        }
      }
    }
  }
}

[pip 설치]

pip install openapi-downgrade
pip install --upgrade prance openapi-spec-validator click

[swagger 3.1 → 3.0]

openapi_downgrade http://localhost:8000/openapi.json openapi_v3.json

[검증]

prance validate openapi_v3.json

-- Processing "openapi_v3.json"...
--  -> Resolving external references.
-- Validates OK as OpenAPI 3.0.3!

모델 서빙 초기

Kim MyeongOk — Tue, 23 Jun 2026 21:05:04 +0900

이번에는 ollama qwen3-vl:4b 모델로 간단한 서빙을 지원하는 서버 구현을 진행했습니다.

[GitHub]

https://github.com/Kim-MyeongOk/ollama

[README]

[실행방법]
conda 가상환경 만들어서 진행했으며, 실행방법은 2가지 방법이 있습니다.
1. [ *.py 파일 ] vscode나 pycharm에서 src폴더에 있는 server.py, client.py 각각 실행하면 동작합니다
2. [ *.bat 파일 ] src 상위 폴더에 있는 *.bat 파일에는 해당 가상환경의 경로를 지정해야 사용 가능합니다

[가상환경에 대한 pip 설치]
필요한 라이브러리는 requirments.txt 파일로 repo에 있으니 "pip install -r requirments.txt" 진행하시면 됩니다.

아래는 실행 테스트 진행한 내용입니다.

run_server.bat
run_client.bat

Annotaion

Kim MyeongOk — Mon, 14 Jul 2025 23:40:30 +0900

PEP8은 파이썬 코드 스타일 가이드라인으로, 코드의 가독성과 일관성을 높이는 데 중점을 둡니다. 함수 어노테이션 사용은 PEP484에 명시된 스타일 가이드라인을 따르는 것이 좋습니다.

PEP8 에서의 Annotaion 사용법

PEP8에서는 함수 어노테이션 사용 시 다음과 같은 스타일을 권장합니다:

콜론(:) 앞에는 공백을 두지 않고, 뒤에는 공백을 하나 둡니다.
-> 기호 앞뒤에는 공백을 하나씩 둡니다.
기본 인자 값과 어노테이션을 함께 사용하는 경우, = 기호 양쪽에 공백을 둡니다.

def munge(input: AnyStr = None): ...
def munge(input: AnyStr, sep: AnyStr = None, limit=1000): ...

구글 스타일 가이드

구글은 파이썬 코드 스타일 가이드에서 PEP8을 기반으로 자체 규칙을 추가하여 사용하며, 코드의 일관성과 가독성을 높이는 데 중점을 둡니다. 어노테이션 관련 특정 방식에 대한 명확한 언급은 찾기 어렵지만, 일반적인 코딩 스타일 특징을 통해 접근 방식을 추론할 수 있습니다.

명명 규칙:
- 함수, 변수, 속성은 lowercase_underscore 스타일 사용.
- 보호 인스턴스 속성은 _leading_underscore (밑줄 하나) 사용.
- 비공개 인스턴스 속성은 __double_leading_underscore (밑줄 두 개) 사용.
- 클래스와 예외는 CapitalizedWord 스타일 사용.
- 모듈 수준 상수는 ALL_CAPS 스타일 사용.
- 클래스 인스턴스 메서드는 첫 번째 파라미터 이름을 self로 지정.
- 클래스 메서드는 첫 번째 파라미터 이름을 cls로 지정.
타입 힌트: 가독성과 유지보수성을 높이기 위해 타입 힌트 사용을 권장하며, PEP 484에 정의된 스타일을 따릅니다. mypy와 같은 도구를 사용하여 타입 검사를 수행합니다.
공백: 최대 줄 길이는 79자를 넘지 않도록 권장하며, 들여쓰기는 4개의 공백을 사용합니다. 함수와 클래스는 다른 코드와 빈 줄 두 개로 구분하고, 클래스 내 메서드는 빈 줄 하나로 구분합니다. 변수 할당 시 앞뒤에 공백을 하나만 사용하고, 리스트 인덱스, 함수 호출, 키워드 인수 할당 시 공백을 사용하지 않습니다.
주석: 블록 주석은 코드와 동일한 들여쓰기 레벨을 사용하고 #과 공백 하나로 시작하며, 인라인 주석은 최소 두 개의 공백으로 구분하고 #과 공백 하나로 시작합니다.

구글 스타일 가이드에서는 아래와 같은 코딩 스타일을 지양합니다.

한 줄로 된 if 문, for, while 루프, except 복합문.
if a is not b와 같이 is not을 사용합니다.
빈 리스트나 문자열을 확인할 때 if not somelist와 같이 암시적(implicit)으로 False를 활용합니다.
파일 상단에 import 문을 위치시키고, 표준 라이브러리, 써드파티 라이브러리, 로컬 라이브러리 순으로 그룹화합니다.

