Embedded Files
금 13:30 - 16:15(전 B05호)
수업 목표
(전반부) 기계학습의 기초 이론 학습 및 구현 실습
(전반부) 딥러닝 라이브러리를 이용한 딥러닝 모델링 및 최적화 기법 실습
(후반부) 다양한 딥러닝 응용에 대한 실습 제공
(후반부) C++를 이용하여 CNN 모델을 밑바닥 부터 구현
(후반부) OpenMP/CUDA 등 병렬처리 프로그래밍 기법 및 딥러닝 모델 병렬화 구현
중간-팀 프로젝트(30%)
유형: Leader board를 이용한 competition 수행
목표: 주어진 조건에서 모델의 성능 최대화
평가방식: 최종순위(20) + 보고서(10) [보고서 Template]
보고서 제출: 11월 28일까지 e-campus 제출
최종 순위 제출: 프로젝트 마감 (11월 20일) 후 11월 21일 까지 조교에게 스크린 캡쳐본 제출
상위 순위팀(1~5위)은 발표(10분 발표, 10분 질의응답), (단, 1위 팀은 15분 발표, 10분 질의응답)
기말 시험(40%)
'VGG 구현' 부터 전 범위
마스크착용, 필기도구/계산기/신분증 지참할 것
Closed book 시험임
과제(23%)
총 13회(매주) 과제가 부과됨 (13%)
제출기간: 해당 과제의 수업시작 시간으로부터 1주일 (예를 들어, 1월 1일 9사 수업에 배포된 과제는 1월 8일 9시 까지 제출)
Mini Project: C++ 및 OpenMP를 이용한 CNN forward pass 구현, 기간: 2주 (10%)
출석 및 태도 점수(7%)
1회 결석 (-2점), 1회 지각 (-1점), 2.5회 이상 결석시 F(학칙에 의거함), (참고: 수업 후 1시간 15분 이후 참석의 경우 결석으로 간주)
수업에 적극적 참여시 최대 3점 추가점수 부여
윤리적 위반(수업 퇴출 및 학칙 적용)
치팅
(모델 학습 시) Test data를 학습에 사용한 경우
참고 자료
주교재1: PyTorchZeroToAll (Sung Kim 교수)
주교재2: Hands-on Introduction to OpenMP (Mattson, et al.)
주교재3: CUDA C++ Programming Guide (NVidia)
주교재4: CUDA 기반 GPU 병렬처리 프로그래밍(김덕수 교수)
GPU 활용가이드
기본적으로 대부분 딥러닝 모델은 Google Colab에서 제공하는 GPU를 활용해서 학습이 가능합니다(Google Colab은 사용이 매우 편리합니다)
중대규모 데이터를 이용한 딥러닝 모델 학습이 필요한 경우 학교 공용 GPU 클러스터를 사용할 수 있습니다.
공용 GPU클러스트 사용을 위한 [웹사이트]
Week 01
Week 02
03/13(금): 2장. 파이썬 및 구글코랩 사용법, [부록], [세라프 사용법], Lab#02
Week 03
Week 04
Week 05
Week 06
Week 07
04/17(금): VGG 구현, Lab#07(PPT에 첨부), 중간 프로젝트 시작
Week 08
04/24(금): ResNet 구현 , Lab#08(PPT에 첨부)
Week 09
05/01(금): [CPU 병렬처리] OpenMP 기초1, Lab#09
Week 10
05/08(금): [CPU 병렬처리] OpenMP 기초2, Lab#10
Week 11
05/15(금): [CPU 병렬처리] OpenMP 기초3, Mini Project(C++ 및 OpenMP를 이용한 CNN forward pass 구현, 2주), 중간 프로젝트 순위 제출 마감
Week 12
05/22(금): [GPU 병렬처리] CUDA 프로그래밍(GPU 병렬화) 기초1, Lab#11
중간 프로젝트결과 발표 (1, 2, 3, 4, 5위 팀), 중간 프로젝트 보고서 마감 [중간 프로젝트 보고서 Template]
Week 13
05/29(금): [GPU 병렬처리] CUDA 프로그래밍(GPU 병렬화) 기초2, Lab#12
Week 14
06/05(금): [GPU 병렬처리] CUDA 프로그래밍(GPU 병렬화) 기초3, Lab#13
Week 15
06/12(금): 기말시험
Page updated
Report abuse