본문 바로가기

AI/대학원

 (12)
Going Deeper with Embedded FPGA Platform for Convolutional Neural Network 리뷰 개요임베디드신경망 수업에서 리뷰 발표 하였던 해당 논문에 대해 기록을 남긴다.Abstract연구 배경 및 문제점CNN(Convolutional Neural Network)은 컴퓨터 비전 분야에서 성공적으로 활용되고 있지만 계산 집약적이고 자원 소모적이어서 임베디드 시스템에 통합하기 어려움.FPGA(Field Programmable Gate Array)는 CNN 가속화에 유망하지만, 제한된 대역폭과 메모리 크기가 성능에 제약연구 목표임베디드 FPGA 플랫폼에서 CNN 가속기 설계를 통해 Image-Net 대규모 이미지 분류를 효과적으로 수행.주요 방법 및 기여최신 CNN 모델 분석: Convolutional 레이어는 계산 중심적, Fully-Connected 레이어는 메모리 중심적임을 확인.동적 정밀도 데..
FDA 정리 및 코드 구현 Fisher Discriminant Analysis (FDA)import numpy as npimport matplotlib.pyplot as plt%matplotlib inline# generating data set n0 = 200 n1 = 200 sigma = \[\[0.9, -0.4\], \[-0.4, 0.3\]\]np.random.seed(0)x0 = np.random.multivariate\_normal(\[2.5,2.5\], sigma, n0) # data in class 0x1 = np.random.multivariate\_normal(\[1,1\], sigma, n1) # data in class 1print(x0.shape)print(x1.shape)(200, 2..
Autoencoder 정리 및 코드 구현 오토인코더 (Autoencoder)오토인코더는 인공 신경망을 기반으로 한 비지도 학습 기법으로, 입력 데이터를 압축한 후 다시 복원하는 과정에서 중요한 특징을 학습합니다. 이는 데이터의 차원을 축소하는 동시에 중요한 패턴을 찾아내는 데 사용되며, 비선형성을 다룰 수 있다는 점에서 PCA보다 더 강력할 수 있습니다.오토인코더의 구조인코더(Encoder): 입력 데이터를 압축하여 저차원 잠재 공간(Latent Space)으로 변환합니다. 이 과정은 신경망의 은닉층을 통과하며, 입력 데이터의 주요 특징을 학습합니다.디코더(Decoder): 인코더가 축소한 잠재 표현을 다시 원래 차원의 데이터로 복원합니다. 목표는 원래의 입력과 최대한 유사한 출력을 생성하는 것입니다.잠재 벡터(Latent Vector): 입력..
PCA 정리 및 코드 구현 PCA의 주요 개념분산(Variance): 데이터가 얼마나 퍼져 있는지를 나타내며, PCA는 분산이 큰 방향(즉, 정보가 많이 있는 방향)을 찾습니다.주성분(Principal Component): 분산이 가장 큰 방향의 벡터입니다. 첫 번째 주성분은 가장 많은 분산을 설명하고, 두 번째 주성분은 그다음으로 많은 분산을 설명하며, 서로 직교합니다.공분산 행렬(Covariance Matrix): 각 변수 간의 상관관계를 나타내는 행렬로, 이 행렬의 고유벡터(eigenvector)를 통해 주성분을 구합니다.고유벡터와 고유값(Eigenvectors and Eigenvalues): 공분산 행렬에서 고유벡터는 주성분의 방향을, 고유값은 각 주성분이 설명하는 분산의 크기를 의미합니다.PCA의 장점차원 축소: 고차원 ..

티스토리툴바