Annotation 스타일 예시

구글 스타일 가이드는 타입 힌트 사용을 권장하며, PEP 484에 정의된 스타일을 따릅니다. 아래는 구글 스타일을 적용한 Annotation 예시 코드입니다.

def add(a: int, b: int) -> int:
    """두 정수를 더하여 결과를 반환합니다."""
    return a + b

class MyClass:
    def __init__(self, name: str, age: int) -> None:
        self.name: str = name
        self.age: int = age

def process_data(data: list[dict[str, int]]) -> dict[str, int]:
    """데이터 리스트를 처리하여 결과를 반환합니다."""
    results: dict[str, int] = {}
    for item in data:
        for key, value in item.items():
            if key in results:
                results[key] += value
            else:
                results[key] = value
    return results

추가적인 가이드라인

긍정적 표현: if a is not b와 같이 is not을 사용합니다.
암시적 False: 빈 리스트나 문자열을 확인할 때 if not somelist와 같이 암시적(implicit)으로 False를 활용합니다.
불필요한 괄호 지양: 괄호 안에 불필요한 공백을 사용하지 않습니다.
일관성 유지: 연산자 우선순위에 따라 공백을 조절하되, 일관성을 유지합니다.

구글은 PEP8을 준수하면서도 자체적인 스타일 규칙을 적용하여 코드의 일관성과 가독성을 높이는 데 중점을 두고 있습니다.

PEP 484 어노테이션 예시 및 설명

PEP 484는 파이썬에 타입 힌트를 추가하는 방법을 정의하며, 함수 어노테이션을 통해 매개변수와 반환 값의 타입을 명시할 수 있습니다.

기본 타입 힌트

def greeting(name: str) -> str:
    return 'Hello ' + name

name: str: 매개변수 name이 문자열(string) 타입임을 나타냅니다.
-> str: 함수 greeting이 문자열(string) 타입을 반환함을 나타냅니다.

복잡한 타입 힌트

typing 모듈을 사용하여 더 복잡한 타입 힌트를 사용할 수 있습니다.

from typing import List, Dict, Tuple

def process_data(data: List[int]) -> Dict[str, Tuple[int, int]]:
    results = {}
    for item in data:
        results[str(item)] = (item, item * 2)
    return results

List[int]: 정수(integer) 리스트를 나타냅니다.
Dict[str, Tuple[int, int]]: 키가 문자열(string)이고 값이 정수(integer) 튜플인 딕셔너리를 나타냅니다.

Union과 Optional

Union은 변수가 여러 타입 중 하나일 수 있음을 나타내고, Optional은 변수가 특정 타입 또는 None일 수 있음을 나타냅니다.

from typing import Union, Optional

def process_input(input_value: Union[int, str]) -> Optional[int]:
    if isinstance(input_value, int):
        return input_value * 2
    elif isinstance(input_value, str):
        return len(input_value)
    else:
        return None

Union[int, str]: input_value가 정수(integer) 또는 문자열(string) 타입일 수 있음을 나타냅니다.
Optional[int]: 함수가 정수(integer) 또는 None을 반환할 수 있음을 나타냅니다.

사용자 정의 타입 힌트

사용자 정의 클래스에 대한 타입 힌트도 사용할 수 있습니다.

class User:
    def __init__(self, id: int, name: str):
        self.id = id
        self.name = name

def get_user(user_id: int) -> User:
    # ... (User 객체를 반환하는 코드)
    pass

-> User: 함수가 User 클래스의 인스턴스를 반환함을 나타냅니다.

타입 힌트 검사

__annotations__ 속성을 사용하여 타입 힌트를 확인할 수 있습니다.

def my_function(arg1: int, arg2: str) -> None:
    print(my_function.__annotations__)

출력:

{'arg1': , 'arg2': , 'return': }

타입 체커 (Type Checker)

mypy와 같은 타입 체커를 사용하여 코드의 타입 힌트가 올바른지 확인할 수 있습니다. 타입 힌트와 타입 체커를 함께 사용하면 코드의 안정성을 높일 수 있습니다.

※ 주의사항

타입 힌트는 런타임에 강제되지 않으며, 파이썬 인터프리터는 어노테이션을 무시하고 실행합니다.
타입 힌트는 코드의 가독성을 높이고 정적 분석 도구에서 사용하기 위한 힌트일 뿐입니다.

강제성: 파이썬 인터프리터는 어노테이션을 무시하고 실행하므로, 런타임에 타입 검사를 강제하지 않습니다. 타입 힌트는 "힌트"일 뿐이며, 타입 불일치 시 런타임 에러가 발생하지 않습니다.
정적 분석 도구: mypy와 같은 정적 분석 도구를 사용하여 타입 힌트의 효과를 검증하는 것을 추천합니다.
유연성: 어노테이션은 타입 힌트 외에 다른 메타데이터도 표현할 수 있지만, 주로 타입 힌트 용도로 사용됩니다.
이전 버전 호환성: 이전 버전과의 호환성을 위해 타입 주석을 일반 주석 형태로 추가할 수 있습니다.
표준 라이브러리: 파이썬 표준 라이브러리는 주석을 사용하는 데 신중해야 하지만, 새로운 코드나 대규모 리팩토링 시에는 사용할 수 있습니다.

