KR102474246B1 - 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 - Google Patents

복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 Download PDF

Info

Publication number
KR102474246B1
KR102474246B1 KR1020180008415A KR20180008415A KR102474246B1 KR 102474246 B1 KR102474246 B1 KR 102474246B1 KR 1020180008415 A KR1020180008415 A KR 1020180008415A KR 20180008415 A KR20180008415 A KR 20180008415A KR 102474246 B1 KR102474246 B1 KR 102474246B1
Authority
KR
South Korea
Prior art keywords
electronic device
neural network
network model
group
value
Prior art date
Application number
KR1020180008415A
Other languages
English (en)
Other versions
KR20190089628A (ko
Inventor
황인철
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180008415A priority Critical patent/KR102474246B1/ko
Priority to US16/254,925 priority patent/US20190228294A1/en
Publication of KR20190089628A publication Critical patent/KR20190089628A/ko
Application granted granted Critical
Publication of KR102474246B1 publication Critical patent/KR102474246B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

본 개시는 딥 러닝 등의 신경망 모델을 이용하여 인간 두뇌의 인지, 판단 등의 기능을 수행하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.
신경망 모델에 대한 입력값을 획득하고, 입력값에 기초하여, 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드를 처리하고, 제1 그룹에 포함된 적어도 하나의 노드를 처리함으로써, 제1 그룹으로부터 출력된 적어도 하나의 값을 획득하고, 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 제2 전자 디바이스를 식별하고, 상기 식별된 제2 전자 디바이스로 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 전송하는, 제1 전자 디바이스에서, 신경망 모델을 처리하는 방법이 제공된다.

Description

복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 {Method and system for processing Neural network model using a plurality of electronic devices}
본 개시는 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰(Rule) 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥 러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 단말 장치는 사용자와 관련된 데이터를 수집하여, 수집된 데이터를 서버로 전송할 수 있고, 서버는 신경망 모델을 이용하여 사용자와 관련하여 수집된 데이터들을 처리할 수 있다. 예를 들면, 서버는 단말 장치로부터 수신한 데이터를 신경망 모델의 입력값으로 하여 출력값을 구할 수 있다.
그러나, 단말 장치가 수집하여 서버로 전송하는 데이터는 사용자의 개인 정보, 사용자에 의해 입력된 데이터, 센서에 의해 감지된 사용자 상태에 관한 데이터 등의 보안에 민감한 정보가 포함될 수 있다. 따라서, 데이터 전송 과정에서, 사용자의 민감한 정보를 포함한 데이터가 해킹 또는 데이터 탈취, 변조 시도에 노출될 수 있어, 이를 방지하기 위한 기술이 필요하다.
일 실시 예는, 복수 개의 전자 디바이스를 이용하여, 보안 상 중요한 정보를 보호하면서 신경망 모델을 처리할 수 있는 시스템 및 방법을 제공하기 위한 것이다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 제1 전자 디바이스에서, 신경망 모델을 처리하는 방법에 있어서, 상기 신경망 모델에 대한 입력값을 획득하는 단계; 상기 입력값에 기초하여, 상기 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드를 처리하는 단계; 상기 제1 그룹에 포함된 적어도 하나의 노드를 처리함으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 획득하는 단계; 상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 제2 전자 디바이스를 식별하는 단계; 및 상기 식별된 제2 전자 디바이스로 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 전송하는 단계를 포함한다.
또한, 본 개시의 제2 측면은, 제2 전자 디바이스에서, 신경망 모델을 처리하는 방법에 있어서, 제1 전자 디바이스로부터, 상기 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드가 처리됨으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 수신하는 단계; 상기 수신된 적어도 하나의 값을 처리하기 위한, 상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드를 획득하는 단계; 및 상기 수신된 적어도 하나의 값에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리하는 단계를 포함한다.
또한, 본 개시의 제3 측면은, 메모리; 통신부; 및 상기 메모리에 저장된 신경망 모델에 대한 입력값을 획득하고, 상기 입력값에 기초하여, 상기 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드를 처리하고, 상기 제1 그룹에 포함된 적어도 하나의 노드를 처리함으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 획득하고, 상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 제2 전자 디바이스를 식별하고, 상기 식별된 제2 전자 디바이스로 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 전송하도록 상기 통신부를 제어하는 프로세서를 포함하는, 제1 전자 디바이스를 포함한다.
