dl

[조립 pc] 개인용 딥러닝 워크스테이션, 구축 예산과 부품 선정 이유

현직 데이터사이언티스로써 회사의 서버를 사유하다시피 사용할 수도 있지만, 노후된 서버 장비와 구식 gpu로는 딥러닝에 대한 갈증이 해소가 되지 않았다. 논문 작업을 진행하고, 트랜스포머 기반의 모델을 점점 응용하며 적용해 나아갈 것 같은 이 시점에서 "딥러닝 서버가 정말 필요할 것 같다"라는 생각이 들었다. 내가 구매한 부품은 다음과 같다. 개인용으로 사용하기에 좋다면 좋은, 부족하다면 부족한 사양이지만, 향후 업그레이드와 확장을 염두에 두고 구매를 진행했다. 허민석이라는 채널의 유튜브를 많이 참고했으며, 해당 유튜브에서 조립한 딥러닝 pc가 2020년 기준인 것을 감안하고 내 기준으로 조금씩 변형하여 부품을 선정했다. 총 330만원의 예산이 들었으며, 운이 좋게도 상당히 저렴한 가격에 고성능 부품을 가..

[tensorflow] 함수형 API 활용한 CNN 예시

Functional API 특징 텐서플로우에서 제공하는 가장 직관적인 Sequential 모델은 쉽고 빠르게 레이어를 쌓아 딥러닝 모델을 만들 수 있습니다. 여기서 Sequential 모델은 네트워크 입력과 출력이 하나라가 가정합니다. 그리고 많은 경우에서 이 가정이 적절합니다. 하지만 이런 가정이 맞지 않는 경우가 발생할 수 있습니다. 예를 들면 개별 입력을 여러 개 필요로 하는 네트워크이거나 여러 개를 출력하는 네트워크의 경우에는 단순히 선형적으로 층을 쌓는 sequential 모델로는 구현할 수 없습니다. 이런 경우 함수형 API를 고려합니다. 함수형 API는 다양한 경우에서 활용할 수 있습니다. 아래의 그림처럼 소셜 미디어 포스팅을 통해 나이를 예측하고, 수입을 예측하고, 성별을 예측하는 하나의 ..

[딥러닝] 합성곱 신경망 - 직관적으로 convolutional layer 깊이에 대해 이해하기

본 포스팅에서는 수식적으로 합성곱 연산을 설명하기 보다는 그림에 의존한 직관적인 내용을 이야기 해보겠음 합성곱 연산 완전 연결층(Dense Layer)과 합성곱 층(Convolutional Layer) 사이의 근본적인 차이는 어떻게 될까? Dense층은 입력 특성 공간에 있는 전역 패턴을 학습하지만, 합성곱 층은 지역 패턴을 학습합니다. 만약 이미지라면 작은 2D 윈도우로 입력에서 패턴을 찾습니다. 컨브넷은 두 가지 흥미로운 성질을 제공하는데요. 첫째, 학습된 패턴은 평행 이동 불변성(translation invariant)를 갖습니다. 컨브넷이 이미지의 오른쪽 아래 모서리에서 어떤 패턴을 학습했다면, 다른 곳(예를 들어 왼쪽 위 모서리)에서도 이 패턴을 인식할 수 있습니다. 해당 패턴을 학습했기 때문에..