전체 글133

• 

  [도서 리뷰] 그림으로 이해하고 만들면서 익히는 유니티 교과서 * 길벗 출판사에서 도서를 제공받아 작성된 서평입니다.그림으로 이해하고 만들면서 익히는 유니티 교과서기타무라 마나미 지음김은철, 유세라 옮김 유니티 교과서 | 기타무라 마나미 - 교보문고유니티 교과서 | 유니티 2023 버전에 맞춰 개정! 그림으로 이해하고 만들면서 익히는 가장 쉬운 유니티 입문서![유니티 교과서(개정7판)]은 유니티를 사용해 2D/3D 게임과 애니메이션을 만들면서 유product.kyobobook.co.kr간단 서평연구실에서 테스트 베드를 제작하기 위해 유니티를 활용해야 했다. 하지만 유니티를 제대로 배운 적이 없었고, 기초부터 차근차근 학습할 필요가 있었다. 마침 이 책이 유니티 2023 버전에 맞춰 개정되었고, 입문자도 쉽게 따라 할 수 있도록 구성되어 있어 선택하게 되었다. 이 책.. 리뷰/도서, 강의 리뷰 2025. 2. 5.

• GPU 병렬화 기법 GPU 병렬화 기법GPU 병렬화는 수천 개의 코어를 활용하여 대규모 데이터를 동시에 처리하는 기술로, 딥러닝과 같은 고성능 컴퓨팅에서 필수적인 최적화 방식이다. 특히 LLM(Large Language Models)과 같은 대형 모델을 학습하거나, 방대한 데이터를 처리할 때 필수적인 기술로, 여러 작업을 병렬로 수행함으로써 전체 처리 시간을 크게 단축할 수 있다. 이러한 병렬화 기법에는 데이터 병렬 처리(DP), 모델 병렬 처리(MP), 파이프라인 병렬 처리(PP), 텐서 병렬 처리(TP), 그리고 완전 공유 데이터 병렬 처리(FSDP) 등이 있다. 데이터 병렬 처리데이터 병렬 처리(Data Parallelism, DP)는 대규모 데이터셋을 여러 개의 작은 배치로 나누고, 동일한 모델을 여러 GPU에 복사.. 개인공부&프로젝트 2025. 2. 4.

• 디퓨전 모델과 ELBO 정리: DDPM 논문을 중심으로 디퓨전 모델과 ELBO 정리: DDPM 논문을 중심으로학교에서 있을 GDGoC 딥러닝 세미나를 준비하면서, 생성형 AI에 대해 다시 공부하게 되었다. 특히, 확률적 생성 모델이 어떻게 최적화되는지를 이해하는 과정에서 디퓨전 모델(Diffusion Model)의 ELBO(Evidence Lower Bound) 유도 방식이 궁금했다. 디퓨전 모델의 핵심 아이디어는 데이터를 점진적으로 노이징 하는 Forward Process(확산 과정)과 이를 복원하는 Reverse Process(역확산 과정, 디노이징 과정)을 학습하는 것이다. 이 과정은 DDPM 논문("Denoising Diffusion Probabilistic Models")에서 수식적으로 체계적으로 정리되어 있다. 논문의 핵심 내용을 정리하면서 ELB.. 개인공부&프로젝트 2025. 2. 1.

• 

  GMM에서 VAE로: EM 알고리즘 한계 극복하기 GMM과 VAE: EM 알고리즘 한계 극복하기혼합 가우시안 모델(Gaussian Mixture Model, GMM)은 데이터 분포를 여러 개의 가우시안 분포로 나타내는 모델로, 데이터가 여러 개의 가우시안 분포에서 샘플링된 결과라는 생성적 관점을 제공한다. 이를 통해 GMM은 데이터 생성 과정을 모델링할 수 있으며, 각 데이터 포인트가 특정 가우시안 분포에서 생성되었다고 가정한다. GMM의 학습 과정에서는 주로 기대값 최대화(Expectation-Maximization, EM) 알고리즘이 활용된다. EM 알고리즘은 잠재 변수를 포함한 확률 모델의 최대 우도(MLE)를 계산하는 효과적인 방법으로, 데이터를 설명하는 잠재 구조를 탐구할 수 있도록 돕는다. 하지만 GMM은 각 데이터 포인트가 여러 가우시안 분.. 개인공부&프로젝트 2025. 1. 19.

