[G3]deview gpu를 통한 얼굴인식 가속

2,628 views

Published on

[G3]deview gpu를 통한 얼굴인식 가속

  1. 1. 목차
  2. 2.  •  PCA를
  3. 3.  이용한
  4. 4.  얼굴인식기
  5. 5.   –  얼굴인식
  6. 6.  개요
  7. 7.   –  주요
  8. 8.  모듈의
  9. 9.  병렬성
  10. 10.  •  GPU와
  11. 11.  병렬프로그래밍
  12. 12.   –  CUDA
  13. 13.   –  OpenCL
  14. 14.  •  GPU
  15. 15.  기반
  16. 16.  얼굴인식기의
  17. 17.  설계
  18. 18.   –  매핑
  19. 19.   –  동기화
  20. 20.  •  실험결과
  21. 21.  및
  22. 22.  결론
  23. 23.  
  24. 24. 목차
  25. 25.  •  PCA를
  26. 26.  이용한
  27. 27.  얼굴인식기
  28. 28.   –  얼굴인식
  29. 29.  개요
  30. 30.   –  주요
  31. 31.  모듈의
  32. 32.  병렬성
  33. 33.  •  GPU와
  34. 34.  병렬프로그래밍
  35. 35.   –  CUDA
  36. 36.   –  OpenCL
  37. 37.  •  GPU
  38. 38.  기반
  39. 39.  얼굴인식기의
  40. 40.  설계
  41. 41.   –  매핑
  42. 42.   –  동기화
  43. 43.  •  실험결과
  44. 44.  및
  45. 45.  결론
  46. 46.  
  47. 47. 얼굴인식
  48. 48.  •  컴퓨터가
  49. 49.  얼굴을
  50. 50.  학습하여
  51. 51.  식별해내는
  52. 52.  일
  53. 53.  •  다수의
  54. 54.  응용분야
  55. 55.   -
  56. 56.  보안,
  57. 57.  정보분류
  58. 58.  등
  59. 59.  •  학습(training)
  60. 60.   –  입력:
  61. 61.  서로
  62. 62.  다른
  63. 63.  여러
  64. 64.  얼굴이미지들
  65. 65.   –  출력:
  66. 66.  학습된
  67. 67.  정보
  68. 68.  •  식별(testing)
  69. 69.   –  입력:
  70. 70.  학습된
  71. 71.  정보
  72. 72.   –  출력:
  73. 73.  식별결과
  74. 74.  •  픽셀단위
  75. 75.  정보를
  76. 76.  처리하는
  77. 77.  작업으로
  78. 78.  학습에
  79. 79.  많은
  80. 80.  시간이
  81. 81.  소 요
  82. 82.  
  83. 83. PCA
  84. 84.  (Principle
  85. 85.  Component
  86. 86.  Analysis)
  87. 87.  •  주성분
  88. 88.  분석
  89. 89.  •  차원
  90. 90.  정보를
  91. 91.  줄이는
  92. 92.  방법
  93. 93.   –  입력
  94. 94.  정보들을
  95. 95.  비교하여
  96. 96.  고유
  97. 97.  벡터(eigenvector)를
  98. 98.  구하고,
  99. 99.  입 력
  100. 100.  정보를
  101. 101.  고유벡터로
  102. 102.  표현
  103. 103.   고차원
  104. 104.  
  105. 105.   정보
  106. 106.  
  107. 107.   고차원
  108. 108.   주성분
  109. 109.  및
  110. 110.  
  111. 111.   정보
  112. 112.  
  113. 113.   고차원
  114. 114.   PCA
  115. 115.   정보별
  116. 116.  가중치
  117. 117.   정보
  118. 118.  
  119. 119.   고차원
  120. 120.   정보
  121. 121.   가공된
  122. 122.   가공된
  123. 123.   정보
  124. 124.   가공된
  125. 125.   정보
  126. 126.   Projection
  127. 127.   저차원
  128. 128.   정보
  129. 129.   정보
  130. 130.  
  131. 131. PCA를
  132. 132.  이용한
  133. 133.  얼굴인식
  134. 134.  •  입력
  135. 135.  얼굴이미지
  136. 136.   –  픽셀
  137. 137.  개수만큼의
  138. 138.  차원
  139. 139.  
  140. 140.  너무
  141. 141.  많은
  142. 142.  정보
  143. 143.  
