Summary 🤙
Pytorch에 대한 기본적인 장점과 특징들에 대해 학습했고, ML/DL 프로젝트에서, 모델 중심적인 해석보다, Data 중심적인 관점에서 어떠한 것들이 중요한지에 대해 학습했다.
Keywords 👀
- Pytorch; Dynamic Computation Graph (TODO)
- Pytorch; Autograd (TODO)
- Numpy; Contiguous (TODO)
- Pytorch; Tensor Handling (TODO)
- Pytorch; Matrix Multiply (Pytorch vs Numpy) (TODO)
- Pytorch; mm vs matmul (TODO)
- Pytorch; What is dim?? (TODO)
- Pytorch; Project Template (TODO)
- Pytorch; Dataset, DataLoader (TODO)
- Pytorch; Interaction between Model (TODO)
- Pytorch; Monitoring (TODO)
- Pytorch; Troubleshooting (TODO)
- Pytorch; Ray (TODO)
- MLOps; Multi GPU (TODO)
Tasks 🤷
Topic of Peer Session 🧑🏫
- Transfer Learing, Fine Tuning 🔗 🔗
- Data argumetation [🔗]https://hoya012.github.io/blog/Image-Data-Augmentation-Overview/
- 학습과 파라미터 수의 관계 📃
- contiguous (view, reshape, transpose, permutate)
- expand vs repeat 🔗
Retrospective 👍
- 비교적 익숙한 코딩 영역이라 수월했으나, 파이썬 프로젝트(오픈소스를 포함한)의 구조나, 구현 컨벤션 등이 아직은 다소 낯설어 코드 분석을 하는 것이 용이하지는 않았다. 오픈소스를 자주 보면서 익숙해져야겠다.
- 최성철 교수님의 마스커 클래스의 주제는 Data Centric AI였다.
- 모델 연구는 활발히 진행되고 있으나 점차 안정화되고 충분한 성능을 보이는 모델들이 이미 많이 나온 상태
- 현업에서 비즈니스적 요구에 따라 늘 99프로의 정확성을 요구하는 것은 아닐 수 있다.
- 좋은 모델보다 좋은 데이터가 더욱 중요한 시기가 오고 있다. 따라서 좋은 데이터를 만드는 엔지니어링과 기획이 중요해지고있다.
- 엄밀히 말하면 나는 ML/DL의 가장 가까운 소비자가 되어야 생각한다. 모델 자체에만 매몰되기보다는 실제 비즈니스 영역으로 끌어오는 엔지니어링과, 좋은 데이터를 위한 엔지니어링이라는 관점을 계속 유지하고 캠프생활을 하면 될 것 같다.