또한, 본 개시의 제4 측면은, 메모리; 통신부; 및 제1 전자 디바이스로부터, 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드가 처리됨으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 수신하도록, 상기 통신부를 제어하고, 상기 수신된 적어도 하나의 값을 처리하기 위한, 상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드를 상기 메모리로부터 획득하고, 상기 수신된 적어도 하나의 값에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리하는 프로세서를 포함하는, 제2 전자 디바이스를 포함한다.
또한, 본 개시의 제 5 측면은, 제 1 측면 및 제 2 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
일 실시 예에 의하면, 중요 정보를 포함한 로 데이터가 변환 없이 원형 그대로 다른 장치에 전송되는 경우를 방지할 수 있으므로, 전송 과정에서 중요 정보가 유출될 수 있는 위험을 줄일 수 있다.
도 1은 일 실시 예에 의한 신경망 모델의 예시를 나타내는 도면이다.
도 2는 일 실시 예에 의한 신경망 모델에 포함된 노드의 예시를 나타내는 도면이다.
도 3은 일 실시 예에 의한 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 시스템의 예시를 나타내는 도면이다.
도 4 및 도 5는 일부 실시예에 따른 제1 전자 디바이스의 블록도이다.
도 6은 일 실시 예에 의한 제2 전자 디바이스를 나타낸 블록도이다.
도 7은 일 실시 예에 의한 신경망 모델을 복수 개의 전자 디바이스에 저장하는 방법을 나타낸 순서도이다.
도 8은 일 실시 예에 의한 복수 개의 전자 디바이스에서 신경망 모델을 처리하는 방법을 나타낸 순서도이다.
도 9는 일 실시 예에 의한 복수 개의 전자 디바이스에서 신경망 모델을 처리하는 방법을 나타낸 순서도이다.
도 10은 일 실시예에 따른 제1 전자 디바이스에 포함된 프로세서의 블록도이다.
도 11는 일부 실시예에 따른 데이터 학습부의 블록도이다.
도 12는 일 실시예에 따른 데이터 인식부의 블록도이다.
도 13은 일 실시예에 따른 제1 전자 디바이스 및 제2 전자 디바이스가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 일 실시 예에 의한 신경망 모델의 예시를 나타내는 도면이다.
일 실시 예에 의한 신경망 모델(100)은 인간의 뇌가 패턴을 인식하는 방식을 모사한 신경망 알고리즘 모델이다. 일 실시 예에 의한 전자 디바이스는, 신경망 모델(100)을 이용하여, 이미지, 소리, 문자, 시계열 데이터 등 다양한 종류의 데이터로부터 특정 패턴을 인식할 수 있다.
일 실시 예에 의한 신경망 모델(100)은 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), BRDNN(Bidirectional Recurrent Deep Neural Network), 제한 볼츠만 머신 (Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망 (Deep Belief Network, DBN), 심층 Q-네트워크(Deep Q-Networks) 중 하나일 수 있다. 또한, 상술한 예에 한하지 않고, 일 실시 예에 의한 신경망 모델(100)은 이외 다양한 종류의 신경망 중 하나일 수 있다.
도 1을 참조하면, 일 실시 예에 의한 신경망 모델(100)은, 적어도 하나의 노드(112)를 포함한 적어도 하나의 레이어(111, 121, 122)를 포함할 수 있다. 예를 들면, 신경망 모델(100)은 입력 레이어(input layer, 111), 출력 레이어(output layer, 122), 적어도 하나의 히든 레이어(hidden layer, 121)를 포함할 수 있다.
일 실시 예에 의하면, 신경망 모델(100)의 입력 레이어(111)에 적어도 하나의 입력값이 입력됨으로써 신경망 모델(100)의 각 레이어(111, 121, 122)의 노드가 처리될 수 있다. 예를 들면, 입력 레이어(111)의 각 노드(112, 113, 114, 115)에 입력값 1 내지 4가 입력될 수 있다.