  144. 144.  
  145. 145.  •  PCA를
  146. 146.  통해
  147. 147.  주성분(고유성분)을
  148. 148.  계산
  149. 149.  •  얼굴공간(face
  150. 150.  space)에
  151. 151.  대한
  152. 152.  프로젝션
  153. 153.   –  각
  154. 154.  입력
  155. 155.  얼굴이미지에
  156. 156.  대해,
  157. 157.  주성분들에
  158. 158.  대한
  159. 159.  가중치를
  160. 160.  구하는
  161. 161.   것
  162. 162.  •  입력
  163. 163.  얼굴이미지는
  164. 164.  주성분들의
  165. 165.  선형식으로
  166. 166.  재구성
  167. 167.  가능
  168. 168.   –  주성분들에
  169. 169.  대한
  170. 170.  가중치를
  171. 171.  이용한
  172. 172.  weighted
  173. 173.  sum
  174. 174.  
  175. 175. PCA를
  176. 176.  이용한
  177. 177.  얼굴인식
  178. 178.   입력
  179. 179.  얼굴이미지
  180. 180.   고유성분
  181. 181.  얼굴( eigen
  182. 182.  face)
  183. 183.   PCA
  184. 184.   입력얼굴이미지의
  185. 185.  
  186. 186.   pixel
  187. 187.  space
  188. 188.   고유얼굴별
  189. 189.  가중치
  190. 190.  
  191. 191.   → → → → W 1 W 2 W 3 W 4 → → → → Projection
  192. 192.  to
  193. 193.  fac W 5 W 6 W 7 W 8 → → → → e
  194. 194.  space
  195. 195.   W 9 W 10 W 11 W 12 → → → → W 13 W 14 W 15 W 16
  196. 196. PCA
  197. 197.  얼굴인식
  198. 198.  알고리즘
  199. 199.  주요모듈
  200. 200.  •  모듈1
  201. 201.  :
  202. 202.  공분산
  203. 203.  행렬
  204. 204.  계산
  205. 205.   –  얼굴이미지
  206. 206.  픽셀
  207. 207.  단위의
  208. 208.  정보에
  209. 209.  대한
  210. 210.  공분산을
  211. 211.  계산
  212. 212.  
  213. 213.   –  각각
  214. 214.  계산된
  215. 215.  픽셀단위의
  216. 216.  정보를
  217. 217.  이미지
  218. 218.  단위로
  219. 219.  누적합
  220. 220.  •  모듈2
  221. 221.  :
  222. 222.  Jacobi
  223. 223.  method
  224. 224.   –  고유
  225. 225.  벡터를
  226. 226.  계산
  227. 227.   Eigen value eigen Covariance covar. value
  228. 228.   Computation Eigenface C Matrix matrix
  229. 229.   (Jacobi met eigen omputation
  230. 230.   Computation
  231. 231.   hod)
  232. 232.   vector
  233. 233.   eigenfaces
  234. 234.   training images
  235. 235.   Projecting to S weights
  236. 236.   ubspace
  237. 237.   Face DB
  238. 238.   Training
  239. 239.  
  240. 240. PCA
  241. 241.  얼굴인식
  242. 242.  알고리즘
  243. 243.  주요모듈
  244. 244.  •  모듈3
  245. 245.  :
  246. 246.  고유성분
  247. 247.  얼굴
  248. 248.  구성
  249. 249.   –  학습하는
  250. 250.  얼굴
  251. 251.  정보를
  252. 252.  고유벡터와
  253. 253.  곱을
  254. 254.  통해
  255. 255.  계산
  256. 256.   –  고유벡터의
  257. 257.  수
  258. 258.  만큼의
  259. 259.  고유성분
  260. 260.  얼굴
  261. 261.  생성
  262. 262.  •  모듈4
  263. 263.  :
  264. 264.  얼굴공간으로의
  265. 265.  프로젝션
  266. 266.   –  입력되는
  267. 267.  얼굴이미지를
  268. 268.  고유성분얼굴로
  269. 269.  구성된
  270. 270.  얼굴공간으로
  271. 271.   프로젝션
  272. 272.   Eigen value eigen Covariance covar. value
  273. 273.   Computation Eigenface C Matrix matrix
  274. 274.   (Jacobi met eigen omputation
  275. 275.   Computation
  276. 276.   hod)
  277. 277.   vector
  278. 278.   eigenfaces
  279. 279.   training images
  280. 280.   Projecting to S weights
  281. 281.   ubspace
  282. 282.   Face DB
  283. 283.   Training
  284. 284.  
