![[Nanochat 분석하기] 9. 평가와 배포](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2F11k7hfqk%2Fproduction%2Fdb67e429abb1584576d6b9635b65481147d95d82-1200x630.jpg%3Fw%3D800%26auto%3Dformat&w=1920&q=75)
📧 뉴스레터
새로운 강의와 기술을 가장 빠르게 받아보세요
📧 뉴스레터
새로운 강의와 기술을 가장 빠르게 받아보세요
신규 강의, 최신 논문, 새로운 기술 소식을 이메일로 가장 먼저 전달해드립니다.
언제든 구독을 취소할 수 있습니다.
신규 강의, 최신 논문, 새로운 기술 소식을 이메일로 가장 먼저 전달해드립니다.
언제든 구독을 취소할 수 있습니다.
![[Nanochat 분석하기] 1. $100로 시작하는 LLM 여정](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2F11k7hfqk%2Fproduction%2F0da6730016692702fd5999f34d1796fe03d4ebe2-1200x630.jpg%3Fw%3D600%26auto%3Dformat&w=1200&q=75)
nanochat 프로젝트로 배우는 LLM 구축 완벽 가이드 - 토크나이저 훈련부터 웹 서빙까지 전체 파이프라인을 직접 구현하며 배웁니다.
VAE로 48배 압축, CLIP으로 텍스트 이해, CFG로 품질 향상. Stable Diffusion의 전체 파이프라인을 코드로 구현합니다.
Rectified Flow와 Linear Attention으로 메모리 복잡도를 O(N²)에서 O(N)으로! 32배 압축 DC-AE와 0.6B 파라미터로 4K 해상도를 실시간 생성합니다.
CLIP 대신 T5-XXL을 사용하는 MMDiT 아키텍처! AdaLN-single, RoPE, 그리고 DPM-Solver로 20 스텝 만에 4K 이미지를 생성합니다.
UNet의 복잡한 구조를 버리고 Pure Transformer로! Patchify, AdaLN, Cross-Attention을 통해 확장 가능하고 단순한 Diffusion 아키텍처를 구축합니다.
DDPM은 1000 스텝이 필요하지만 DDIM은 50 스텝으로 동일한 품질을 달성합니다. Non-Markovian process와 deterministic sampling의 원리를 이해하고 직접 구현합니다.
Denoising Diffusion Probabilistic Models (DDPM)은 어떻게 노이즈에서 이미지를 생성할까? Forward process, Reverse process, 그리고 U-Net을 직접 구현하며 Diffusion의 수학적 원리를 완벽하게 이해합니다.
![[Nanochat 분석하기] 8. 대화형 AI 만들기](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2F11k7hfqk%2Fproduction%2F0931caf127eb625e2b3cfe542db322dd8065fd87-1200x630.jpg%3Fw%3D600%26auto%3Dformat&w=1200&q=75)
![[Nanochat 분석하기] 7. 3배 빠른 훈련 최적화](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2F11k7hfqk%2Fproduction%2F0546ad23fa944d949486de59c2d5c86b2bdd1037-1200x630.jpg%3Fw%3D600%26auto%3Dformat&w=1200&q=75)