Hiwony blog

딥러닝 성능 최적화: 배치 사이즈가 학습 시간에 미치는 영향 분석🔍 TL;DR: 딥러닝 모델 학습 시 배치 사이즈는 학습 시간과 모델 성능에 큰 영향을 미칩니다. 이 글에서는 GTX 1080 Ti SLI 환경에서 다양한 배치 사이즈별 학습 시간을 테스트한 결과를 공유합니다. 테스트 환경 사양실험에 사용된 하드웨어 환경은 다음과 같습니다:구성요소사양CPUAMD Ryzen 5 3600 (4.1GHz OC)GPUNVIDIA GTX 1080 Ti 11GB × 2 (SLI 구성)RAM24GB DDR4전원공급장치1000W메인보드AX370이번 테스트는 두 개의 GTX 1080 Ti GPU를 SLI로 구성했을 때 배치 사이즈에 따른 학습 시간 변화를 중점적으로 측정했습니다. 기준 배치 사이즈로는 32를 설정했으며, ..

딥러닝 GPU 성능 비교: GTX 1060부터 1080 Ti SLI까지🔍 개요: 딥러닝 작업을 위해 GTX 1060, 1070, 1080 Ti, 그리고 1080 Ti SLI 조합의 성능을 비교했습니다. 결론적으로 1080 Ti는 가성비 측면에서 훌륭한 선택이었으며, SLI 구성은 연산 속도보다는 메모리 용량 확장에 더 유용했습니다.배경: 왜 GPU 업그레이드가 필요했나?기존에 사용하던 게임용 PC를 딥러닝 연구 목적으로 전환하면서 Ubuntu 18.04를 설치했습니다. 프로젝트를 진행하다 보니 모델 학습 시간이 너무 오래 걸려 GPU 업그레이드가 필요하다고 판단했습니다.최신 RTX 2070 Super, 2080, 2080 Ti 등은 가격이 너무 비싸서 대안을 찾던 중, 벤치마크 결과를 살펴보니 GTX ..

MNIST 데이터셋으로 U-Net 구현하기: 이미지 노이즈 제거 실험🔍 TL;DR: MNIST 데이터셋을 사용하여 U-Net 모델을 구현해 이미지 노이즈 제거 실험을 진행했습니다. 28×28 크기에 맞게 모델 구조를 조정하고, 랜덤 노이즈와 고정 위치 노이즈 실험을 비교한 결과, 랜덤 노이즈로 학습한 모델이 일반화 성능이 더 뛰어났습니다.소개U-Net은 의료 이미지 세그멘테이션을 위해 개발되었지만, 이미지 복원, 노이즈 제거 등 다양한 분야에서도 뛰어난 성능을 보이는 모델입니다. 이번 실험에서는 MNIST 데이터셋을 사용하여 이미지 노이즈 제거를 위한 U-Net 모델을 구현해보았습니다.1. 데이터셋 준비MNIST 데이터셋은 0부터 9까지의 손글씨 숫자 이미지와 해당 레이블로 구성되어 있습니다. 하지만 ..

GAN과 DCGAN 구현 경험: 적대적 생성 신경망의 학습 과정과 도전 과제🔍 TL;DR: GAN(Generative Adversarial Network)을 MNIST 데이터셋으로 구현해 보면서 겪은 학습 과정과 어려움을 공유합니다. 판별자(Discriminator)와 생성자(Generator)의 균형 잡힌 학습이 얼마나 까다로운지, 그리고 실제 구현 시 마주치는 여러 도전 과제를 실험 결과와 함께 설명합니다.GAN의 기본 개념GAN(Generative Adversarial Network)은 2014년 Ian Goodfellow가 제안한 생성 모델로, 두 개의 신경망이 서로 경쟁하며 학습하는 구조를 가집니다.경찰과 도둑의 대결 - GAN의 핵심 아이디어GAN의 핵심은 판별자(Discriminator, ..

딥러닝 서버 구축 3편: 포트포워딩으로 외부에서 서버에 접속하기🔑 핵심 요약: 포트포워딩은 외부 네트워크에서 내부 네트워크의 특정 장치에 접속할 수 있게 해주는 기술입니다. 집 안의 딥러닝 서버에 외부에서 안전하게 접속하는 방법을 알아봅시다. 안녕하세요! 이전 포스팅에서는 게임용 PC를 딥러닝 서버로 전환하고, 2편에서는 TensorFlow와 CUDA 버전 충돌 문제를 해결했습니다. 이번 3편에서는 외부에서 집에 있는 딥러닝 서버에 접속하기 위한 포트포워딩에 대해 알아보겠습니다.포트포워딩이란 무엇인가?포트포워딩은 네트워크에서 외부의 요청을 내부 네트워크의 특정 장치로 전달해주는 기술입니다. 전문 용어 없이 쉽게 설명해보겠습니다.네트워크 구조 이해하기일반적인 가정의 네트워크 구조는 다음과 같습니다  인터..

딥러닝 서버 구축 2편: TensorFlow와 CUDA 버전 충돌 해결하기🚨 문제 해결: TensorFlow GPU 2.0에서 CUDA 10.2와 10.0 버전 충돌 문제를 완벽하게 해결하는 방법을 알아보세요. 실제 오류 메시지와 단계별 해결 과정을 공유합니다. 안녕하세요! 이전 포스팅에서 게임용 PC를 딥러닝 서버로 전환하는 방법에 대해 알려드렸는데요. 오늘은 그 과정에서 발생한 몇 가지 문제점과 해결 방법에 대해 더 자세히 공유하려고 합니다.발생했던 주요 문제: TensorFlow와 CUDA 버전 불일치딥러닝 서버를 구현하면서 가장 골치 아팠던 문제는 TensorFlow와 CUDA의 버전 불일치 였습니다. TensorFlow 공식 홈페이지 확인 결과, TensorFlow-GPU 2.0을 사용하려면 ..

게임용 PC를 딥러닝 서버로 전환하기: CUDA 10.0 & TensorFlow 설정 가이드🔍 개요: 게임용 PC(GTX 1060 6GB)를 딥러닝 서버로 전환하는 과정을 상세히 안내합니다. Ubuntu 18.04에 CUDA 10.0과 cuDNN 7.6.2를 설치하여 TensorFlow 2.0을 위한 최적의 환경을 구축하는 방법을 알아보세요.서버 스펙 소개제가 딥러닝 서버로 전환한 PC의 스펙은 다음과 같습니다:구성요소사양CPUAMD Ryzen 7 1700 OC 3.8GHzRAMCORSAIR DDR4 32GB (8GB×4) Vengeance Pro RGB White XMP 3000MHz메인보드GIGABYTE GA-AX370-Gaming K5 AORUSSSDWD Black SN750 M.2 2280 NV..