또한, 각 레이어의 노드에서 출력된 값은 다음 층의 입력 값으로 이용될 수 있다. 예를 들면, 입력 레이어(111)의 노드가 처리됨에 따라 획득된 값에 기초하여, 적어도 하나의 히든 레이어(121)의 노드에 소정 값이 입력될 수 있다. 또한, 적어도 하나의 히든 레이어(121)의 노드가 처리됨에 따라 획득된 값에 기초하여, 출력 레이어(122)의 노드에 소정 값이 입력될 수 있다. 출력 레이어(122)로부터 출력된 값은 신경망 모델(100)에서 출력 값으로 출력될 수 있다. 예를 들면, 출력 레이어(122)로부터 출력된 값인 출력값 1 내지 3은, 신경망 모델(100)의 출력값으로서 출력될 수 있다.
일 실시 예에 의하면, 하나의 노드로부터 출력된 하나의 값에 서로 다른 가중치가 적용됨으로써, 하나의 노드로부터 적어도 하나의 엣지 데이터가 획득될 수 있다. 엣지 데이터는, 하나의 노드로부터 출력된 하나의 값에 적어도 하나의 가중치가 적용됨으로써, 획득될 수 있다. 엣지 데이터는, 하나의 값에 적용된 가중치의 개수만큼, 획득될 수 있다. 따라서, 소정 레이어의 노드로부터 출력된 값은, 적어도 하나의 엣지 데이터로 변환되어 다음 레이어의 노드로 입력될 수 있다. 예를 들면, 노드(112, 113, 114, 115)로부터 출력된 값에 서로 다른 가중치가 적용됨으로써, 도 1에 도시된, 엣지 데이터 1-1 내지 1-4, 2-1 내지 2-4, 3-1 내지 3-4, 4-1 내지 4-4가 출력되어 다음 레이어의 노드로 입력될 수 있다.
일 실시 예에 의하면, 제1 전자 디바이스(1000)에서 제2 전자 디바이스(2000)로 전송되는 데이터는, 제1 전자 디바이스(1000)에서 처리된 마지막 레이어의 적어도 하나의 노드로부터 출력된 값을 포함할 수 있다. 또는, 제1 전자 디바이스(1000)에서 제2 전자 디바이스(2000)로 전송되는 데이터는, 제1 전자 디바이스(1000)에서 처리된 마지막 레이어의 적어도 하나의 노드로부터 출력된 값에 서로 다른 가중치가 적용됨으로써 획득된, 엣지 데이터를 포함할 수 있다.
일 실시 예에 의하면, 다양한 방법으로 수집된 데이터가 신경망 모델(100)에 입력됨으로써, 신경망 모델(100)의 각 노드들이 처리될 수 있다.
신경망 모델(100)에 입력될 수 있는 입력값은, 예를 들면, 사용자에 의해 입력된 값 또는 소정 센서에 의해 감지된 정보 등, 사용자가 이용하는 장치에 의해 수집된 다양한 종류의 정보를 포함할 수 있다. 이하에서는, 사용자가 이용하는 장치에 의해 수집된 정보로서, 신경망 모델(100)에 입력될 수 있는 정보를 로 데이터(raw data)로 지칭하기로 한다.
일 실시 예에 의한, 로 데이터는, 사용자의 개인 신상과 관련된 정보, 비밀 번호와 관련된 정보, 센서에 의해 감지된 정보, 금융 정보, 생체 정보 등 높은 보안을 필요로 하는 정보를 포함할 수 있다.
일 실시 예에 따라, 신경망 모델(100)을 처리하는 동작은, 연산량이 많아, 신경망 모델(100)은 로 데이터를 수집한 장치가 아닌 고성능의 다른 장치, 예를 들면, 서버 장치에 탑재되어 처리될 수 있다. 예를 들면, 로 데이터의 수집은 제1 전자 디바이스(1000)에서 수행되고, 신경망 모델(100)을 처리하는 동작은 제2 전자 디바이스(2000)에서 수행될 수 있다.
그러나, 로 데이터가 수집된 장치 이외 다른 장치에서, 신경망 모델(100)에 대한 동작이 수행되는 경우, 로 데이터가 소정 장치에서 다른 장치로 전송됨에 따라, 전송 과정에서 로 데이터가 유출될 수 있다.
일 실시 예에 의하면, 로 데이터가 그대로 다른 장치로 전송되지 않고, 로 데이터를 입력 값으로 처리하는, 신경망 모델의 일부 노드를 통해 처리된 값이 다른 장치로 전송될 수 있다. 신경망 모델의 일부 노드를 통해 처리된 값은, 예를 들면, 0 또는 1의 값 또는 로 데이터 값과 전혀 다른 형태의 값을 가질 수 있다. 따라서, 일 실시 예에 의하면, 로 데이터와는 다른 형태의 값 또는 로 데이터를 유추하기 어려운 값이 다른 장치로 전송될 수 있으므로, 전송 과정에서 로 데이터가 유출될 가능성이 낮아질 수 있다.