• GPT, Gemma, Llama3 모델 특징 비교 GPT, Gemma, Llama3 모델 특징 비교최근 대규모 언어 모델(LLM)의 발전이 가속화되면서, 다양한 모델들이 등장하고 있다. 그중에서도 GPT, Gemma, Llama 3는 가장 주목받는 모델 중 하나이다. 이 글에서는 각 모델의 주요 특징을 비교하고, 특히 Gemma와 Llama 3의 구조를 상세히 분석해 본다. Gemma 모델 구조 분석Gemma는 Google DeepMind에서 개발한 경량 LLM으로, 최적화된 구조를 통해 높은 성능을 유지하면서도 효율적인 계산이 가능하도록 설계되었다. 모델의 핵심 구조에는 RMSNorm, post attention layer norm, GeGLU와 같은 최신 기술이 적용되었다. Input Layer Normalization: RMSNormGemma에서는.. 개인공부&프로젝트 2025. 1. 5.

• 파인튜닝 개념 TL;DR 파인튜닝은 GPT 같은 대규모 언어 모델을 특정 작업에 맞게 최적화하는 과정으로, 연산 비용이 큰 전체 파인튜닝 대신 효율적인 PEFT 기법이 많이 활용된다. Adapter Tuning은 모델 구조를 유지하면서 작은 모듈만 추가하여 학습하며, Prompt Tuning은 입력 프롬프트를 최적화해 성능을 향상시키는 방식으로 데이터 요구량이 적다. LoRA는 가중치 변화량을 저차원 행렬로 학습해 메모리 효율성을 높인다. 파인튜닝 시 과적합을 방지하기 위해 검증 데이터를 활용하고, 재앙적 망각을 막기 위해 기존 데이터와 병행 학습해야 한다. 또한, 데이터 품질 관리를 철저히 해야 최적의 성능을 얻을 수 있다.  파인튜닝 개념GPT와 같은 대규모 언어 모델을 실제로 활용하기 위해서는 사전 훈련된 모델을.. 개인공부&프로젝트 2025. 1. 4.

• 멀티헤드 어텐션 & 피드포워드 GPT: 멀티헤드 어텐션 & 피드포워드최근 AI 연구에서 가장 주목받는 주제 중 하나는 GPT(Generative Pre-trained Transformer) 모델이다. GPT는 자연어 이해와 생성을 위한 언어 모델로, 입력 데이터를 처리하는 forward 메서드와 이를 바탕으로 텍스트를 생성하는 generate 메서드를 통해 작동한다. 이 과정에서 GPT는 어텐션 메커니즘과 신경망 구조를 활용해 언어의 문맥과 패턴을 효과적으로 학습한다. 이 글에서는 GPT의 핵심 요소인 멀티헤드 어텐션과 피드포워드 네트워크, 블록 설계 방법, 그리고 토크나이저 제작 과정을 중심으로 내용을 정리해 보았다. 멀티헤드 어텐션어텐션 메커니즘(Attention Mechanism)은 GPT와 같은 트랜스포머 모델의 핵심 구성 요.. 개인공부&프로젝트 2025. 1. 4.

• 언어 모델 구조 및 셀프 어텐션 메커니즘 이해 언어 모델 구조 및 셀프 어텐션 메커니즘 이해GPTGPT는 자연어 이해와 생성을 위한 언어 모델로, 입력 데이터를 처리하는 forward 메서드와 이를 바탕으로 텍스트를 생성하는 generate 메서드를 통해 작동한다. 이 과정에서 GPT는 어텐션 메커니즘과 신경망 구조를 활용해 언어의 문맥과 패턴을 효과적으로 학습한다. 셀프 어텐션 메커니즘셀프 어텐션(Self Attention)은 입력된 각 단어가 문맥 내에서 다른 단어들과의 관계를 학습하는 데 핵심적인 역할을 한다. 이를 위해, 입력 시퀀스 X는 임베딩 후 세 가지 행렬 Q(Query), K(Key), V(Value)로 변환된다. 각각은 다음과 같은 연산으로 계산된다. $$Q=XW_Q,~ K=XW_K,~ V=XW_V $$ 여기서 $W_Q,~ W_K,.. 개인공부&프로젝트 2024. 12. 31.

