<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>딥러닝 on 워프스페이스 블로그</title><link>http://blog.caveduck.io/ko/tags/%EB%94%A5%EB%9F%AC%EB%8B%9D/</link><description>Recent content in 딥러닝 on 워프스페이스 블로그</description><generator>Hugo -- 0.154.5</generator><language>ko-KR</language><lastBuildDate>Mon, 06 Jul 2026 00:00:00 +0000</lastBuildDate><atom:link href="http://blog.caveduck.io/ko/tags/%EB%94%A5%EB%9F%AC%EB%8B%9D/index.xml" rel="self" type="application/rss+xml"/><item><title>뉴럴넷 컴파일, 쉽게 이해하기 — 파이토치 모델이 하드웨어 언어가 되기까지</title><link>http://blog.caveduck.io/ko/posts/neural-net-compilation/</link><pubDate>Mon, 06 Jul 2026 00:00:00 +0000</pubDate><guid>http://blog.caveduck.io/ko/posts/neural-net-compilation/</guid><description>&amp;lsquo;모델을 컴파일한다&amp;rsquo;는 게 정확히 무슨 뜻일까? eager 실행과의 차이부터 그래프 캡처·연산 융합·커널 lowering·정적 shape·메모리 계획까지, 그림과 인터랙티브 데모로 차근차근 풀어봅니다.</description></item><item><title>경량화 시리즈 #3 — 뉴럴넷 프루닝</title><link>http://blog.caveduck.io/ko/posts/neural-net-pruning/</link><pubDate>Mon, 27 Apr 2026 00:00:00 +0000</pubDate><guid>http://blog.caveduck.io/ko/posts/neural-net-pruning/</guid><description>1989년 LeCun의 Optimal Brain Damage에서 시작해, 가중치를 잘라내(pruning) 모델을 줄이는 이야기. 무엇을·어떻게·얼마나 자르나, 재학습으로 95%까지 잘라도 버티는 압축의 놀라움, 그리고 하드웨어(NVIDIA 2:4)가 받쳐줘야 실이득이라는 것까지 — MNIST MLP로 직접 측정한 plot과 함께.</description></item><item><title>경량화 시리즈 #2 — 뉴럴넷 양자화</title><link>http://blog.caveduck.io/ko/posts/neural-net-quantization/</link><pubDate>Mon, 20 Apr 2026 00:00:00 +0000</pubDate><guid>http://blog.caveduck.io/ko/posts/neural-net-quantization/</guid><description>학습된 32비트 신경망 가중치를 K-Means(비균등)와 Linear(균등, 정수 연산) 두 방식으로 2~8비트까지 줄여봅니다. 아핀 매핑 r=S(q−Z)부터 압축비·정확도 트레이드오프까지, MNIST MLP로 직접 코드를 돌려 측정한 plot과 함께.</description></item><item><title>경량화 시리즈 #1 — 딥러닝 데이터타입</title><link>http://blog.caveduck.io/ko/posts/deep-learning-data-types/</link><pubDate>Mon, 13 Apr 2026 00:00:00 +0000</pubDate><guid>http://blog.caveduck.io/ko/posts/deep-learning-data-types/</guid><description>INT8, FP16, BF16, FP8(E4M3/E5M2), FP4 — 딥러닝 모델 카드에 쏟아지는 데이터타입들이 실제로 무슨 뜻인지, 비트가 어떻게 숫자로 해석되는지 하나씩 뜯어봅니다. 비트를 직접 클릭하면 계산식과 값이 실시간으로 바뀌는 위젯과 함께.</description></item></channel></rss>