원문 보기(클릭)

Deep Learning: A Technique of Machine Learning

전통 머신 러닝은 개발자가 컴퓨터에게 define된 data set을 주고 잘못된 결과가 나오면 알고리즘을 저장하는 형태였음
딥러닝은 머신 러닝의 subset으로 undefine된 data로 분석(parse)하여 트레이닝 중인 데이터에 대해 학습함
딥러닝은 개발자의 알고리즘 재조정이 필요 없는 대신 더 좋은 성능(performance)를 위해 큰 data set이 필요함

Delving Further into Deep Learning

large sets of data는 훈련되지 않은 Neural Network으로 계산되며, 과정 중에 각 레이어의 가중치(weight)를 조정하여 데이터의 중요한 지표(feature)를 인식함
무게(weight) 조정은 NN(Neural network)이 task를 처리하는 성능을 발전시키는 데 중요함
이 과정에 높은 computiational power가 필요

Difference between Training and Inference of Deep Learning Frameworks

추론(Inference)은 훈련(training)과 달리 결과에 의한 조정이나 재평가가 필요 없음
훈련된 neural netwrok model의 지식으로 추론 결과를 내는 것
모르는 데이터 세트가 훈련된 neural network model로 입력되면 해당 neural network의 정확도를 기반으로 예측을 내놓음
⇒ 추론은 훈련된 neural network model이 필요, 훈련 후에 추론이 이루어짐

Important aspects of Inference

딥러닝 시스템이 추론에 이용되지만, 추론의 중요한 측면이 딥러닝 시스템을 ideal하지 않게 만듬
딥러닝 시스템은 많은 양에 데이터를 다루고 neural network를 재평가하는 데 최적화되어 있고, 높은 성능의 컴퓨팅 성능을 요구함 = 많은 에너지와 cost 소모
추론은 data set이 더 적을 수는 있지만 많은 장치로 하이퍼스케일링 됨

parses 분석하다
computing: to examine computer data and change it into a form that can be easily read or understood :

delve into 깊이 파고들다 (digging 처럼 사용되는 듯)
to search, especially as if by digging, in order to find a thing or information:

hyperscale
분산된 컴퓨팅 환경을 수천 개의 서버로 확장할 수 있는 완전한 하드웨어 및 시설의 조합. 이름에서 알 수 있듯이 하이퍼스케일은 일반적으로 빅 데이터 또는 클라우드 컴퓨팅 용도로 컴퓨팅에서 이루어지는 대규모 확장에 관한 모든 것을 의미한다고 함.. (무슨 말인지 모르겠음)