고등학생도 이해하는 Transformer (Deep Learning) #5
벡터 내적과 Linear Layer를 MNIST 분류 예제로 풀어 설명했습니다. 학습이 진행되며 가중치가 숫자 이미지와 닮아가는 과정을 통해 원리를 이해하도록 돕습니다.
#Transformer#ML
1900
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
From One to Ten: YOLO 시리즈 변천사
YOLO 시리즈의 버전별 변화와 핵심 개선점을 정리한 글입니다. 실시간 객체 탐지의 속도·정확도 균형과 생태계 변화를 함께 살펴보았습니다.
#ML#객체 탐지
1400
왓챠 추천 서비스 MLOps 적용기 Part2
왓챠는 추천 서비스의 Monolithic 추론 구조를 분리된 TorchServe 기반 서버로 개선했습니다. CPU 최적화와 모델 경량화, Datadog 모니터링으로 성능과 안정성을 함께 높였습니다.
#MLOps#TorchServe
1400
고객에게 뚜렷한 경험을: 컬리의 후기 이미지 처리 기술
후기 이미지의 흐림 탐지 정확도를 높이기 위해 CNN 학습과 데이터 증강을 실험했습니다. 라플라시안 윤곽선의 표준편차 기반 룰로 precision 약 90%를 달성했습니다.
#이미지 처리#CNN
000
고객에게 뚜렷한 경험을: 컬리의 후기 이미지 처리 기술
컬리의 후기 이미지 흐림 판별 개선 과정을 정리했습니다. 딥러닝 실험의 한계를 확인한 뒤 라플라시안 필터와 표준편차 기반 방식으로 정확도를 높였습니다.
#ML#CNN
4000
Apache Beam으로 머신러닝 데이터 파이프라인 구축하기 3편 - RunInference로 모델 추론하기
Apache Beam RunInference로 Dataflow 기반 대규모 모델 추론 파이프라인을 구성하는 방법을 소개했습니다.\n가변 길이 입력의 패딩 처리와 배치·GPU 지표 관리 포인트를 설명합니다.
#Apache Beam#Dataflow
000
쿠팡 파트너스
개발자를 위한 서적을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발서적#프로그래밍
.png)
12일 안에 세그멘테이션 따라잡기
12일간 헤어스타일 세그멘테이션 경진대회에서 모델 튜닝과 오류 분석을 수행했습니다.\n단일 polygon 제약에 맞춘 후처리와 TTA로 최종 1위를 달성했습니다.
#ML#semantic segmentation
1300
Ubuntu 20.04 LTS (CLI-Server)에 CUDA 11.1 GPU 가속 연산 환경 세팅 하기
Ubuntu 20.04 CLI 서버에서 CUDA 11.1 기반 GPU 가속 환경 구성을 정리했습니다. 드라이버·CUDA·cuDNN·딥러닝 프레임워크의 호환성과 검증 방법을 안내합니다.
#Ubuntu#CUDA
1000
백마 인턴십 후기
백마 인턴십 참가자들이 이미지 분류 AI와 Django 기반 백엔드 API 개발 경험을 공유했습니다.\nNotion·Slack·Git 기반 협업과 소통, 리뷰 과정의 중요성을 되짚었습니다.
#DenseNet#PyTorch
1400
Custom Data 로 이미지 분류 전이학습 하기
DenseNet 사전학습 모델의 분류기를 교체해 커스텀 이미지 분류 전이학습을 구현했습니다. 검증 기반 가중치 저장과 CSV·heatmap 시각화로 학습 결과를 관리했습니다.
#PyTorch#DenseNet
2100
Chip Placement on FPGA 프로젝트를 소개합니다!
FPGA의 소자 배치를 강화학습으로 자동화하기 위한 환경과 에이전트 구조를 소개했습니다.\nGrid·Mask·보상·그래프 임베딩 설계에서의 도메인 특화 고려사항을 정리했습니다.
#강화학습#FPGA
1800
하나의 조직에서 TensorFlow와 PyTorch 동시 활용하기
PyTorch 리서치와 TensorFlow Serving 배포를 병행한 모델 운영 방식을 소개했습니다. 양방향 가중치 변환과 결과 비교 테스트, 레이어별 차이 대응 방법을 정리했습니다.
#TensorFlow#PyTorch
000
딥러닝 모델 Trainer 개발을 위한 Tutorial-2 (with Pytorch)
PyTorch로 커스텀 이미지 분류 데이터셋과 VGG 기반 학습기를 구성했습니다. 학습·평가·모델 저장과 GPU 가속, 학습률 스케줄링 흐름을 설명합니다.
#PyTorch#torchvision
1900
딥러닝 모델 Trainer 개발을 위한 Tutorial-1 (with Pytorch)
PyTorch와 MNIST로 지도학습 Trainer의 필수 구성 요소와 학습 흐름을 설명했습니다.\n학습·평가 루프와 정확도 측정, 모델 체크포인트 저장 예시를 제공했습니다.
#PyTorch#ML
1800