  285. 285. PCA
  286. 286.  얼굴인식(식별)
  287. 287.  알고리즘
  288. 288.   식별할 식별
  289. 289.  
  290. 290.  이미 결과
  291. 291.   지
  292. 292.   A A’ Testing
  293. 293.   Face DB
  294. 294.   B B’ Projecting to S Finding the Ne testing images
  295. 295.   ubspace
  296. 296.   arest
  297. 297.   C C ’ D E’•  오분류를
  298. 298.  줄이기
  299. 299.  위해서는
  300. 300.  더
  301. 301.  많은
  302. 302.  얼굴이미지를
  303. 303.  학습
  304. 304.  
  305. 305.  많은
  306. 306.  시간이
  307. 307.  소요
  308. 308.  
  309. 309.  가속의
  310. 310.  필요성
  311. 311.  
  312. 312. 모듈1
  313. 313.  :
  314. 314.  공분산
  315. 315.  행렬계산
  316. 316.  •  입력
  317. 317.  :
  318. 318.  얼굴이미지
  319. 319.  •  출력
  320. 320.  :
  321. 321.  얼굴이미지들간의
  322. 322.  공분산(
  323. 323.  
  324. 324.  
  325. 325.  
  326. 326.  N 2 )
  327. 327.  •  수식
  328. 328.   –  Ф
  329. 329.  =
  330. 330.  Γ
  331. 331.  ­–
  332. 332.  Ψ
  333. 333.  (이미지와
  334. 334.  평균
  335. 335.  이미지의
  336. 336.  차이)
  337. 337.   –  C
  338. 338.  =
  339. 339.  공분산
  340. 340.  행렬
  341. 341.  (N
  342. 342.  x
  343. 343.  N)
  344. 344.   1 C ij = (Γi − Ψ) ⋅ (Γj − Ψ)T P•  복잡도
  345. 345.  :
  346. 346.  
  347. 347.  O(
  348. 348.  
  349. 349.  N
  350. 350.  
  351. 351.  2P
  352. 352.  
  353. 353.  
  354. 354.  
  355. 355.  
  356. 356.  
  357. 357.  
  358. 358.  ) -
  359. 359.  N
  360. 360.  =
  361. 361.  얼굴이미지
  362. 362.  수,
  363. 363.  P
  364. 364.  =
  365. 365.  이미지
  366. 366.  픽셀수
  367. 367.  
  368. 368. 모듈2
  369. 369.  :
  370. 370.  Jacobi
  371. 371.  method
  372. 372.  •  입력
  373. 373.  :
  374. 374.  얼굴이미지들간의
  375. 375.  공분산
  376. 376.  행렬
  377. 377.  •  출력
  378. 378.  :
  379. 379.  고유벡터(
  380. 380.  
  381. 381.  M
  382. 382.  
  383. 383.  
  384. 384.  ) –  M
  385. 385.  =
  386. 386.  고유벡터의
  387. 387.  수
  388. 388.  
  389. 389.  •  계산
  390. 390.   –  Jacobi
  391. 391.  eigenvalue
  392. 392.  method
  393. 393.  •  복잡도
  394. 394.  :
  395. 395.  O(
  396. 396.  N
  397. 397.  
  398. 398.  3
  399. 399.  
  400. 400.  
  401. 401.   )
  402. 402. 모듈3
  403. 403.  :
  404. 404.  고유성분
  405. 405.  얼굴
  406. 406.  구성
  407. 407.  •  입력
  408. 408.  :
  409. 409.  얼굴이미지,
  410. 410.  고유벡터
  411. 411.   MP•  출력
  412. 412.  :
  413. 413.  고유성분
  414. 414.  얼굴(
  415. 415.  
  416. 416.  
  417. 417.  
  418. 418.  
  419. 419.  
  420. 420.  
  421. 421.  )
  422. 422.  •  수식
  423. 423.   –  u
  424. 424.  =
  425. 425.  고유성분얼굴,
  426. 426.  
  427. 427.  v
  428. 428.  =
  429. 429.  고유벡터
  430. 430.  