함수 어노테이션은 이러한 목표를 달성하는 데 유용한 도구입니다. 적절한 스타일(PEP484)을 적용하여 어노테이션을 사용하면 코드 품질을 향상시킬 수 있습니다.

문서화 중요성

Kim MyeongOk — Fri, 7 Mar 2025 13:02:48 +0900

필자도 개발을 진행하면서
"내가 개발자인데 문서화에 많은 투자를 해야하나?"
와 같은 생각을 정말 많이 했다..

주변에서 문서화 해놓은거 있냐고 요청하면 정리해서 전달하는 정도 였는데,
개발하는 프로젝트가 늘어나고 개발하는 코드의 양과 분야가 많아지고 넓어지니, 나중에 왜 이런 로직이 나온거지?와 같이 의문을 가지는 일이 생겼고, 문서화가 중요하다는 것을 알게되었음.

1. 코드 재사용성: 다시 사용할 때 빠르게 이해하고 사용하기 위함
2. 빠른 인수인계 가능

참고 링크
1. https://clickup.com/ko/blog/110939/software-documentation-tools

파이썬으로 개발할 수 있는 분야 별 라이브러리 모음

Kim MyeongOk — Wed, 19 Feb 2025 19:57:47 +0900

개요

자주 사용하는 파이썬 라이브러리의 문법을 간략하게 정리하면서 공부하고자 함.

분야 별 라이브러리

■ 데이터 분석

주요 기능: 데이터 처리, 시각화, 통계 분석, 기계 학습 등

라이브러리	설명
Pandas	데이터 조작 및 분석
NumPy	수치 연산 및 다차원 배열 처리
Matplotlib	기본적인 데이터 시각화
Seaborn	통계 데이터 시각화
Scikit-learn	기계 학습 및 데이터 마이닝
SciPy	과학 및 기술 계산
Statsmodels	통계 모델링 및 계량경제학
Plotly	대화형 데이터 시각화
Bokeh	대화형 웹 기반 시각화
NLTK	자연어 처리
Gensim	토픽 모델링 및 문서 유사도
XGBoost	그래디언트 부스팅
LightGBM	그래디언트 부스팅 프레임워크
TensorFlow	딥러닝 및 기계 학습
PyTorch	딥러닝 및 인공 신경망
Keras	고수준 신경망 API
Dash	대화형 웹 애플리케이션 개발
Vaex	대용량 데이터셋 처리
Dask	병렬 컴퓨팅
Scrapy	웹 스크래핑 및 크롤링

ref)

■ 임베디드 개발

주요 기능: 하드웨어 제어, 통신, 데이터 처리, 머신러닝 등

https://www.perplexity.ai/search/paisseon-jaju-sayonghaneun-rai-qPF53oo4QyO2AX14NJ3N1Q#3

라이브러리	설명
MicroPython	제한된 하드웨어에서 파이썬 실행
CircuitPython	교육 및 제작자 커뮤니티 중심의 MicroPython 변형
PySerial	시리얼 포트 통신
RPi.GPIO	라즈베리 파이 GPIO 제어
Adafruit_Blinka	CircuitPython API를 리눅스 기반 보드에서 사용
smbus2	I2C 통신
spidev	SPI 통신
gpiozero	GPIO 장치 제어 간소화
pyusb	USB 통신
paho-mqtt	MQTT 프로토콜 구현
requests	HTTP 통신
numpy	수치 연산
scipy	과학 및 기술 계산
matplotlib	데이터 시각화
opencv-python	컴퓨터 비전
pillow	이미지 처리
tensorflow-lite	경량화된 머신러닝
scikit-learn	기계 학습
pyserial	시리얼 포트 통신
pybluez	블루투스 통신

ref)

■ 웹 서버 개발

라이브러리	설명
Django	풀스택 웹 프레임워크
Flask	경량 웹 프레임워크
FastAPI	고성능 API 개발 프레임워크
Pyramid	유연한 웹 프레임워크
Tornado	비동기 네트워킹 라이브러리
Bottle	간단한 웹 프레임워크
CherryPy	객체 지향 웹 프레임워크
Sanic	비동기 웹 서버 프레임워크
aiohttp	비동기 HTTP 클라이언트/서버
Falcon	빠른 API 구축 프레임워크
Quart	비동기 웹 프레임워크
Hug	API 개발 프레임워크
web2py	풀스택 프레임워크
Dash	분석 웹 애플리케이션 프레임워크
Werkzeug	WSGI 웹 애플리케이션 라이브러리
Starlette	경량 ASGI 프레임워크
Gunicorn	WSGI HTTP 서버
uWSGI	애플리케이션 서버 컨테이너
Celery	분산 태스크 큐
SQLAlchemy	SQL 툴킷 및 ORM

ref)

■ 클라우드 저장소 개발

다양한 클라우드 저장소 서비스와 연동 가능함.

