전체 글 (12) 썸네일형 리스트형 LG Qmemo txt로 변환하기 (코드첨부) 나름의 신념을 가지고 LG폰을 사용하였으나 카메라 성능과 액정나감 등의 이유로 결국 갈아타고 말았다. 그래도 아직 갓드로이드는 포기할 수 없어서 갤럭시를 샀다. 사용하던 메모를 옮기려다 보니 ㅎㅎ 호환이 안되는 것을 발견~ 확장자를 확인해보니 .lqm이라는 처음보는 이름이다. 엘지 q memo겠지? zip으로 변경하고 보니 json 비스무리한 게 나와서 그냥 json parsing하듯 txt로 변환하는 코드를 짰다.. 엄청 간단한 정도지만.. Python이고 리눅스에서 사용가능하다. (그치만 python쓰고 리눅스를 사용하는 사람 중 LG폰을 쓰는 사람은 없겠지?) 일단 첨부 여러분 메모할 땐 에버노트 쓰세요 ^^! Improved Regularization of Convolutional Neural Networks with Cutout 리뷰 자료 [ICCV 2017]Flow-Guided Feature Aggregation for Video Object Detection 리뷰 자료 [ICCV2019] Vehicle Re-Identification With Viewpoint-Aware Metric Learning 리뷰 자료 ICCV 2019에 나온 Vehicle Re-Identification with Viewpoint-Aware Metric Learning 를 리뷰하여 보았다. Pocketflow Multi-GPU 환경 세팅 with Docker (1) Pocketflow 에서 Multi-GPU를 돌리기 위해서는 docker / seven 환경을 이용해야 한다고 되어 있다. 그러나, seven 은 Pocketflow를 개발한 tecent의 내부 tool을 이용하기 때문에 실제로는 사용할 수 없다. 따라서 본 포스팅은 docker 를 활용하여 multi-gpu 버전 pocketflow 환경을 세팅하는 과정을 서술한다. docker는 일종의 가벼운 VM인데, 이에 대해 설명하려면 포스팅이 너무 길어지므로 docker에 대하여 어느정도 알고 있다고 가정하고 서술하였다. 본격적인 설명 전에 짚고 넘어가야 하는 부분이 있다. Pocketflow의 Tutorial site는 현재 시점(2019-12-27)에서는 참고할 만한 것이 못된다. Pocketflow 개발사.. Horovod + tensorflow 설치 및 세팅까지 (1) 필요한 framework에서 Multi-Gpu 환경을 돌리려던 중, Horovod라는 것을 사용한다고 하여 알아보기 시작하였다. 본 포스팅에서는 Horovod가 무엇이고 왜 생겼는지를 정리하였다. 구체적인 세팅은 다음 포스팅에 적을 예정이다. Horovod란, AI/딥러닝 커뮤니티 중 하나인 LF AI Foundateion(이후 LF AI)에서 만든 오픈 소스 프로젝트이다. 그럼 얘가 도대체 왜 생긴걸까? 한마디로 정리하자면, 좀더 쉽고 빠른 training 을 위해서이다. Horovod는 single-GPU TF 프로그램을 "distributed" mode로 바꾸어 다수 GPU에서 training시키는 것을 목적으로 한다. 이때, 프로그램을 "distributed" 하게 만든다고 할 때 새로 대두되는 .. mpi4py 오류 해결 log PocketFlow 에 필요한 mpi4py >= 3.0 을 설치하려다 오류가 발생하여 해결하는 과정을 log 로 남기려 한다. anaconda environment에서 발생 ERROR: Command errored out with exit status 1: command: /home/**/.conda/envs/pocketflow/bin/python -u -c 'import sys, setuptools, tokenize; sys.argv[0] = '"'"'/tmp/pip-install-u6ash82_/mpi4py/setup.py'"'"'; __file__='"'"'/tmp/pip-install-u6ash82_/mpi4py/setup.py'"'"';f=getattr(tokenize, '"'"'open'"'".. NetAdapt: Platform-Aware Neural NetworkAdaptation for Mobile Applications 요약 MIT, Google에서 작성. 1. latency budget에 맞춰서 layer-wise filter reduction 2. iteration(convex 문제 처럼) 으로 optimize 3. latency는 empirically 얻은 layer-wise LUT를 사용 →mobile CPU/mobile GPU 가 대상. →실제로 Google Pixel 폰과 Galaxy S8에 돌려보았고, 후자의 경우 snap dragon benchmark Tool 을 사용 Review 1. HW 내부 구조를 전혀 고려하지 않았으나 결국 실제로 돌린 direct metric을 사용하니까 효과는 확실하다. 논문에서도 이를 장점으로 삼고 있고. 그러나 HW가 달라지면 LUT만드는 작업이 또 필요할 것이며 HW가 fix되.. 이전 1 2 다음
