ghost
개인 웹서버에 Ghost가 설치되어 있다고 가정하고 시작한다.[1] 일단 개인 웹서버의 ip주소가 123.123.123.123 뭐 이렇게 되어있다고치면 80포트가 열려있어야한다. 웹에서 http://123.123.123.123 로 접속하면 사실은 http://123.123.123.123:80 으로 접속한다. 근데 만약에 내 개인 웹서버에 여러 블로그나 다른 웹서버를 운영하고 싶다면? 80포트가
kinect
Kinect Physcis Tutorial 을 해보았다. 아까의 링크를 따라했는데 지금 사용하고 있는 코드 버젼이랑 다른 것 같다. 예를 들어, // declare SimpleOpenNI object SimpleOpenNI context; 로 context를 정의하고, context.enableScene() 같은 함수는 현재 쓰고있는 Processing 2.2.1 버전에서는 다른 API로 제공되는 듯하다. if (!context.enableScene()) { println("Kinect not connected!"
kinect
Kinect v1 Kinect v2 둘의 자세한 비교는 이곳 블로그에 잘 소개되어있다. 두개 다 성공적으로 연결시킬 수 있었는데, 확실히 v2가 더 성능이 좋았다. 보통 윈도우에 연결시키는 후기들은 많아서 윈도우, 키넥트 둘다 MS꺼니까 나는 맥북프로를 쓰기 때문에 이걸 시도해봤다. 내가 쓰는 맥북프로는 OSX Elcapitan v10.11.3에서 테스트했다. TEDxSNU의 Interactive Session같은 거로
GPGPU
CUDA 프로그램은 같은 일을 하더라도 구현 방식(알고리즘)에 따라 천차만별의 성능을 보인다. 그 중 Memory Model를 모르면 정말 프로그램이 한참 느려진다. CUDA Memory Model 이를 위해 가장 먼저 알아야 하는 것이 memory model 이다. CUDA 에는 여러가지 사용할 수 있는 여러가지 메모리가 있다. 가장 중요한 것은 global memory 와
GPGPU
지난번에 소개한 GPGPU Simulation 의 실제 예를 보여주겠다. GPGPU-sim gpgpu-sim 홈페이지에 가보면, 메뉴얼을 보고 코드를 다운 받을 수 있다. 리눅스에서 설치 및 실행이 가능하고, CUDA는 최신 버전을 지원하지 않는다.... 간단하게 돌린 예를 한번 보여드림. 커널이 끝난 후의 결과이다. 커널이 총 몇개의 instruction 인지 몇 cycle이나 걸렸는지를 비롯하여, 어느
Detection
Computer Vision에서 Detection 이란 image에서 물체를 탐지해서 대부분의 경우 Bounding Box로 물체위치를 표시하고 무엇인지 notation을 한다. 주로 VOC Pascal 데이터셋을 사용하는데, 영상에서 모든 물체를 다 표기하긴 어렵고, 대표적인 물체 20가지를 탐지하게 한다. Classification은 단순히 물체가 영상에 하나가 있다고 가정하고 그 물체가 무엇인지 분류하는 문제인데, 이제 성능이 saturate되었다. 반면 Detection은 물체위치도
GPGPU
Simulation Simulation을 이용하면 GPU없이 CPU만으로도 CUDA (OpenCL) 코드를 돌려볼 수 있다. (물론 emulation 만으로도 가능하다.) CPU 에서 GPU의 동작을 소프트웨어로 구현 simulator 들이 있다. 대표적으로 gpgpu-sim 과 multi2sim 이 있다. Verilog로 구현되어 CPU가 아닌 FPGA에서 GPU를 직접 구워볼수 있는 miaowgpu 도 있다. Simulation의 용도 이러한 simulation은 사실 GPU가 없는
selfie
이 글은 Karpathy의 간단한 실험이 재밌어서 한글로 옮긴 글이다. What a Deep Neural Network thinks about your #selfie 딥러닝 블로거인 Andrej Karpathy가 간단한 실험을 했다. 좋은 셀카란 무엇일까? 를 딥러닝에서 CNN으로 학습하였다. 기술이 새로운건 아닌데 실험내용이 재밌다. 데이터는 Instagram에서 #selfie로 크롤링해서 적어도 얼굴 하나는 있는 사진 2,000,000장 사진을
GPGPU
GPGPU란?? - 2부 GPGPU를 위한 GPU 구조 지난 1부에서 언급한 것 과 같이 GPU는 그래픽 처리를 위한 하드웨어이고 그래픽 처리는 대량의 data-level-parallelism 을 가진다. 따라서, 기본적으로 SIMD 형태의 구조를 가진다. (SIMD = Single Instruction Multiple Data) 위 그림 처럼 하나의 instruction을 여러개의 ALU가 동시에 여러 데이터를 처리 하는 것을 SIMD
GPGPU
GPGPU (General Purpose computation on GPU) 란?? GPU 부터 알아보자 (간단하게) GPU (Graphics Processing Unit) 은 다들 알겠지만 Graphics 연산을 위한 전용 하드웨어이다. 보통 외장 그래픽카드에 달린 가운데 큰 칩이다. (그래픽카드는 GPU가 아니라 GPU와 메모리가 같이 달린 보드임.) 요즈음에는 CPU에도 내장 GPU가 같이 달려나온다. Intel Core CPU 계열에는 HD graphics
IPIU
발가락이 닮았다: Finding Face Lookalikes using CNN 논문 개요 초록 한문장씩 from 서론 본론 실험 결론 futurework 1. 서론 흥미 유발. 모티베이션. 왜했는가 * Face Verification, Identification 의 역사. 적용 분야. * Face lookalikes Our brain compute the complex features in face and decide whether the two faces look alike or not.
GPU SPMD model implemented by a SIMD processor SIMD vs SIMT * SIMD: a single sequential instruction stream of SIMD instruction * SIMT: Multiple instruction streams of scalar instructions Grouping thread into warp --> advantage of SIMD Independent execution of threads --> advantage of SPMD VLIW * simple hardware (no dynamic scheduling, dependency