라이브러리	설명
google-cloud-storage	Google Cloud Storage 작업1 2
boto3	Amazon S3 및 AWS 서비스 작업
azure-storage-blob	Microsoft Azure Blob Storage 작업
dropbox	Dropbox API 작업
paramiko	SFTP를 통한 원격 파일 전송
pysftp	SFTP 클라이언트
ftplib	FTP 프로토콜 작업
requests	HTTP를 통한 RESTful API 작업
pydrive	Google Drive API 작업
python-swiftclient	OpenStack Swift 객체 저장소 작업
minio	MinIO 및 Amazon S3 호환 저장소 작업
oss2	Alibaba Cloud Object Storage Service (OSS) 작업
pcloud	pCloud API 작업
cloudstorage	여러 클라우드 저장소 서비스 통합
apache-libcloud	다양한 클라우드 제공업체 API 작업
backblaze	Backblaze B2 Cloud Storage 작업
cloudfiles	Rackspace Cloud Files 작업
boxsdk	Box API 작업
onedrivesdk	Microsoft OneDrive API 작업
pyfilesystem	가상 파일 시스템 추상화

실제 클라우드 저장소 서비스 사용 시, 제한된 용량을 초과하면 비용이 발생해서 개발 및 테스트 목적으로 활용하면 유용함2.

ex) Google Cloud Storage의 경우 google-cloud-storage 라이브러리를 사용하여 무료로 개발 가능함. pip를 통해 쉽게 설치할 수 있습니다23.

pip install --upgrade google-cloud-storage

ref)

■ 웹 대시보드 개발

라이브러리	설명
Streamlit	간단하고 빠른 웹 대시보드 개발
Dash	대화형 웹 애플리케이션 개발
Plotly	인터랙티브 그래프 및 차트 생성
Bokeh	대화형 시각화 도구
Panel	대화형 웹 앱 및 대시보드 생성
Voilà	Jupyter 노트북을 대시보드로 변환
Gradio	머신러닝 모델을 위한 웹 인터페이스 생성
Flask	경량 웹 애플리케이션 프레임워크
Django	풀스택 웹 프레임워크
Matplotlib	정적 그래프 및 차트 생성
Seaborn	통계 데이터 시각화
Altair	선언적 통계 시각화
PyViz	데이터 시각화 도구 모음
Datapane	대화형 보고서 및 대시보드 생성
Pygal	SVG 차트 생성
Folium	지리적 데이터 시각화
Plotnine	ggplot2 스타일의 그래프 생성
Holoviz	고급 데이터 시각화 도구
Dash Bootstrap Components	Dash 앱을 위한 Bootstrap 컴포넌트
Streamlit-Extras	Streamlit 확장 기능 모음

ref)

■ 안드로이드 앱 개발

라이브러리	설명
Kivy	크로스 플랫폼 GUI 및 게임 개발
Pygame	2D 게임 개발
Panda3D	3D 게임 엔진
Arcade	2D 게임 개발 프레임워크
Pyglet	멀티미디어 및 게임 개발
Cocos2d	2D 게임 및 GUI 개발
PyOpenGL	OpenGL 그래픽 라이브러리
PySDL2	SDL2 바인딩
Numpy	수치 연산
Pillow	이미지 처리
Buildozer	안드로이드 APK 빌드 도구
p4a (python-for-android)	안드로이드용 파이썬 앱 패키징
Cython	C 확장 모듈 생성
PyGame Zero	초보자를 위한 게임 개발
Renpy	비주얼 노벨 게임 엔진
PySoy	3D 게임 엔진
Harfang3D	3D 시각화 및 게임 개발
PyOgre	OGRE 3D 엔진 바인딩
PyOpenAL	OpenAL 오디오 라이브러리
Pyganim	스프라이트 애니메이션

ref)

■ 개인의 스마트폰 사용 이력을 분석해서 사용자의 관심사를 파악하는 백그라운드 모바일 앱을 만든다면?

개발 과정:

개발 환경 설정
앱 UI 설계 및 구현
백그라운드 서비스 구현
데이터 수집 및 저장
데이터 분석 및 관심사 파악
APK 빌드 및 배포

주요 사용 라이브러리:

Kivy: 크로스 플랫폼 GUI 개발을 위한 오픈 소스 파이썬 라이브러리1 4
Plyer: 플랫폼 독립적인 방식으로 디바이스 기능에 접근할 수 있는 라이브러리2
Pyjnius: 안드로이드 Java API를 파이썬에서 사용할 수 있게 해주는 라이브러리6
SQLite: 로컬 데이터베이스로 사용자 데이터 저장 및 관리
Numpy: 수치 연산 및 데이터 분석을 위한 라이브러리
Pandas: 데이터 분석 및 조작을 위한 라이브러리
Scikit-learn: 기계 학습 라이브러리로 사용자의 관심사 예측 모델 생성
APScheduler: 백그라운드에서 주기적으로 작업을 실행하기 위한 스케줄러 라이브러리
Buildozer: Android APK 빌드 도구2

개발 시 주의사항:

사용자의 개인정보 보호와 데이터 보안에 주의를 기울여야 합니다.
사용자의 동의를 얻어 데이터를 수집하고 분석해야 합니다.
배터리 소모를 최소화하기 위해 효율적인 백그라운드 처리 방식을 구현해야 합니다.
Android 권한 설정을 적절히 처리해야 합니다2.