• 

  클라우드 기반 GPU 컴퓨팅 플랫폼, 런팟(RunPod) 사용법 클라우드 기반 GPU 컴퓨팅 플랫폼, 런팟(RunPod) 사용법런팟 소개런팟(RunPod)은 인공지능 및 머신러닝 모델의 개발, 학습, 배포를 위한 클라우드 기반 GPU 플랫폼이다. 사용자는 필요에 따라 GPU 인스턴스를 신속하게 생성하고, 서버리스 환경에서 AI 애플리케이션을 확장할 수 있다. 런팟은 Multi-GPU를 사용할 수 있도록 지원하기 때문에 복잡한 인공지능 모델의 개발이나 대규모 데이터 처리 시 코랩 등에 비해 효율적이고 빠르게 진행할 수 있다는 장점을 가지고 있다. 런팟은 다양한 GPU 옵션을 통해 경제적인 선택이 가능하다. 예를 들어, NVIDIA A100 SXM 80GB GPU를 시간당 $1.89에 이용할 수 있다. 이처럼, 런팟은 리소스를 충분히 확보하지 못한 데이터 엔지니어들에게 .. 개인공부&프로젝트 2024. 12. 31.

• NLP 이해와 런팟 설치 NLP의 과거와 오늘NLP는 인간의 언어를 기계가 이해하고 처리하기 위한 도전으로 시작되었다. 아르츠루니와 트로얀스키는 기계 번역의 초기 개념을 제시하며 기반을 다졌고, 위버와 섀넌의 정보 이론을 바탕으로 1954년 조지타운-IBM 실험이 성공적으로 이루어졌다. 하지만 초기의 규칙 기반 접근은 언어의 복잡성을 다루기 어려웠고, 품질의 한계로 연구가 지체되었다. 같은 시기, 튜링은 "기계는 생각할 수 있는가?"라는 질문을 던지며 인간-기계 상호작용 가능성을 탐구했으나, 튜링테스트는 기계의 이해 능력을 완전히 검증하기엔 부족했다. 퍼셉트론은 신경망 학습의 기초를 마련했지만, 단층 구조의 한계로 연구가 한동안 정체되었다. 이후 역전파 알고리즘과 비선형 활성화 함수가 도입되며 신경망은 더 복잡한 문제를 학습할 .. 개인공부&프로젝트 2024. 12. 31.

• 

  [도서 리뷰] 대규모 머신러닝 시스템 디자인 패턴 *한빛미디어 활동을 위해서 책을 제공받아 작성된 서평입니다.대규모 머신러닝 시스템 디자인 패턴위안 탕 지음정민정 옮김 대규모 머신러닝 시스템 디자인 패턴14가지 패턴으로 대규모 머신러닝 시스템을 완성하라!www.hanbit.co.kr간단 서평 나는 AI 엔지니어로서의 실무 경험도 소규모 초기 스타트업이 전부이고, 학사 졸업 직후 대학원에 진학을 하다 보니 대규모 데이터가 오고 가는 환경에서 머신러닝 모델을 운영해 볼 기회가 거의 없었다. 특히나 대규모 데이터의 효율적 처리나 엄격한 기술적 완성도보다 사용자 중심의 접근을 더 중요시하는 HCI 분야로 진학한 지금은 단일 GPU나 로컬 환경에서의 모델 개발 및 운영으로도 충분했기에 사실상 대규모 데이터와 분산 처리의 실질적인 필요성을 체감할 기회가 많지 않.. 리뷰/도서, 강의 리뷰 2024. 12. 29.

• 배치 사이즈가 1인 배치 처리와 스트리밍 처리는 같은가? 배치 사이즈가 1인 배치 처리와 스트리밍 처리는 같은가?데이터 수집 및 처리는 현대의 정보 시스템에서 필수적인 요소이다. 이를 구현하는 두 가지 대표적인 방식은 배치 처리와 스트리밍 방식이다. 그런데 문득, '배치 사이즈가 1인 배치 데이터 수집 방식은 스트리밍 방식과 같은 건가?'라는 생각이 들었다. 딥러닝 쪽에서도 배치 사이즈가 1인 Mini-batch 방식은 Online learning과 같다고 하니까.. 둘은 동일한 개념일까? 아니면 중요한 차이가 존재할까? 이러한 의문에 답하기 위해 내용을 좀 더 찾아보았다. 배치 데이터 수집 방식이란?배치 데이터 수집은 데이터를 일정한 크기로 묶어 한 번에 처리하는 방식이다. 일반적으로 배치 크기는 고정되어 있으며, 작업이 끝난 후 시스템은 다음 작업 요청까지.. 개인공부&프로젝트 2024. 12. 28.