Darknet BatchNorm의 mini-batch, rolling 통계, gamma, beta, cache와 backward 순서를 따라 학습, 추론 차이와 포팅 실패 조건을 설명합니다.

Darknet avgpool layer가 채널별 h×w 전체를 평균내는 Global Average Pooling인 근거와 shape, index, gradient 누적 검증법을 설명합니다.

Darknet activation layer의 forward, backward와 enum dispatch를 따라가며 출력 기반 미분 계약, delta 누적, finite difference 검증법을 설명합니다.

YOLOv4의 Bag of Freebies와 Specials를 학습 전용 비용과 추론 latency로 구분하고, Mosaic, CIoU, SPP, PAN 적용 순서를 설명합니다.

YOLOv3의 세 scale 출력 tensor, anchor 배분, BCE 기반 다중 label, upsample, concatenate와 작은 객체 디버깅 기준을 설명합니다.

YOLOv2의 anchor, IoU k-means, direct location prediction, passthrough, multi-scale 학습을 recall과 localization 관점에서 설명합니다.

YOLOv1의 7×7×30 출력과 98개 box 계산, confidence, class score 결합, 책임 box와 좌표 loss의 실패 조건을 단계별로 설명합니다.

StyleGAN v1의 mapping, AdaIN, style mixing, v2의 modulation/demodulation, v3의 alias-free 설계를 artifact와 texture sticking 관점에서 비교합니다.

딥러닝 면접의 odds, logit, sigmoid, NLL, 조건부확률, Bernoulli, Binomial, entropy를 정의, 수식, 직관과 반례 순서로 설명합니다.

StyleGAN 얼굴 blending의 눈, 윤곽 붕괴를 정렬, 화풍, 학습 조건으로 진단하고 paired dataset과 Pix2PixHD를 선택한 범위와 실패 조건을 설명합니다.