이 앱 개발 과정에서 Kivy를 중심으로 하여 다른 라이브러리들을 조합하여 사용하면, 효율적으로 개발 가능.

Kivy의 크로스 플랫폼 특성을 활용하면 추후 iOS 버전으로의 확장도 용이함.

ref)

■ 웹 서버 개발

라이브러리	설명
NLTK	자연어 처리를 위한 포괄적인 도구 모음
spaCy	고성능 자연어 처리
KoNLPy	한국어 자연어 처리
Gensim	토픽 모델링과 문서 유사도 계산
scikit-learn	머신러닝 알고리즘 제공
Pandas	데이터 조작과 분석
NumPy	수치 연산
regex	정규 표현식을 사용한 텍스트 처리
Beautiful Soup	웹 스크래핑
Scrapy	웹 크롤링 프레임워크
TextBlob	간단한 텍스트 처리 작업
PyTorch	딥러닝 모델 구현
TensorFlow	딥러닝 및 머신러닝
Transformers	최신 자연어 처리 모델 제공
Flair	최첨단 NLP를 위한 프레임워크
fastText	효율적인 텍스트 분류 및 표현 학습
Stanza	다국어 자연어 처리 도구
AllenNLP	자연어 처리 연구를 위한 오픈소스 라이브러리
Pattern	웹 마이닝, 자연어 처리, 기계 학습
JPype1	Java와 Python 연결 (KoNLPy 사용 시 필요)

ref)

[python] PyCharm에서 docstring 자동 생성 설정

Kim MyeongOk — Wed, 12 Feb 2025 22:38:58 +0900

PyCharm에서 """을 입력하면 자동으로 docstring 템플릿이 제공되는 기능을 활용할 수 있음. 이 기능을 사용하면, docstring을 빠르고 효율적으로 작성할 수 있음. 다만, 이 템플릿은 기본적으로 Google 스타일, NumPy 스타일, reStructuredText 스타일 등을 자동으로 제공하는 것이 아니므로, 원하는 스타일로 템플릿을 설정할 수 있음.

def my_function(param1, param2):
    """
    TODO: 설명 추가
    """
    pass

PyCharm에서 docstring 자동 생성 설정

1. PyCharm 기본 docstring 템플릿 사용:

PyCharm에서는 기본적으로 함수나 클래스 정의 후 """을 입력하면 docstring 템플릿을 자동으로 삽입해줌. 예를 들어, 함수 정의 후 """을 입력하면 기본적인 docstring 템플릿이 자동으로 채워짐. 아래 템플릿을 설정하는 방법은 아래에서 설명하겠음.

def my_function(param1, param2):
    """
    TODO: 설명 추가
    """
    pass

2. PyCharm에서 docstring 템플릿 설정: PyCharm은 다양한 스타일의 docstring을 자동으로 생성할 수 있도록 설정할 수 있음. 원하는 스타일로 docstring을 자동으로 입력하려면 설정을 조정해야 함.

** 설정 방법 (PyCharm에서 Docstring 템플릿 설정)

1. PyCharm 설정 열기:

PyCharm에서 File > Settings (혹은 Mac에서는 PyCharm > Preferences)로 들어감.

2. Editor > Code Style:

Editor > Code Style > Python을 선택함.

3. Docstring 템플릿 수정:

그 아래에 있는 Docstrings 탭을 클릭함.
여기에서 docstring 템플릿을 변경할 수 있음.

4. Docstring 스타일 선택:

원하는 docstring 스타일을 선택하거나, """으로 시작하는 템플릿을 수정할 수 있음.
예를 들어, Google 스타일로 docstring을 자동 생성하고 싶다면, 템플릿을 다음과 같이 변경할 수 있음.

예시: Google 스타일

"""
Args:
    param1 (type): 설명
    param2 (type): 설명

Returns:
    type: 설명
"""

5. 저장 후 사용:

설정을 저장한 후, 새로운 함수나 클래스에서 """을 입력하면 설정한 스타일의 docstring 템플릿이 자동으로 입력됨.

PyCharm에서 Google 스타일, NumPy 스타일 템플릿을 사용하는 방법

PyCharm에서는 기본적으로 Google, NumPy, reST 스타일의 docstring을 지원하는 템플릿을 제공하지 않음. 하지만, 자동 완성 기능을 사용하여 스타일을 맞출 수 있음. 예를 들어, Google 스타일의 docstring을 작성하고 싶다면, 위의 설정에서 docstring 템플릿을 수정하여 이를 Google 스타일로 설정하는 것이 가능함.

Google 스타일 템플릿 예시

"""
Args:
    param1 (type): 설명
    param2 (type): 설명

Returns:
    type: 설명
"""

기타 팁

PyCharm에서 자동화된 docstring 템플릿을 사용하는 것 외에도, docstring을 작성할 때 Ctrl + Q (Windows/Linux) 또는 Cmd + Q (Mac)를 눌러 문서화 정보를 확인할 수 있음. 이 기능은 함수나 클래스의 docstring을 확인할 때 유용함.

