![[264] large scale deep-learning_on_spark](https://cdn.slidesharecdn.com/ss_thumbnails/246large-scaledeeplearningonspark-150915055051-lva1-app6891-thumbnail.jpg?width=560&fit=bounds)
![[H3 2012] Local based SNS를 이용한 타겟 마케팅](https://cdn.slidesharecdn.com/ss_thumbnails/d1-localbasedsnsdata-121105215925-phpapp02-thumbnail.jpg?width=560&fit=bounds)
![[Td 2015]너에게만 나는 반응해 반응형 응용프로그램(이규원)](https://cdn.slidesharecdn.com/ss_thumbnails/td2015-151104051723-lva1-app6892-thumbnail.jpg?width=560&fit=bounds)
![[F2]자연어처리를 위한 기계학습 소개](https://cdn.slidesharecdn.com/ss_thumbnails/f2-120919022113-phpapp02-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Viewers also liked (20)
인공시각 인지기술을 활용한 11번가 유사 의류영상 검색 시스템
- 1. 인공시각 인지기술을 활용한 11번가 유사 의류영상 검색 시스템 김태완M Machine Intelligence Lab. taey16@sk.com 2016. 01. 28.
- 2. 1 목차 다층 인공신경망 모델을 통한 11번가 비슷한 의류 영상 검색
- 3. 안드로이드/iOS 11st 앱에 탑재: 실시간검색: https://youtu.be/jygAbwhN1f0 브랜드11: https://www.youtube.com/watch?v=oAU_AATfK50&feat ure=youtu.be
- 4. 3 다층 인공신경망을 활용한 상품이미지 검색 다층 인공신경망을 활용한 11번가 의류상품 검색 박지민M 전혁준M
- 5. 4 11번가 의류상품 검색을 위한 중복영상 제거 나상일M 입력영상 라돈변환(sinogram) 이진화 중복 군집화 중복 영상 검출결과 필요성: - 불필요한 이미지의 색인, 저장, 검색을 줄이기 위해 - 검색결과의 다양성 재고
- 6. 5 다층 인공신경망을 활용한 상품이미지 검색 다층 인공신경망을 활용한 11번가 의류상품 검색 박지민M 전혁준M
- 7. 6 다층 인공신경망을 활용한 상품이미지 검출 다층 인공신경망을 활용한 11번가 의류상품 검색 http://175.126.56.112:15002 http://175.126.56.112:15002 김문기M 박준영M 12개의 카테고리에 대한 의류 위치를 검출하기 - 대략 100만장을 학습 데이터로 사용 - 한대의 컴퓨터(gpu)에서 10일 소요 - 5 convolution + 2 fully-connected hidden 검출이란 이미지내에 어떤 물체(what)가 어느 위치(where)에 있는지 찾는 것
- 8. 7 다층 인공신경망을 활용한 상품이미지 검출 – 카테고리 분류를 위한 네트워크와 물체의 위치를 찾기 위한 네트워크가 CNN 네트워크를 공유하면서 동시에 학습을 수행 (a.k.a Multi-task learning) 다층 인공신경망을 활용한 11번가 의류상품 검색 김문기M 박준영M CNN 카테고리분류 네트워크 위치검출 네트워크 Cross-entropy loss Regression loss Gradient flow Data flow
- 9. 8 다층 인공신경망을 활용한 상품이미지 검색 다층 인공신경망을 활용한 11번가 의류상품 검색 박지민M 전혁준M
- 10. 9 검출된 위치에서 해당 의류에 대한 특징추출 모듈 훈련 – 2개의 GPU를 통한 병렬학습수행 (a.k.a data-parallel synchronous stochastic gradient descent) 다층 인공신경망을 활용한 11번가 의류상품 검색 김문기M 박준영M CNN 원본 data shard CNN 복사본 data shard GPU0 GPU1
- 11. 10 검출된 위치에서 해당 의류에 대한 특징추출 모듈 훈련 – 2개의 GPU를 통한 병렬학습수행 (a.k.a data-parallel synchronous stochastic gradient descent) 다층 인공신경망을 활용한 11번가 의류상품 검색 김문기M 박준영M CNN 원본 data shard CNN 복사본 data shard GPU0 GPU1
- 12. 11 검출된 위치에서 해당 의류에 대한 특징추출 모듈 훈련 – 2개의 GPU를 통한 병렬학습수행 (a.k.a data-parallel synchronous stochastic gradient descent) 다층 인공신경망을 활용한 11번가 의류상품 검색 김문기M 박준영M CNN 원본 data shard CNN 복사본 data shard GPU0 GPU1
- 13. 12 검출된 위치에서 해당 의류에 대한 특징추출 모듈 훈련 – 2개의 GPU를 통한 병렬학습수행 (a.k.a data-parallel synchronous stochastic gradient descent) 다층 인공신경망을 활용한 11번가 의류상품 검색 김문기M 박준영M CNN 원본 data shard CNN 복사본 data shard GPU0 GPU1 Gradient 전송
- 14. 13 검출된 위치에서 해당 의류에 대한 특징추출 모듈 훈련 – 2개의 GPU를 통한 병렬학습수행 (a.k.a data-parallel synchronous stochastic gradient descent) 다층 인공신경망을 활용한 11번가 의류상품 검색 김문기M 박준영M CNN 원본 data shard CNN 복사본 data shard GPU0 GPU1 Parameter 전송
- 15. 14 검출된 위치에서 해당 의류에 대한 특징추출 모듈 훈련 – 2개의 GPU를 통한 병렬학습수행 (a.k.a data-parallel synchronous stochastic gradient descent) 다층 인공신경망을 활용한 11번가 의류상품 검색 김문기M 박준영M CNN 원본 data shard CNN 복사본 data shard GPU0 GPU1 NVIDIA NCCL Universal Virtual Addressing(UVA) NVIDIA GPUDirectTM PCIe NVIDIA, NVIDIA GPUDirect Technology NCCL: Acdelerated Multi-GPU collective communication
- 16. 15 검출된 위치에서 해당 의류에 대한 특징추출 모듈 훈련 – 대략 100만건의 학습 데이터 – 2 gpu를 사용하여 병렬처리하여 대략 6일 소요 – 45 convolutions 추출된 특징추출 벡터에 대한 해싱 수행 – CNN 모델에서 학습한 bias vector를 활용하여 이진화를 수행 – 하나의 쿼리 벡터(9216 차원)에 대해 100만 샘플을 검색하는데 걸리는 시간: 160ms 다층 인공신경망을 활용한 11번가 의류상품 검색