일 실시 예에 의하면, 신경망 모델(100)의 노드 중 제1 그룹(110)에 포함된 노드들(112, 113, 114, 115)은 제1 전자 디바이스(1000)에서 처리될 수 있다. 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹(110)은, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000) 간 데이터 전송 속도, 제1 전자 디바이스(1000)에서 제2 전자 디바이스(2000)로 전송될 값의 크기, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)의 연산 능력 중 적어도 하나에 기초하여, 결정될 수 있다. 그러나, 상술한 예에 한하지 않고, 다양한 방법에 따라 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹(110)이 결정될 수 있다.
예를 들면, 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹(110)이 레이어 단위로 결정되는 경우, 신경망 모델(100)의 레이어 중 노드 개수가 가장 적은 레이어를 기준으로 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹(110)이 결정될 수 있다. 제1 전자 디바이스(1000)에서 처리되는 마지막 레이어의 노드 개수가 적을수록, 제1 전자 디바이스(1000)에서, 제2 전자 디바이스(2000)로 전송될 값의 크기가 작아질 수 있다. 일 실시 예에 의하면, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000) 간 데이터 전송 속도에 따라, 제1 전자 디바이스(1000)에서, 제2 전자 디바이스(2000)로 전송될 값의 크기가 작아지도록, 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹(110)이 결정될 수 있다.
또한, 제1 전자 디바이스(1000)에서, 제2 전자 디바이스(2000)로 전송되는 값이, 각 노드에서 서로 다른 가중치값이 적용된 엣지 데이터인 경우, 각 레이어에서 출력되는 엣지 데이터의 개수 또는 크기에 기초하여, 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹(110)이 결정될 수 있다. 예를 들면, 각 레이어에서 출력되는 엣지 데이터의 개수 또는 크기에 기초하여, 제1 전자 디바이스(1000)에서, 제2 전자 디바이스(2000)로 전송될 값의 크기가 작아지도록, 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹(110)이 결정될 수 있다.
또한, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)의 연산 능력에 기초하여, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)에서 처리될 신경망 모델(100)의 제1 그룹(110) 및 제2 그룹(120)이 각각 결정될 수 있다. 예를 들면, 제2 전자 디바이스(2000)의 연산 능력이 제1 전자 디바이스(1000)의 연산 능력보다 우수한 경우, 제2 전자 디바이스(2000)에서 처리되는 노드 개수가 제1 전자 디바이스(1000)에서 처리되는 노드 개수보다 많도록, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)에서 처리될 신경망 모델(100)의 제1 그룹(110) 및 제2 그룹(120)이 각각 결정될 수 있다.
일 실시 예에 의한, 제2 전자 디바이스(2000)는, 제1 전자 디바이스(1000)에서 처리되지 않은 신경망 모델(100)의 노드 중 제2 그룹(120)의 적어도 하나의 노드를, 제1 전자 디바이스(1000)로부터 수신한 값에 기초하여 처리할 수 있다. 예를 들면, 제2 전자 디바이스(2000)는, 제2 그룹(120)에 포함된 적어도 하나의 히든 레이어(121)의 노드에 제1 전자 디바이스(1000)로부터 수신한 값을 입력함으로써, 신경망 모델(100)의 제2 그룹(120)을 처리할 수 있다.
제2 그룹(120)에 출력 레이어(122)가 포함되어 있는 경우, 제2 전자 디바이스(2000)는 출력 레이어(122)로부터 출력된 출력값을 신경망 모델(100)의 출력값으로 획득할 수 있다. 또한, 제2 전자 디바이스(2000)는 신경망 모델(100)의 출력값을 제1 전자 디바이스(1000)로 전송할 수 있다. 제1 전자 디바이스(1000)는 제2 전자 디바이스(2000)로부터 수신한 신경망 모델(100)의 출력값을 이용하여 소정의 동작을 수행할 수 있다.
