# DL
YOLO Series 비교 분석
YOLO Series SOTA of Real time detector : 현재 실 사용되는 모델들 중 가장 빠른 모델 중 하나. 기존 존재하던 2-stage detector 에서 1-stage detector 로 task를 진행하며 빠른 속도가 장점. 속도 향상에 비해
MetaCode(Deep Learning) - Computer Vision (Basic CNN Structure)
CNN LeNet 1. 32X32X1 : 흑백의 32X32 사이즈 이미지 2. filter size = 5 X 5, stride = 1인 커널로 Convolution --> parameter 수 : (1 x 5 x 5 + 1) * 6 3. fileter size =
GPU Util 모니터링 및 환경변수
DL쪽을 처음 접하고 paper 작업에 투입되었을때 초창기때는 어떻게든 shape을 맞춰서 해당 모델을 돌리는것 에만 초점을 맞췄었다. 사실 어떻게 내부 값들이 변하는지는 크게 신경을 안쓰고, 단순하게 에러만 안나면서 GPU에서 돌아가게만 만드는데 초점을 맞췄었다. 하
AutoEncoder
아래 사이트를 정리한 글입니다. https://www.jeremyjordan.me/autoencoders/ Autoencoder란 representation learning task를 위해 신경망을 활용하는 비지도학습 기법 구체적으로, 기존 input의 압축된 지식
딥러닝 기초
Deep Learning 딥러닝 머신러닝 방법론 중 하나로써, 생물의 신경망 원리에 착안하여 만들어진 인공신경망 기법 딥러닝 = 인공신경망 (뉴럴네트워크) = 다층 퍼셉트론 (MPL) 퍼셉트론 사람의 뇌를 모방한 인공 뉴런 (선형적 계산을 함) 가중합 + 활성화 함수 비선형 문제를 선형 문제로 변경 + 선형 연산 (선형 분류) 다...
MetaCode(Deep Learning) - Computer Vision (Introduction to Computer Vision)
데이터를 알고리즘에 넣고알고리즘의 Loss를 구하기 위해 forward propagationLoss를 최소화 하기 위해 (학습을 위해) backward propagation이미지 데이터는 행렬. 2차원 혹은 3차원 텐서(Tensor) 형태로 되어있음.각 행렬의 elem
ResNext(2017) 리뷰 & 구현
🛠️ 배경 & 문제점 CNN 등의 neural network가 발달하면서, 사람들은 network architecture을 디자인 하는데에 많은 신경을 쓰기 시작했다. 그러다보니 hyper-parameter가 매우 늘어났고 이를 tuning하는 것은 매우 어려운 일
MetaCode(Deep Learning) - Computer Vision (Intro)
Deep Learning이란? 딥러닝은 머신러닝의 방법론 중 하나 선형함수가 아닌 것을 학습 가능 인공신경망을 굉장히 깊게 구성하여 학습 Deep Learning(Machine Learning) Framework Data 준비 알고리즘(파라미터) 통과 Loss Fu
[ResNet] Residual Connections Encourage Iterative Inference
Residual networks (Resnets) have become a prominent architecture in deep learning. However, a comprehensive understanding of Resnets is still a topic
StyleGAN(2019) 리뷰
아래의 모든 내용의 출처는 Karras, Tero, Samuli Laine, and Timo Aila. "A style-based generator architecture for generative adversarial networks."