코랩에서 파이토치로 신경망 모델 구현했을 때 학습을 마치고 파라미터 수정 시 다시 학습을 진행한다면 런타임 다시 시작 후 처음부터 코드 전체를 다시 돌려야하나요?

스파크 환경에서 모델링 단계(VectorAssembler부터 이해가 안되어서 일단 쭉 듣고 있습니다.) 대한 개념이 모호해서 쭉 몇회씩 돌린다는 느낌으로 듣는 중인데요,[인코딩 개요 및 레이블 인코딩 실습]의 8:00 ~ 8:45 구간에서(StringIndexer는 fit이 있지만)"IndexToString 는 fit 없이 transform만 있다. VectorAssembler와 같이 transform만 있다." 라는 식으로 말씀을 주셨는데 이 transform만 가능하다는 점이 모호해서 질문드립니다.fit을 해줘야 하는 경우(StringIndexer)와 transform만 해줘도 되는 경우(IndexToString)를 바로 구분할 수 있을 만한 포인트(차이점)가 있을지 궁금합니다. 이런 경우들을 일일히 다 외워줘야 하는걸까요, 아니면 어떤 규칙성 같은 게 있을까요?

안녕하세요. torch model의 checkpoint를 onnx로 conversion 했을 때, 유니티의 agent에 해당 onnx를 load시, version_number 비롯한 여러가지 필요 constant가 없어서 실패합니다. 방법이 있을까요?현재 torch로 학습된 모델을 Webgl로 빌드해서, aws에 hosting을 계획하고 있습니다. (Webgl hosting Build Link)ppo나 sac로 학습하면 onnx로 나와서 해당 onnx를 붙여서 하는건 이슈가 없습니다만,유니티가 제공하지 않는 알고리즘으로 (muzero)를 구현해서 붙일려고하니 torch에서 학습한 prediction, representation, dynamic 모델을 unity에서 사용가능한 onnx로 변환을 실패하고 있습니다. 아니면 torch로 학습한 모델을 퍼블리싱하는 다른 방법이 있을까요?학습된 모델을 서버로 띄어서 통신으로 하는 방법 정도가 생각납니다만, 서버를 사용하지 않고 클라이언트로만 해결 가능하면 좋겠습니다.

model과 modelmap의 차이점을 자세히 알려주세요

module.exports = mongoose.model('User', userSchema) 와 같은 스키마를 감싼 모델(mongodb의 컬렉션)을 이용하면const user = new User(req.body) 와 같이 req 정보를 이용하여 모델 인스턴스를 만든다음에이걸 다시 save 메서드를 통해 mongoDB의 User(users) 컬렉션에 저장할 수도 있고,User.findOne({ email: req.body.email }, (err, user) => {    //요청한 email이 db정보 안에 있을 때 해당 db정보를 담은 객체 user 가 생성된다.    if (!user) {      return res.json({        loginSuccess: false,        message: "제공된 이메일에 해당하는 유저가 없습니다."      })    }와 같이 User(users)컬렉션에 접근(조회)하여 해당 객체를 찾을 수도 있다. 결론: mongoDB의 모델은 모델 인스턴스를 생성할 수도 있고, DB에 접근하여 값을 조회,수정 등등을  할 수 있다라고 이해했는데 맞는 것인지 궁금합니다. 역할이 다양한게 조금 헷갈려서 질문드립니다.    

client code에서 리팩토링 파트에서 보니 좀 오히려 프로덕션 레벨 및 좀더 깔끔 한 코드로 바꾸실려고 하는데 오히려 너무 복잡했습니다.  model schema를 만들때 보면, 지금 user schema에는 관게를 안만들고 오히려 blog 와 comment 에만 만드셨는데 좀 쉽게 오히려 user schema에  comments: [commentSchema],  를 만들어줘도 되지 않았나요?  그리고 Types.objectId만 넣지말고 모든 데이타를 ref 해도 되지 않았을 까요?  아님 필요 한것만이라도요.  지금 comment schema에 user 와 blog는 Types.ObjectId만 있으니 너무 복잡하게 돌아 가는 것 같아  좀 헷갈렸습니다.