논문 공부
1.Deep Residual Learning for Image Recognition 논문 공부.
RestNet을 알아봅시다. 필자가 공부한 내용을 적은 글이며 사실과 다른 내용이 있다면 댓글로 편히 지적해주시길 바립니다. 감사합니다.
2.Rethinking the Inception Architecture for Computer Vision 논문 공부
Rethinking the Inception Architecture for Computer Vision 논문을 공부하고 작성한 글입니다. 오류에 대한 지적은 언제든 환영입니다. 글 말미에 있는 LSR에 대한 내용은 이해가 부족해 글이 빈약합니다. 더 공부하겠습니다.
3.U-Net: Convolutional Networks for Biomedical Image Segmentation 논문 공부
U-net은 Image Segmentation를 위한 딥러닝 아키텍처 중 하나로, 2015년에 발표된 모델입니다. 현재 진행중인 프로젝트에 사용할 모델입니다. 프로젝트가 종료되면 그에 대한 글도 작성해보겠습니다. 언제나처럼 오류에 대한 지적은 환영입니다.
4.An Overview of Multi-Task Learning in Deep Neural Networks 논문 공부
본 논문은 Multi-Task Learning (이하 MTL)의 기초적인 내용을 다루는 논문입니다. 읽으며 많은 지식을 얻어갔으며 개인적으로 추천합니다.
5.EDA : Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks 논문 공부.
NLP 전처리에 대한 논문이다. 정확히는 부족한 데이터셋을 채울 수 있는 데이터증감에 대한 논문이다. 해당 논문은 분량이 매우 짧다. 따라서 포스트도 설명이 많이 없다.
6.EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 논문 공부.
추가 자원에 대해 모델을 효율적으로 Scale-Up 하는 방법에 대해 다룬 논문입니다. 늘 그랬듯 지적은 언제나 환영입니다.
7.EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 논문 공부.
추가 자원에 대해 모델을 효율적으로 Scale-Up 하는 방법에 대해 다룬 논문입니다. 늘 그랬듯 지적은 언제나 환영입니다.
8.CANINE: Pre-training an Efficient Tokenization-Free Encoder for Language Representation 논문 공부.
CANINE 라는 신기한 모델을 가져왔습니다. 해당 모델을 통해 토큰화 작업 없이도 훌륭한 성능의 NLP 모델을 훈련시킬 수 있습니다.
9.The Era of 1-bit LLMs : All Large Language Models are in 1.58 bits. 논문 공부
아주 미친 논문을 들고왔다. GPU의 고성능 연산이 없어도 고성능 LLM을 작성할 수 있다. 무려 CPU 만으로도..!