상술한 예에 의하면, 신경망 모델(100)이 제1 그룹(110) 및 제2 그룹(120)으로 분할되어 처리될 수 있으나, 상술한 예에 한하지 않고, 신경망 모델(100)은, 3개 이상의 복수 개의 그룹으로도 분할될 수 있다. 예를 들면, 신경망 모델(100)은 n개의 그룹으로 분할되어, 각각의 그룹은, 각각 대응되는 전자 디바이스에서 처리될 수 있다.
도 2는 일 실시 예에 의한 신경망 모델(100)에 포함된 노드의 예시를 나타내는 도면이다.
도 2를 참조하면, 하나의 노드(230)에는, 적어도 하나의 입력값(210, 211, 212, .. 21m)들이 입력될 수 있다. 일 실시 예에 의하면, 적어도 하나의 입력값(210, 211, 212, .. 21m)은, 로 데이터이거나, 다른 노드가 처리된 결과 출력된 데이터일 수 있다. 또한, 적어도 하나의 입력값(210, 211, 212, .. 21m)은, 각각 대응되는 가중치(220, 221, 222, .., 22m)가 적용되어 노드(230)로 입력될 수 있다. 가중치가 적용된 적어도 하나의 입력값(210, 211, 212, .. 21m)은, 상술한 엣지 데이터와 대응될 수 있다.
노드(230)에 입력된 값들은, 합산 함수(231)에 따라 더해진 후, 활성 함수(232, activation function)에 의해, 노드(230)에 대한 출력 값이 획득될 수 있다.
활성 함수(232)는, 예를 들면, 항등 함수, 경사 함수, 계단 함수, 시그모이드 함수 중 하나일 수 있으며, 상술한 예에 한하지 않고, 다양한 종류의 활성 함수가 이용될 수 있다. 합산 함수(231)에 의해 입력값들(210, 211, 212, .. 21m)이 합산된 값은 활성 함수(232)의 입력값으로 들어갈 수 있다.
활성 함수(232)의 출력값은 노드(230)에 대한 출력 값으로 출력될 수 있으며, 노드(230)와 대응되는 가중치가 적용되어 다른 노드에 입력될 수 있다.
도 3은 일 실시 예에 의한 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 시스템의 예시를 나타내는 도면이다.
도 3을 참조하면, 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 시스템(3000)은, 복수 개의 전자 디바이스로서 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)를 포함할 수 있다. 일 실시 예에 의한, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)는, 각각 단말 장치와 서버일 수 있다. 그러나 상술한 예에 한하지 않고, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)는 예를 들면, 게이트웨이(gateway) 등 다양한 종류의 전자 디바이스 중 하나일 수 있다. 또한, 도 3에 도시된 시스템(3000)은, 두 개의 전자 디바이스만 포함하고 있으나, 이에 한하지 않고, 일 실시 예에 의한 시스템(3000)은 세 개 이상의 전자 디바이스를 포함하여, 신경망 모델을 처리할 수 있다.
일 실시 예에 의하면, 신경망 모델(100)에 포함된 노드들 중, 복수 개의 전자 디바이스에 의해 각각 처리될 적어도 하나의 노드가 결정될 수 있고, 복수 개의 전자 디바이스는, 신경망 모델(100)의 적어도 하나의 노드를 처리하여, 신경망 모델(100)의 출력 값을 획득할 수 있다.
예를 들면, 제1 전자 디바이스(1000)는, 신경망 모델(100)의 제1 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다. 제1 그룹은, 입력값을 수신하는 입력 레이어를 포함할 수 있다. 제2 전자 디바이스(2000)는, 제1 전자 디바이스(1000)에 처리되는 노드를 제외한, 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다. 제2 그룹은, 출력값을 출력하는 출력 레이어를 포함할 수 있다. 제2 전자 디바이스(2000)는 출력 레이어의 출력값을 신경망 모델(100)의 출력값으로 출력할 수 있다. 제2 전자 디바이스(2000)는 제1 전자 디바이스(1000)로 신경망 모델(100)의 출력값을 전송할 수 있다.
도 4 및 도 5는 일부 실시예에 따른 제1 전자 디바이스(1000)의 블록도이다.
도 4에 도시된 바와 같이, 일부 실시예에 따른 제1 전자 디바이스(1000)는, 메모리(1700), 통신부(1500), 및 프로세서(1300)를 포함할 수 있다. 그러나, 도 4에 도시된 구성 요소 모두가 제1 전자 디바이스(1000)의 필수 구성 요소인 것은 아니다. 도 4에 도시된 구성 요소보다 많은 구성 요소에 의해 제1 전자 디바이스(1000)가 구현될 수도 있고, 도 4에 도시된 구성 요소보다 적은 구성 요소에 의해 제1 전자 디바이스(1000)가 구현될 수도 있다.
