잡담연구소

드디어 P stage 시작! 목표 Pstage를 시작하면서 잡은 목표 : 거만하게 공부하지 않기, 쉬운 거라고 착각하고 넘어가지말기, 리더보드에 목매지않기 충실하게 EDA를 진행하며 insight들을 얻고, 이를 캠퍼들과 공유하기 EDA를 진행하며 matplotlib , seaborn , pandas를 손에 익히기 강의 정리 - Overview의 중요성 무작정 모델 돌리기 부터 시작하는 것보다 Overview를 보면서 어떤 데이터로 어떤 문제를 풀어야 되는 지, 어떤 어려움이 예상되는 지 방향성부터 잡고 시작하자 - 문제 정의 내가 어떤 문제를 풀어야 하는 지 , input과 output은 무엇인가? , 솔루션은 어디서 어떻게 사용되나 등 - EDA 란 ? 내가 궁금했던 데이터에 대한 걸 해결해 나가는 ..

📌 빠르게 Further Quetion 1) 이번 강의는 lightweight modeling과 어떤 관계가 있을까? (이 강의를 만든 목적은 무엇일까?) 저번 시간에 압축을 통해 공간(메모리)를 줄였다면 , 'acceleration'을 통해 시간을 줄일 수 있다. - bandwidth는 기간 내 네트워크를 통해 전송되는 데이터의 양 - latency는 어떤 일을 처리(source ->target)할 때 걸리는 시간 - throughput는 일종의 처리율로 기간 내 "성공적으로" 네트워크 전송을 통해 처리된 데이터의 양 cpu에서는 병목현상이 일어나고, gpu는 '병렬'로 처리해 throughput을 증가시켜준다. 2) 두 계산에 차이가 발생하는 이유는 뭘까?(p 4) numpy는 c언어로 구현돼 파이썬..

Week7은 Further question 중심으로 학습정리하기 📌 모델의 시공간 Further Question 1) 이번 강의는 lightweight modeling과 어떤 관계가 있을까? (이 강의를 만든 목적은 무엇일까? 모델의 시간 & 공간복잡도를 줄이는 것도 경량화의 목적 중 하나이다. 시간복잡도와 공간복잡도는 trade-off가 된다. compression model은 architecture를 바꿔야 하는 문제이므로 NAS 방법론 중 하나로 바라볼 수 있다. 2) regular convolution 대신 depthwise seperable convolution을 사용해서 계산상의 가장 큰 이득을 보는 경우는 언제일까? depthwise seperable convolution 이란 ? depth..

한 줄 알았는데 안 했네 이로써 일거리 += 1

📌Multi-model Multi modal learning :다양한 형태의 데이터 (이미지, 텍스트,음성 등)을 input을 받아 한 번에 학습시키는 것 Multi modal learning의 문제점 데이터별 상이한 표현 : 음성 1d , 이미지 2d , 텍스트는 embedding을 통한 단어별 feature vector로 표현하는 등 데이터별 표현방법이 다르다. feature space 간 불균형 : 예를 들어 text와 image 데이터 사이의 관계가 m : n 다대다 구조 편향된 학습법 : 쉬운 특정 데이터 타입에 편향되어 학습이 이뤄질 수 있다. Multi modal learning의 종류 1. Matching ex ) Image tagging , ­ Image&food recipe retrie..

Instance/Panoptic segmentation 📌 Instance segmentation semantic segmentation + distinguishing instances 같은 클래스더라도 객체가 다르면 다르게 segmentation 해준다. 주로 object detection을 기반으로 함 Mask RCNN RoI pooling으로 생기는 misalignmenta문제를 RoI Align을 사용하여 해결 , bilinear interpolation을 이용해 소숫점으로 맞춰줌 Faster RCNN에 Mask branch 추가 : class 별 binary mask classfication 생성 -> cls결과에 따른 채널 사용 backbone 모델에 FPN Network 추가 keypoint..