결론

PyCharm에서 """을 입력하면 docstring 템플릿이 자동으로 생성되며, 이를 통해 코드 문서화를 빠르게 작성할 수 있음.
원하는 docstring 스타일(Google, NumPy, reST 등)을 설정하여 일관된 문서화 스타일을 유지할 수 있음.

[python] 코드 문서화를 자동으로 Sphinx

Kim MyeongOk — Wed, 12 Feb 2025 21:26:26 +0900

파이썬에서 Sphinx를 사용하여 문서화 작업을 시작하는 방법을 알려드릴게요! Sphinx는 주로 코드의 문서를 자동으로 생성하는 데 사용되며, Python 프로젝트의 문서를 작성할 때 매우 유용함.

다음은 Sphinx를 설정하고 사용하는 기본적인 단계입니다:

1. Sphinx 설치

먼저 Sphinx를 설치해야 함. 터미널이나 커맨드 라인에서 아래 명령어를 입력하면 됨.

! pip install sphinx

2. 프로젝트 초기화

Sphinx를 사용하려면,

a. 프로젝트 생성

b. cd 명령어로 프로젝트 폴더로 이동

c. sphinx-quickstart 명령어를 실행하여 기본적인 설정 파일들을 생성함.

sphinx-quickstart

이 명령어는 몇 가지 질문을 던짐. 기본값을 선택해도 되지만, 설정할 중요한 부분은 다음과 같았음.

Root path for the documentation: 문서화할 폴더 경로.
Separate source and build directories: source 폴더와 build 폴더를 분리할지 여부.

이렇게 하면 source 폴더와 build 폴더, 그리고 몇 가지 설정 파일들이 생성됩니다.

3. conf.py 설정

source 폴더에 생성된 conf.py 파일을 열어 문서화 설정을 변경할 수 있습니다. 특히 중요한 부분은:

extensions: Sphinx는 다양한 확장 기능을 지원합니다. 예를 들어, Python 코드의 docstring을 추출하려면 autodoc 확장을 추가해야함.

# conf.py 파일에서
extensions = [
    'sphinx.ext.autodoc',  # 자동으로 docstring을 추출
    'sphinx.ext.napoleon',  # Google 스타일 docstring 지원
]

html_theme: 문서의 테마를 설정할 수 있음.

html_theme = 'alabaster'

4. 문서화할 코드에 docstring 작성

Sphinx는 docstring을 기반으로 문서를 생성합니다. 코드에서 함수, 클래스 등에 docstring을 추가해야 했음.

예를 들어, 아래와 같이 함수에 docstring을 작성하면 됨.

# **Google** Docstring_Style_Type
def add(a, b):
    """
    두 숫자의 합을 반환하는 함수

    Args:
        a (int): 첫 번째 숫자
        b (int): 두 번째 숫자

    Returns:
        int: 두 숫자의 합
    """
    return a + b

# **NumPy** Docstring_Style_Type
def add(a, b):
    """
    두 숫자의 합을 반환하는 함수

    Parameters
    ----------
    a : int
        첫 번째 숫자
    b : int
        두 번째 숫자

    Returns
    -------
    int
        두 숫자의 합
    """
    return a + b

# **restructredTexted** Docstring_Style_Type
def add(a, b):
    """
    두 숫자의 합을 반환하는 함수

    :param a: 첫 번째 숫자
    :type a: int
    :param b: 두 번째 숫자
    :type b: int
    :return: 두 숫자의 합
    :rtype: int
    """
    return a + b

5. .rst 파일 작성

source 폴더에 있는 index.rst 파일을 열고, 여기에 문서의 목차나 내용을 작성함.

예를 들어, 자동으로 API 문서를 추가하려면 다음과 같이 작성해야함.

.. automodule:: your_module_name
    :members:

your_module_name 은 문서화하려는 Python 모듈 이름으로 바꾸면 됨.

6. 빌드 및 확인

아래 명령어를 cmd에서 실행해서 build 폴더에 HTML 파일을 생성함.

make html

이 명령어를 실행하면, build/html 폴더에 HTML 형식의 문서가 생성되고, index.html 파일을 실행하면 브라우저에서 문서된 내용을 확인할 수 있음.

7. 추가 확장 기능 (옵션)

autodoc: Python 코드의 docstring을 자동으로 추출하여 문서에 삽입할 수 있음.
napoleon: Google 스타일과 NumPy 스타일의 docstring을 지원하는 확장 기능.

예시

# example.py

def greet(name):
    """
    주어진 이름으로 인사를 합니다.

    :param name: 이름 (문자열)
    :return: 인사 메시지
    """
    return f"Hello, {name}!"

위 코드에서 autodoc 확장을 사용하면 greet 함수의 docstring을 자동으로 문서화할 수 있음.

결론

오늘은 Python 프로젝트에서 Sphinx를 사용한 코드 문서화를 활용해보았음.

문서의 스타일, 확장 기능, 빌드 방법 등은 필요에 따라 자유롭게 수정할 수 있으니, 공식 Sphinx 문서를 참고하여 더 다양한 기능을 만나볼 수 있음.