예를 들어, 도 5에 도시된 바와 같이, 일부 실시예에 따른 제1 전자 디바이스(1000)는, 메모리(1700), 통신부(1500), 및 프로세서(1300) 이외에 사용자 입력부(1100), 출력부(1200), 센싱부(1400) 및 A/V 입력부(1600)를 더 포함할 수도 있다.
사용자 입력부(1100)는, 사용자가 제1 전자 디바이스(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
사용자 입력부(1100)는, 로 데이터에 포함될 수 있는 소정 데이터에 대한 사용자의 입력을 수신할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 제1 전자 디바이스(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부(1210)는, 사용자 입력부(1100)를 통해 사용자가 입력한 값을 디스플레이할 수 있다. 또한, 디스플레이부(1210)는, 신경망 모델(100)에 의해 처리된 결과를 디스플레이할 수 있다.
한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 제1 전자 디바이스(1000)의 구현 형태에 따라 제1 전자 디바이스(1000)는 디스플레이부(1210)를 2개 이상 포함할 수도 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다.
진동 모터(1230)는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.
프로세서(1300)는, 통상적으로 제1 전자 디바이스(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다.
구체적으로, 프로세서(1300)는 신경망 모델에 대한 입력값을 획득하고, 입력값에 기초하여, 신경망 모델(100)의 제1 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다. 프로세서(1300)는 신경망 모델(100)의 제1 그룹에 포함된 적어도 하나의 노드가 처리됨에 따라, 제1 그룹으로부터 출력된 적어도 하나의 값을 제2 전자 디바이스(2000)로 전송할 수 있다. 제2 전자 디바이스(2000)는, 제1 그룹으로부터 출력된 적어도 하나의 값에 기초하여, 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다. 제2 전자 디바이스(2000)는 제2 그룹으로부터 출력된 값을 제1 전자 디바이스(1000)로 전송할 수 있다.
센싱부(1400)는, 제1 전자 디바이스(1000)의 상태 또는 제1 전자 디바이스(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다. 일 실시 예에 의하면, 센싱부(1400)에 의해 감지된 정보는, 신경망 모델(100)의 입력값으로 이용될 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
통신부(1500)는, 제1 전자 디바이스(1000)가 다른 전자 디바이스(2000) 또는 외부 디바이스(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 제1 전자 디바이스(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
일 실시 예에 의한, 통신부(1500)는, 신경망 모델(100)을 처리하는데 필요한 정보를, 서버(2000) 및 외부의 전자 디바이스(미도시)와 송수신할 수 있다. 예를 들면, 통신부(1500)는, 신경망 모델(100)의 제1 그룹으로부터 출력된 적어도 하나의 값을 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 제2 전자 디바이스(2000)로 전송할 수 있다. 또한, 통신부(1500)는, 제2 전자 디바이스(2000)로부터, 신경망 모델(100)의 출력값으로서, 제2 그룹으로부터 출력된 값을 수신할 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. 일 실시 예에 의하면, A/V 입력부(1600)에 의해 수신된 오디오 신호 또는 비디오 신호는, 상술한 로데이터로서, 신경망 모델(100)의 입력값으로 이용될 수 있다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 일 실시 예에 의하면, 마이크로폰(1620)에 의해 수신된 음향 신호는, 상술한 로데이터로서, 신경망 모델(100)의 입력값으로 이용될 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 제1 전자 디바이스(1000)로 입력되거나 제1 전자 디바이스(1000)로부터 출력되는 데이터를 저장할 수도 있다. 메모리(1700)는 신경망 모델(100)을 저장할 수 있다. 또한, 신경망 모델(100)을 학습시키고 업데이트시키기 위한 다양한 사용자 데이터를 저장할 수 있다. 일 실시 예에 의하면, 메모리(1700)에 저장된 다양한 종류의 데이터는, 상술한 로데이터로서, 신경망 모델(100)의 입력값으로 이용될 수 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 제1 전자 디바이스(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.
사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.
알림 모듈(1730)은 제1 전자 디바이스(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다.
도 6은 일 실시 예에 의한 제2 전자 디바이스(2000)를 나타낸 블록도이다.
