Presented By
GTCx LogoMenu
Presented by

DLI Training Lab 참가 안내

Presented by

DLI Training Lab 은 NVIDIA의 글로벌 딥 러닝 교육 프로그램인 NVIDIA Deep Learning Institute(DLI)의 일환으로 진행되며, 전문적으로 훈련받은 최고의 딥 러닝 전문가들로부터 교육을 받게 됩니다.

이번 GTCx Korea 2016에서 진행되는 DLI Training Lab에 참여하고 교육 과정을 수료하신 모든 분들께는 NVIDIA가 전 세계적으로 발급하고 있는 Deep Learning Institute(DLI) 공식 인증서와 기념 티셔츠를 수여할 예정입니다. GTCx Korea 2016에 참여하고 오직 소수의 딥 러닝 연구원분들께만 주어지는 NVIDIA 글로벌 공식 인증서와 기념 티셔츠를 받아가시기 바랍니다.

NVIDIA Deep Learning Institute (DLI)
글로벌 공식 인증서 발급

NVIDIA Deep Learning Institute (DLI)
기념 티셔츠 제공


DLI Training Lab 준비 사항

DLI Training Lab (실습) 참가를 위해서는 본인의 노트북(Windows, Mac, Linux / Wifi / 크롬 브라우저)을 소지하고 오셔야 하며, 아래 사전 세팅 사항을 완료하셔야 합니다.

- 사전 세팅 사항

  1. 크롬 브라우저 최신 버전 설치
  2. nvidia.qwiklab.com 에서 신규 가입
  3. 이메일 인증 완료(가입하면 confirm 메일을 받아서 활성화해야 함)
  4. 가입 완료 확인
  5. 가입한 ID (E-mail), 이름, 전화 번호를 kor_nvidia@naver.com 으로 보내 주셔야 합니다.
    * 반드시 등록 당시 정보와 동일해야 합니다.

사전 세팅 사항 상세 가이드 -QWIKLAB 사용법 포함

다운로드

DLI Training Lab 교육 내용

시간

프로그램

10:30 - 12:00

물체 감지(Object Detection)를 위한 딥 러닝 (End-to-end Series Part 1)

NVIDIA KOREA 류현곤 부장

딥 러닝이 화상분류(image classification)에 어떻게 적용되는지에 대한 기본적 이해를 바탕으로 본 랩(Lab)에서는 대상물체가 이미지 안에 존재함을 감지하고 이미지 내 그 정확한 위치를 인식하는 보다 어려운 과제를 해결하기 위한 몇 가지 접근 방식을 다룬다. 이와 관련해 심층신경망(DNN) 훈련을 위한 수많은 방식이 등장해왔고, 모델 훈련 시간, 모델 확성 및 배치시의 감지 속도 등의 면에서 각기 장단점을 보여주었다. 본 랩의 수강자는 이와 같은 방식들의 상대적 장점을 배우게 되고, NVIDIA DIGITS를 이용해 훈련된 최첨단 물체 감지 네트워크를 까다로운 실제 데이터세트에 적용해보게 된다.

13:00 - 14:30

화상 분할(Image Segmentation)을 위한 딥 러닝

NVIDIA KOREA 한재근 과장

이미지 내 개별 물체 감지를 뛰어넘어 이미지를 관심 영역 단위로 분할할 수 있어야 하는 다양한 중요 어플리케이션들이 있다. 예를 들어 의료 영상 분석에서는 조직, 혈액, 또는 비정상세포의 타입별로 픽셀을 분리해 특정 장기를 분리할 수 있어야 한다. 본 랩에서는 텐서플로(TensorFlow) 딥러닝 프레임워크와 의학영상 데이터세트를 이용해 영상 분할 네트워크를 훈련하고 평가해 본다.

14:40 - 16:10

의료 영상 분석을 위한 딥 러닝

NVIDIA KOREA 한재근 과장

나선형 신경망(CNN)은 표준 RGB 카메라 화상만큼이나 비시각적 이미지 유형을 포함하는 시각 인식 작업에 효과적이며, 이는 이미 입증된 사실이다. 이러한 기능을 의료 영상 분석에 적용해 병증 진단에 도움이 되는 단서들을 찾을 수 있다. 의료 영상 분석에서는 CT 스캔, MRI 등 이온화 및 비이온화 화상 처리 이외에도 부피 측정 및 시간적 요소까지 고려한 보다 높은 차원수의 화상까지 처리해야 한다. 본 랩에서는 MXNet 딥 러닝 프레임워크를 이용, 부피 측정 MRI 데이터의 시계열 분석을 통해 인간 심장의 죄심실 부피를 추론하도록 CNN을 훈련시킨다. 표준 2D CNN을 확장해 이처럼 보다 복잡한 데이터에 적용하고, 화상 분류 대신에 직접적으로 심실 부피를 예측하는 방법에 대해 학습할 것이다. 표준 Python API 이외에도 의학 연구 관련 중요한 데이터 과학 플랫폼인 R을 통해 MXNet을 사용하는 방법에 대해서도 배우게 된다.

16:20 - 17:50

딥 러닝 네트워크 배치 (End-to-end Series Part 2)

NVIDIA KOREA 류현곤 부장

딥 러닝 소프트웨어 프레임워크는 GPU 가속을 이용해 심층신경망(DNN)을 훈련시킨다. 그렇다면 훈련이 끝난 DNN은 어떻게 되는가? 훈련된 DNN을 새로운 테스트 데이터에 적용하는 프로세스를 흔히 ‘추론(inference)’ 또는 ‘배치(deployment)’라고 부른다. 본 랩에서는 추론을 위해 훈련된 DNN을 배치하는 3가지 다른 방식을 테스트 해본다. 첫 번째 방식인 딥 러닝 프레임워크는 DIGITS와 Caffe 내 추론 기능을 직접적으로 사용한다. 두 번째로 딥 러닝 프레임워크 API 역시 Caffe를 이용하되, Python API를 통해 커스텀 어플리케이션 내 추론 기능을 통합하는 방식이다. 마지막으로 NVIDIA GPU Inference Engine(GIE)을 이용하는 방식이 있다. GIE는 훈련된 Caffe 모델과 네트워크 기술(network description) 파일에서 최적화된 추론 런타임을 자동으로 생성한다. 추론 성능과 관련한 배치 사이즈(batch size)의 역할 뿐 아니라, 추론 과정에 적용 가능한 최적화 방법에 대해서도 배울 수 있다. 더불어 다른 DLI 랩에서 훈련된 다양한 DNN 아키텍처의 추론 또한 탐구하게 될 것이다.