모두의연구소는 지식을 나누며 함께 성장하는 국내 최대 AI 커뮤니티입니다.

1. Python: 실제로 병렬로 사용할 수 있는 CPU 코어 수

CPU 집중적인 병렬 프로그램을 실행할 때, 기계의 CPU 코어 수에 맞춰 쓰레드 또는 프로세스 풀을 설정하는 것이 일반적입니다. 적은 수의 쓰레드는 코어를 충분히 활용하지 못하고, 너무 많으면 코어 경쟁으로 프로그램 속도가 느려질 수 있습니다. 그러나 컴퓨터의 CPU 코어 수를 확인하는 것은 복잡하며, 효과적으로 사용할 수 있는 코어 수는 작성한 코드에 따라 달라질 수 있습니다. 이는 파이썬 표준 라이브러리만으로는 충분히 해결되지 않는 문제입니다.

https://pythonspeed.com/articles/cpu-thread-pool-size/

2. DOS 기반 웹 서버 실행해보기

아파치와 엔진엑스는 훌륭한 웹 서버이고, 리눅스와 프리BSD는 이를 실행하기에 훌륭한 시스템입니다. 하지만 DOS에서 웹 서버를 구동하는 것은 어떨까요? 실제로 가능하며, 매우 즐겁습니다. FreeDOS, MS-DOS와 호환되는 무료 오픈 소스 운영 체제를 사용합니다. 이는 MS-DOS보다 과정을 훨씬 쉽게 만들어 줍니다. DOS에서 웹 서버를 운영한다는 것은 재미있는 경험이 될 것입니다.

https://lunduke.locals.com/post/5022504/how-to-run-a-dos-based-web-server-seriously

3. VecFusion: 복잡한 구조 및 스타일을 위한 계단식 벡터 글꼴 생성 신경 아키텍처

VecFusion은 벡터 글꼴 생성을 위한 새로운 신경 아키텍처로, 다양한 위상 구조와 정밀한 제어점 위치를 가진 글꼴을 생성합니다. 이 아키텍처는 래스터 디퓨전 모델과 벡터 디퓨전 모델을 결합한 계단식 디퓨전 모델로 구성됩니다. 래스터 모델은 저해상도의 래스터화된 글꼴을 생성하여 글꼴의 전체적인 스타일과 모양을 캡처하고, 벡터 모델은 이를 기반으로 고해상도 벡터 글꼴을 합성합니다. 벡터 디퓨전 모델은 트랜스포머 아키텍처와 새로운 벡터 표현을 사용해 복잡한 곡선과 다양한 벡터 지오메트리를 정확하게 모델링하고 제어점을 예측합니다. 실험 결과, 이 계단식 벡터 디퓨전 모델은 기존 벡터 그래픽 생성 모델보다 복잡한 구조와 다양한 스타일을 가진 고품질 벡터 글꼴을 생성할 수 있는 능력을 보여줍니다.

https://huggingface.co/papers/2312.10540

4. SCEdit: 이미지 디퓨전 모델의 효율적인 미세 조정을 위한 경량 프레임워크

이미지 디퓨전 모델은 텍스트-이미지 생성 및 제어 가능한 이미지 합성에 널리 사용되며, 최근 연구에서는 원본 모델을 미세 조정하는 튜닝 방법을 통해 구체적인 적용에 유망한 결과를 보여주었습니다. 이 연구는 U-Net의 스킵 연결과 장거리 정보 집계가 이미지 생성의 내용과 품질에 중요한 영향을 미치는 것을 발견했습니다. 이에 따라 SCEdit라는 새로운 프레임워크를 제안합니다. SCEdit는 SC-Tuner라는 경량 튜닝 모듈을 사용하여 스킵 연결을 통합하고 편집하며, 다양한 조건을 주입하여 제어 가능한 이미지 합성으로 확장합니다. 소니의 SCEdit는 역방향 전파를 디코더 블록으로만 제한함으로써 훈련 매개변수, 메모리 사용량 및 계산 비용을 줄입니다. 텍스트-이미지 생성 및 제어 가능한 이미지 합성 작업에 대한 실험을 통해 이 방법의 효율성과 성능이 입증되었습니다.

https://huggingface.co/papers/2312.11392

---

🥇K-디지털 트레이닝 훈련 기관 유일!

대통령 표창 수상한 모두의연구소의 SW/AI 교육

7만 여명의 수강생 평점 4.8 제주코딩베이스캠프와 함께!

‘인공지능(AI) 모델 활용 백엔드 개발 과정’ 무료 지원하기: https://bit.ly/3SZC9Ts