Hiwony blog

개인 AI 머신 구성 여정: 발열과의 싸움 - 멀티 GPU 쿨링 솔루션  안녕하세요. 오늘은 제 게이밍 PC를 AI 워크스테이션으로 변신시키는 과정에서 배운 것들을 공유해 드릴게요. 특히 멀티 GPU 환경에서 발열 관리가 얼마나 중요한지, 그리고 그 해결책에 대해 이야기해 보려 합니다. 현재 시스템 스펙CPU: 라이젠7 1700 3.8 OCRAM: 커세어 Vengeance 32G XMP 3000M/B: AORUS AX370-Gaming K5GPU: AORUS 1080 Ti 11G x2PSU: 커세어 HX1000i (1000W)Case: 3RSYS T800 빅타워케이스 업그레이드: 더 넓은 공간, 새로운 도전  사용중이던 케이스 Winin 101c에서 3RSYS T800 빅타워로 갈아탔습니다. 솔직히 빅타..

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, ..