  431. 431.   –  Ψ
  432. 432.  =
  433. 433.  평균얼굴
  434. 434.  이미지,
  435. 435.  
  436. 436.  Γ
  437. 437.  =
  438. 438.  얼굴
  439. 439.  이미지
  440. 440.   –  N
  441. 441.  =
  442. 442.  학습하는
  443. 443.  얼굴이미지의
  444. 444.  수
  445. 445.   N um = ∑v mk (Γk − Ψ) k =1•  복잡도
  446. 446.  :
  447. 447.  O
  448. 448.  (
  449. 449.  NMP
  450. 450.  
  451. 451.  
  452. 452.  
  453. 453.  
  454. 454.  
  455. 455.  
  456. 456.  )
  457. 457. 모듈4
  458. 458.  :
  459. 459.  얼굴공간으로의
  460. 460.  프로젝션
  461. 461.  •  입력
  462. 462.  :
  463. 463.  얼굴이미지,
  464. 464.  고유성분
  465. 465.  얼굴
  466. 466.  •  출력
  467. 467.  :
  468. 468.  얼굴공간에서
  469. 469.  사용되는
  470. 470.  가중치(
  471. 471.  
  472. 472.  
  473. 473.  
  474. 474.  
  475. 475.  NM
  476. 476.  )
  477. 477.  •  수식
  478. 478.   –  u
  479. 479.  =
  480. 480.  고유성분
  481. 481.  얼굴,
  482. 482.  Γ
  483. 483.  =
  484. 484.  얼굴
  485. 485.  이미지,
  486. 486.  Ψ
  487. 487.  =
  488. 488.  평균얼굴
  489. 489.  이미지
  490. 490.  
  491. 491.  
  492. 492.   w nm = u T ⋅ (Γn − Ψ) m•  복잡도
  493. 493.  :
  494. 494.  O
  495. 495.  (
  496. 496.  
  497. 497.  
  498. 498.  
  499. 499.  
  500. 500.  
  501. 501.  
  502. 502.  
  503. 503.  
  504. 504.  )
  505. 505.  
  506. 506.   NMP
  507. 507. 목차
  508. 508.  •  PCA를
  509. 509.  이용한
  510. 510.  얼굴인식기
  511. 511.   –  얼굴인식
  512. 512.  개요
  513. 513.   –  주요
  514. 514.  모듈의
  515. 515.  병렬성
  516. 516.  •  GPU와
  517. 517.  병렬프로그래밍
  518. 518.   –  CUDA
  519. 519.   –  OpenCL
  520. 520.  •  GPU
  521. 521.  기반
  522. 522.  얼굴인식기의
  523. 523.  설계
  524. 524.   –  매핑
  525. 525.   –  동기화
  526. 526.  •  실험결과
  527. 527.  및
  528. 528.  결론
  529. 529.  
  530. 530. GPU
  531. 531.  구조
  532. 532.  •  Graphics
  533. 533.  Processing
  534. 534.  Unit
  535. 535.   –  CPU에
  536. 536.  비해
  537. 537.  캐쉬의
  538. 538.  크기를
  539. 539.  줄이고,
  540. 540.  다수의
  541. 541.  코어를
  542. 542.  집적
  543. 543.   –  데이터
  544. 544.  병렬성에
  545. 545.  적합
  546. 546.   –  Throughput
  547. 547.  Computing
  548. 548.   –  계층적인
  549. 549.  병렬
  550. 550.  구조
  551. 551.  •  GPGPU
  552. 552.  (General
  553. 553.  Purpose
  554. 554.  GPU)
  555. 555.   –  GPU를
  556. 556.  프로그래밍을
  557. 557.  통해서
  558. 558.  범용적으로
  559. 559.  사용
  560. 560.  가능
  561. 561.   –  CUDA,
  562. 562.  OpenCL
  563. 563.  등
  564. 564.  C기반
  565. 565.  병렬프로그래밍
  566. 566.  프레임워크
  567. 567.  사용
  568. 568.  
  569. 569. GPU
  570. 570.  구조
  571. 571.  (GTX480)
  572. 572.   SM
  573. 573.   (Shared
  574. 574.  Multipr ocessor)
  575. 575.   GTX
  576. 576.  480
  577. 577.  구조
  578. 578.  
  579. 579. GPU
  580. 580.  구조
  581. 581.   SM
  582. 582.   SP
  583. 583.  