(+추가) Docsting 종류

(상세내용은 접는 글에서 확인 가능함)

Google 스타일: 일반적인 개발 프로젝트에서 많이 사용함. 간결하고 직관적이며, 빠르게 문서화할 수 있기 때문
NumPy 스타일: 과학적, 데이터 분석, 머신러닝 프로젝트에서 사용함. 매개변수가 많거나 복잡한 함수를 명확하게 구분할 때
reST 스타일: Sphinx와 잘 통합되어 큰 프로젝트나 문서화가 중요한 경우, Sphinx에서 제공하는 기본 스타일이라서 자동화된 코드 문서화에 특화된 스타일.

각 스타일은 사용되는 상황에 따라 적합성이 달라지므로, 프로젝트의 성격과 사용하려는 문서화 도구에 맞춰 스타일을 선택하는 것이 중요함.

Google

주로 사용되는 곳: 일반적인 프로젝트에서 많이 사용됨.

팀 간 협업이 많고, 코드의 간결함과 직관성을 중요시하는 프로젝트에서 주로 사용됨.
웹 개발이나 스크립트 기반 프로젝트 등에서 널리 사용됨.

장점:

간결하고 읽기 쉬움: Google 스타일은 기본적으로 간결하며, 항목 간 구분이 명확해 쉽게 읽을 수 있음.
대부분의 사람에게 친숙함: Google 스타일은 직관적이고 친숙해 많은 개발자들이 쉽게 이해하고 사용할 수 있음.
자동화 도구와의 호환성: 많은 자동화 도구나 문서화 툴에서 Google 스타일을 기본적으로 지원함.
간결하고 직관적이라, 개발자가 빠르게 문서를 작성할 수 있음.
특히 빠른 문서화가 필요한 경우 유용.
Google 스타일은 매우 친숙하고 쉽게 이해할 수 있어 대부분의 개발자가 편하게 사용할 수 있음.

단점:

세부적인 정보 부족: Google 스타일은 항목을 명시하는 데 충분한 공간을 제공하지만, NumPy 스타일이나 reST 스타일보다 추가적인 세부사항을 담기엔 다소 부족할 수 있음.
비표준화된 형식: Google 스타일은 그 자체로 널리 사용되지만, Python 커뮤니티의 표준이라고 할 수는 없음.

예시: Google, Dropbox, Airbnb 등 다양한 오픈소스 프로젝트에서 사용됨.

NumPy

주로 사용되는 곳: 과학적, 데이터 분석, 머신러닝 프로젝트에서 많이 사용됨.

복잡한 수학적 함수나 데이터 분석 도구에서는 매개변수와 반환값을 명확하게 정의하는 것이 중요하기 때문에 NumPy 스타일이 자주 사용됨.
Pandas, SciPy, NumPy 등과 같은 과학적 라이브러리에서 표준으로 사용됨.

장점:

구조가 명확함: Parameters, Returns, Raises 등으로 나누어져 있어 문서가 매우 구조적이고 명확함.
복잡한 함수나 클래스에 유용: 함수가 복잡하거나 매개변수가 많을 때 NumPy 스타일이 유리함. 각 매개변수와 반환값을 명확하게 구분하여 설명할 수 있음.
과학 및 데이터 분석 분야에서 널리 사용됨: NumPy 스타일은 특히 데이터 분석, 과학 계산, 머신러닝 등에서 많이 사용됨.
매개변수와 반환값을 명확하게 정의하고, 구조적으로 잘 나누어져 있어 복잡한 함수에서 유리함.
과학적 커뮤니티에서 널리 사용되어, 해당 분야에서는 다른 사람들과의 협업 시 편리함.

단점:

길어지고 반복적임: 많은 함수나 클래스에서 Parameters와 Returns를 반복적으로 작성해야 하기 때문에 문서가 길어질 수 있음.
구조가 다소 복잡: 함수가 간단할 경우에는 다소 과도한 형식일 수 있음

예시: Pandas, NumPy, SciPy 등과 같은 과학적 및 데이터 분석 라이브러리에서 주로 사용됨.

restructuredText (reST)

주로 사용되는 곳: Sphinx 기반 문서화가 필요한 프로젝트에서 주로 사용됨.

Sphinx로 자동화된 문서화를 필요로 하는 프로젝트에서 많이 사용됨.
autodoc을 사용하여 Python 코드를 자동으로 문서화할 때 기본적으로 reST 스타일을 사용함.

장점:

Sphinx와의 호환성: reST 스타일은 Sphinx에서 기본적으로 지원되며, 매우 잘 통합됨. Sphinx 문서화 시스템을 사용하는 경우 가장 자연스러운 선택이 될 수 있음.
유연성: :param, :type, :return, :rtype 등 다양한 디렉티브를 통해 매개변수와 반환값을 명확하게 설명할 수 있음. 함수에 대한 세부 정보 제공이 용이함.
전통적인 Python 스타일: reST는 Python 커뮤니티에서 오랜 기간 사용되어 온 표준 형식 중 하나로, autodoc과 같은 도구와 잘 호환됨.
Sphinx와 완벽하게 호환되어, 대규모 프로젝트에서 자동 문서화 작업을 쉽게 처리할 수 있음.
복잡한 문서를 생성할 때 유리하고, :param, :type, :return 등의 디렉티브를 사용하여 매우 구체적이고 상세한 문서를 작성할 수 있음.

