딥러닝 썸네일형 리스트형 딥러닝에서 CPU와 GPU 성능 비교; 2. CNN (Conv2D) 모델 학습 측정 딥러닝에서 CPU와 GPU 성능 비교1. DNN (Dense) 모델 학습 측정2. CNN (Conv2d) 모델 학습 측정 3. CIFA-100 + CNN 모델에서 CPU와 GPU학습 비교이번에는 CIFA-100을 CNN으로 분류하는 모델을 간단하게 만들어서 학습하면서 CPU와 GPU의 학습 속도를 비교해 보기로 했다. 아래와 같이 Conv2D와 Pooling을 겹쳐서 쌓아 특성값을 추출하고 Dense로 분류하는 간단한 모델이다. 그래도 50 Epoch정도의 학습으로도 82% 정도의 정확도를 가질 수 있다. 물론 Conv2D와 Polling을 한 번 더 반복하면 90%의 정확도까지 올릴 수 있지만 속도 비교의 목적으로는 이 정도 모델로도 충분히 비교를 할 수 있을 것이라 생각된다. 이 모델은 975,692.. 더보기 딥러닝에서 CPU와 GPU 성능 비교; 1. DNN (Dense) 모델 학습 측정 딥러닝에서 CPU와 GPU 성능 비교1. DNN (Dense) 모델 학습측정2. CNN (Conv2D) 모델 학습 측정 딥러닝 모델을 만들 때 꼭 GPU가 필요할까?라는 의문을 가진 적이 있을 것이다. LLM이나 해상도 높은 동영상에서 정밀하게 측정할 부분이 있다면 당연히 필요하겠지만, 101 과정에서 연습을 한다면 GPU가 꼭 필요할까? 어느 정도 특성을 가진 데이터를, 어느 정도의 정확도를 가지도록 만드는데 어느 정도의 성능이 필요할까? 어떤 모델에는 꼭 필요하고 어떤 모델에는 CPU도 가능할까? 에 대한 의문을 테스트하기 위해 내가 가지고 있는 노트북을 기준으로 한번 실험해 보았다.1. MNIST + Dense Sequential 모델에서 CPU와 GPU학습 비교첫 번째 테스트할 데이터는 MNIST.. 더보기 파이썬 딥러닝 개발환경; 2. Keras 설치, MNIST 학습 테스트 파이썬 딥러닝 개발환경1. PyTorch 설치2. Keras 설치, 테스트 2. Keras 설치파이썬은 Node.js와는 달리 프로젝트별로 패키지의 설치가 분리되지 않는다. 그래서, 개발하면서 설치하는 모든 패키지는 설치되어 있는 파이썬의 모든 프로젝트에 영향을 미치게 되고 이미 설치한 패키지의 버전을 바꾸면 다른 프로젝트에도 영향을 미치게 되기 때문에 프로젝트 별로 가상환경을 만드는 것이 좋다.a. Keras 테스트를 위한 가상환경을 만들고 activate 한다.python -m venv keras_testcd keras_testScripts\activate.batb. 가상환경에 PyTorch + Keras 설치새로 만든 가상환경에 1. 에서 설치했던 PyTorch를 다시 설치하고, pip instal.. 더보기 파이썬 딥러닝 개발환경; 1. PyTorch 설치 파이썬 딥러닝 개발환경1. PyTorch 설치2. Keras 설치, 테스트 대학원을 다닐 때는 ML(Machine Learning) 과정이 재미있어서 대부분 과목을 신청해서 들었는데, 막상 회사에서는 인공지능과 좋은 인연이 아니었던 것 같다. 딥러닝이 있기 전에 ANN(Artificial Neural Network)으로 시작한 프로젝트도 마지막에는 결과가 CBR(Case Based Reasoning) 보다 좋지 않아 모델을 바꿨고, 몇 년 전에는 자유변형 물체를 Detection 하고 Instance Segmentation까지 하는 요구사항에 몇 가지 딥러닝 모델을 조합해서 앙상블(Ensemble)까지 해 봤지만 원하는 만큼 결과가 깔끔하지 않았던 것 같다. 사실 지금 나온 삼성 핸드폰을 써도 그때 만든.. 더보기 이전 1 다음