  584. 584.   (Streaming
  585. 585.  Processor
  586. 586.   =CUDA
  587. 587.  core)
  588. 588.   공유
  589. 589.  메모리(shared
  590. 590.  memory)
  591. 591.   SM내에서
  592. 592.  수행되는
  593. 593.  쓰레드들간의
  594. 594.   자료
  595. 595.  공유,
  596. 596.  동기화
  597. 597.  
  598. 598. CUDA
  599. 599.  •  Compute
  600. 600.  Unified
  601. 601.  Device
  602. 602.  Architecture
  603. 603.   –  NVIDIA의
  604. 604.  GPU를
  605. 605.  위한
  606. 606.  C
  607. 607.  기반
  608. 608.  병렬
  609. 609.  프로그래밍
  610. 610.  프레임워크
  611. 611.   –  컴파일러,
  612. 612.  라이브러리,
  613. 613.  디바이스
  614. 614.  드라이버
  615. 615.  •  Kernel
  616. 616.   –  GPU에서
  617. 617.  병렬로
  618. 618.  수행되는
  619. 619.  함수
  620. 620.   Thread
  621. 621.  block
  622. 622.   //serial code (host)‫‏‬ //parallel code in kernel (device)‫‏‬ KernelA nBlk, nThr (args); ... //serial code (host)‫‏‬ Threads
  623. 623.   //parallel code = kernel (device)‫‏‬ KernelB nBlk, nThr (args); ...
  624. 624. OpenCL
  625. 625.  
  626. 626.  •  Open
  627. 627.  Compute
  628. 628.  Language
  629. 629.   –  다양한
  630. 630.  종류의
  631. 631.  멀티코어/매니코어
  632. 632.  디바이스를
  633. 633.  위한
  634. 634.  C
  635. 635.  기반
  636. 636.  병렬
  637. 637.  프 로그래밍
  638. 638.  프레임워크
  639. 639.   –  이종
  640. 640.  (heterogeneous)
  641. 641.  시스템의
  642. 642.  병렬프로그래밍을
  643. 643.  위한
  644. 644.  표준
  645. 645.   SP
  646. 646.   SM
  647. 647.   GPU
  648. 648.  
  649. 649. 목차
  650. 650.  •  PCA를
  651. 651.  이용한
  652. 652.  얼굴인식기
  653. 653.   –  얼굴인식
  654. 654.  개요
  655. 655.   –  주요
  656. 656.  모듈의
  657. 657.  병렬성
  658. 658.  •  GPU와
  659. 659.  병렬프로그래밍
  660. 660.   –  CUDA
  661. 661.   –  OpenCL
  662. 662.  •  GPU
  663. 663.  기반
  664. 664.  얼굴인식기의
  665. 665.  설계
  666. 666.   –  매핑
  667. 667.   –  동기화
  668. 668.  •  실험결과
  669. 669.  및
  670. 670.  결론
  671. 671.  
  672. 672. 매핑(Mapping)
  673. 673.  •  Thread
  674. 674.  block
  675. 675.  =
  676. 676.  연산을
  677. 677.  SM으로
  678. 678.  수행
  679. 679.  •  Thread
  680. 680.  =
  681. 681.  연산을
  682. 682.  SP로
  683. 683.  수행
  684. 684.  •  기본적으로
  685. 685.  하나의
  686. 686.  쓰레드
  687. 687.  블록에서
  688. 688.  다수의
  689. 689.  쓰레드가
  690. 690.  수행되 어야
  691. 691.  가속이
  692. 692.  이루어질
  693. 693.  수
  694. 694.  있음
  695. 695.  •  극단적으로
  696. 696.  두가지
  697. 697.  매핑이
  698. 698.  존재함
  699. 699.   –  매핑
  700. 700.  1
  701. 701.  :
  702. 702.  하나의
  703. 703.  쓰레드에
  704. 704.  하나의
  705. 705.  픽셀
  706. 706.  작업
  707. 707.  할당
  708. 708.   –  매핑
  709. 709.  2
  710. 710.  :
  711. 711.  하나의
  712. 712.  쓰레드에
  713. 713.  하나의
  714. 714.  얼굴이미지
  715. 715.  작업
  716. 716.  할당
  717. 717.  
  718. 718. 매핑(Mapping)
  719. 719.  •  동기화
  720. 720.  