단점:

다소 장황할 수 있음: 다른 스타일들보다 문법적으로 길고 다소 복잡할 수 있음. 특히 간단한 함수나 클래스에는 지나치게 많은 디렉티브를 사용하는 경우가 발생할 수 있음.
readability: :param과 :type 등을 사용하는 방식은 문서가 다소 기계적으로 보일 수 있으며, 일부 개발자들에게는 읽기에 불편할 수 있음.

예시: Django, Flask와 같은 대규모 프로젝트에서는 Sphinx 문서화 시스템을 많이 사용하며, 이를 위해 reST 스타일을 채택함.

차이점 요약

스타일	Google	NumPy	restructuredText(reST)
구조	간단하고 직관적	명확하고 구조적	유연하고 다소 복잡
주요 사용	간단한 함수나 클래스	과학/데이터 분석 분야	Sphinx 문서화 시스템과의 호환성
문서화 편의성	빠르고 간편	구체적이고 명확	많은 디렉티브를 요구
유연성	낮음	높음	매우 높음
호환성	대부분의 자동화 도구와 호환	과학적 도구들에서 널리 사용	Sphinx와의 매우 좋은 호환성
주요 단점	세부사항 부족	길고 반복적	다소 복잡하고 기계적

결론

Google 스타일: 일반적인 개발 프로젝트에서 많이 사용함. 간결하고 직관적이며, 빠르게 문서화할 수 있음.
NumPy 스타일: 과학적, 데이터 분석, 머신러닝 프로젝트에서 사용. 매개변수가 많거나 복잡한 함수를 명확하게 구분할 수 있음.
reST 스타일: Sphinx와 잘 통합되어 큰 프로젝트나 문서화가 중요한 경우, Sphinx에서 제공하는 기본 스타일이라서 자동화된 코드 문서화에 특화된 스타일.

Google 스타일: 일반적인 개발 프로젝트에서 많이 사용. 간결/직관적이며, 빠르게 문서화할 수 있기 때문

NumPy 스타일: 과학적, 데이터 분석, 머신러닝 프로젝트에서 사용. 매개변수가 많거나 복잡한 함수를 명확하게 구분할 때

reST 스타일: Sphinx와 잘 통합되어 큰 프로젝트나 문서화가 중요한 경우, 특히 Sphinx 문서화 시스템을 사용할 때

각 스타일은 사용되는 상황에 따라 적합성이 달라지므로, 프로젝트의 성격과 사용하려는 문서화 도구에 맞춰 스타일을 선택하는 것이 중요함.

Tip) PyCharm에서 docstring 자동 생성 설정해서 """ 혹은 '''을 입력하면 코드 문서화를 빠르게 작성할 수 있음.

[python] GoogleTranslator 번역

Kim MyeongOk — Tue, 11 Feb 2025 21:53:22 +0900

목적

1. LMM 모델에 학습시킬 때, 한글보다 영문이 더 효과적이라고 해서 번역 라이브러리를 사용해서 번역하여 학습하기 위함

2. 영문으로 학습했으니 결과도 영문으로 나올 것이기에 결과를 번역하기 위함

기본 예제

# ! pip install deep-translator
from deep_translator import GoogleTranslator

# 번역기 객체 생성 (한국어 -> 영어)
translator = GoogleTranslator(source='ko', target='en')

# 번할 텍스트역
text = "언어"

# 번역 수행
translated = translator.translate(text)

# 번역 결과 출력
print(f"원문: {text}")
print(f"번역된 문장: {translated}")
"""
[RESULT]
원문: 언어
번역된 문장: language
"""

전체 코드

# ! pip install deep-translator
from deep_translator import GoogleTranslator

def translator(src_text, src_language='ko', trans_language='en'):
    src_text_trans = GoogleTranslator(source=src_language, target=trans_language)

    if type(src_text) == str:
        result = src_text_trans.translate(src_text)
    elif type(src_text) == list:
        result = []
        for src_text_part in src_text:
            result.append(src_text_trans.translate(src_text_part))
    return result

def english_to_korean(src_text):
    en_text_trans = GoogleTranslator(source='en', target='ko')

    if type(src_text) == str:
        result = en_text_trans.translate(src_text)
    elif type(src_text) == list:
        result = []
        for src_text_part in src_text:
            result.append(en_text_trans.translate(src_text_part))
    return result
    
input_str = ['너는 누구야?', '내가 항상 오늘처럼 맛있는거 많이 먹고 행복했으면 좋겠어']
en_src = translator(input_str)
en_src
"""
[RESULT]
['Who are you?',
 'I wish I could always eat a lot of delicious food and be happy like today']
"""
english_to_korean(en_src)
"""
[RESULT]
['누구세요?', '오늘처럼 항상 맛있는거 많이 먹고 행복할 수 있었으면 좋겠다']
"""