일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 |
Tags
- Compression
- CuDNN
- jhVM
- jhDNN
- HA
- convolution
- nvidia
- Qubit
- dnn
- C++
- 반도체기초
- POD
- stl
- FPGA
- 딥러닝
- cloud
- GPU
- sycl
- 양자역학의공준
- kubernetes
- DRAM
- SpMM
- quantum_computing
- CUDA
- 반도체
- 클라우드
- Semiconductor
- deep_learning
- 쿠버네티스
- flash_memory
Archives
- Today
- Total
목록knowledge_distillation (1)
Computing

Deep Learning Challenge 딥러닝 기술이 점점 더 어려운 문제를 해결하기 위해 사용하면서 딥러닝 네트워크의 크기가 매우 커지고 있다. 이번 포스터는 딥러닝 네트워크가 커지면서 발생하는 문제점들과 그 문제를 해결하기 위한 방법을 [1], [2], [3] 자료를 바탕으로 정리하고자 한다. 딥러닝 네트워크는 방대한 양의 parameters을 사용하면서 parameter들이 데이터의 특징을 학습하도록 한다. 딥러닝 기술을 더 복잡한 데이터의 특징을 학습하도록 하기 위해서 점점 더 많은 parameters가 사용되는 딥러닝 네트워크 구조가 제안되고 있다. 이때 어떤 문제를 충분히 잘 해결하는 최적의 딥러닝 네트워크를 찾는 것은 매우 힘들다(애초에 불가능할 수도 있다). 어떤 네트워크가 많은 수의 ..
Deep Learning/Optimization (Algorithm)
2022. 3. 29. 23:55