  721. 721.   –  쓰레드들의
  722. 722.  연산결과를
  723. 723.  하나로
  724. 724.  모아야
  725. 725.  하는
  726. 726.  경우에
  727. 727.  필요
  728. 728.   –  예)
  729. 729.  합
  730. 730.  리덕션
  731. 731.  (sum
  732. 732.  reduction)
  733. 733.   –  매핑
  734. 734.  방법에
  735. 735.  따라
  736. 736.  동기화가
  737. 737.  필요할
  738. 738.  수
  739. 739.  있음
  740. 740.  •  합
  741. 741.  리덕션의
  742. 742.  구현
  743. 743.  예
  744. 744.   step
  745. 745.  1
  746. 746.   + + + + step
  747. 747.  2
  748. 748.   + + step
  749. 749.  3
  750. 750.   +
  751. 751. 매핑(Mapping)
  752. 752.  •  매핑
  753. 753.  1
  754. 754.   일반적으로
  755. 755.  이미지의
  756. 756.  수가
  757. 757.  적고
  758. 758.  픽셀의
  759. 759.  크기가
  760. 760.  클
  761. 761.  때
  762. 762.   1
  763. 763.  픽셀
  764. 764.   픽셀단위
  765. 765.  연산
  766. 766.   장점:
  767. 767.  병렬성이
  768. 768.  높다
  769. 769.   단점:
  770. 770.  쓰레드간
  771. 771.  동기화
  772. 772.  필요
  773. 773.  
  774. 774. 매핑(Mapping)
  775. 775.  •  매핑
  776. 776.  2
  777. 777.   일반적으로
  778. 778.  이미지의
  779. 779.  수가
  780. 780.  많고
  781. 781.  픽셀의
  782. 782.  크기가
  783. 783.  작을
  784. 784.  때
  785. 785.  적용
  786. 786.   이미지
  787. 787.  단위
  788. 788.  작업
  789. 789.   장점
  790. 790.  :
  791. 791.  동기화가
  792. 792.  필요없음
  793. 793.   단점
  794. 794.  :
  795. 795.  픽셀
  796. 796.  단위
  797. 797.  병렬성
  798. 798.  없음
  799. 799.  
  800. 800. 매핑(Mapping)
  801. 801.  •  일반적 매핑 하나의
  802. 802.  쓰레드가
  803. 803.  k개
  804. 804.  만큼의
  805. 805.  픽셀들을
  806. 806.  담당
  807. 807.  (1=
  808. 808.  k
  809. 809.  =
  810. 810.  P)
  811. 811.  
  812. 812.  
  813. 813.  
  814. 814. 공분산
  815. 815.  행렬계산
  816. 816.  -
  817. 817.  모듈1
  818. 818.  •  쓰레드
  819. 819.  블록
  820. 820.   N2 –  얼굴이미지
  821. 821.  한
  822. 822.  쌍
  823. 823.  
  824. 824.  총
  825. 825.  
  826. 826.  
  827. 827.  
  828. 828.  개의
  829. 829.  쓰레드
  830. 830.  블록
  831. 831.  필요
  832. 832.  •  쓰레드
  833. 833.   –  한
  834. 834.  얼굴이미지
  835. 835.  중
  836. 836.  일정
  837. 837.  개수의
  838. 838.  픽셀들
  839. 839.   –  내적
  840. 840.  (dot
  841. 841.  product)를
  842. 842.  계산
  843. 843.   서브
  844. 844.  공분산1
  845. 845.   서브
  846. 846.  공분산2
  847. 847.  
  848. 848.  
  849. 849.   서브
  850. 850.  공분산3
  851. 851.   서브
  852. 852.  공분산4
  853. 853.   내적
  854. 854.  계산
  855. 855.   서브
  856. 856.  공분산5
  857. 857.   합
  858. 858.  리덕션
  859. 859.   공분산
  860. 860.   서브
  861. 861.  공분산6
  862. 862.   서브
  863. 863.  공분산7
  864. 864.   서브
  865. 865.  공분산8
  866. 866.   서브
  867. 867.  공분산9
  868. 868.   서브
  869. 869.  공분산10
  870. 870.   하나의
  871. 871.  쓰레드
  872. 872.  블록에서
  873. 873.  이루어지는
  874. 874.  연산
  875. 875.  

×