도 6에 도시된 바와 같이, 일부 실시예에 따른 제2 전자 디바이스(2000)는, 메모리(2700), 통신부(2500), 및 프로세서(2300)를 포함할 수 있다. 제2 전자 디바이스(2000)의 메모리(2700), 통신부(2500), 및 프로세서(2300)는 제1 전자 디바이스(1000)의 메모리(1700), 통신부(1500), 및 프로세서(1300)와 대응될 수 있으며, 중복되는 설명은 생략하기로 한다.
그러나, 도 6에 도시된 구성 요소 모두가 제2 전자 디바이스(2000)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 제2 전자 디바이스(2000)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 제2 전자 디바이스(2000)가 구현될 수도 있다.
예를 들어, 일부 실시예에 따른 제2 전자 디바이스(2000)는, 메모리(2700), 통신부(2500), 및 프로세서(2300) 이외에, 사용자 입력부(미도시), 출력부(미도시), 센싱부(미도시) 및 A/V 입력부(미도시)를 더 포함할 수도 있다. 제2 전자 디바이스(2000)의 사용자 입력부(미도시), 출력부(미도시), 센싱부(미도시) 및 A/V 입력부(미도시)는, 제1 전자 디바이스(1000)의 사용자 입력부(1100), 출력부(1200), 센싱부(1400) 및 A/V 입력부(1600)와 대응될 수 있으며, 중복되는 설명은 생략하기로 한다.
메모리(2700)는 프로세서(2300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 제1 전자 디바이스(1000)로부터 수신된 데이터를 저장할 수도 있다. 메모리(2700)는 신경망 모델(100)을 저장할 수 있다. 또한, 신경망 모델(100)을 학습시키고 업데이트시키기 위한 다양한 사용자 데이터를 저장할 수 있다.
일 실시 예에 의한 메모리(2700)는, 제2 전자 디바이스(2000)에 의해 처리될 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드를 처리하는데 필요한 데이터를 저장할 수 있다. 또한, 일 실시 예에 의한 메모리(2700)는 제1 전자 디바이스(1000)로부터 수신한, 신경망 모델(100)의 제1 그룹으로부터 출력된 적어도 하나의 값을 저장할 수 있다. 또한, 일 실시 예에 의한 메모리(2700)는 제2 그룹으로부터 출력된 적어도 하나의 값을 저장할 수 있다.
통신부(2500)는 제2 전자 디바이스(2000)가 제1 전자 디바이스(1000) 또는 외부 디바이스(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 일 실시 예에 의한 통신부(2500)는, 제1 전자 디바이스(1000)로부터 신경망 모델(100)의 제1 그룹으로부터 출력된 적어도 하나의 값을 수신할 수 있다. 또한, 통신부(2500)는, 신경망 모델(100)의 출력값으로서, 제2 그룹으로부터 출력된 적어도 하나의 값을 제1 전자 디바이스(1000)로 전송할 수 있다.
프로세서(2300)는 통상적으로 제2 전자 디바이스(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 메모리(2700)에 저장된 프로그램들을 실행함으로써, 통신부(2500) 등을 전반적으로 제어할 수 있다.
구체적으로, 프로세서(2300)는 제1 전자 디바이스(1000)로부터 수신된 적어도 하나의 값을 처리하기 위한, 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드를 획득할 수 있다. 또한, 프로세서(2300)는, 제1 전자 디바이스(1000)로부터 수신된 적어도 하나의 값에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다. 또한, 프로세서(2300)는 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드를 처리함에 따라 출력 레이어로부터 출력된 출력값을, 신경망 모델(100)의 출력값으로서, 제1 전자 디바이스(1000)로 전송할 수 있다.
도 7은 일 실시 예에 의한 신경망 모델을 복수 개의 전자 디바이스에 저장하는 방법을 나타낸 순서도이다.
일 실시 예에 의한 신경망 모델(100)은, 다양한 방법으로 수집된 다양한 종류의 데이터에 기초하여 학습(training)될 수 있다. 신경망 모델(100)이 학습됨에 따라, 노드 간 연결 관계, 노드 내 활성 함수(232), 가중치 값(220, 221, 222, .. 22m) 등의 신경망 모델(100) 내의 다양한 종류의 값이 변경될 수 있다. 신경망 모델(100)의 학습이 완료되면, 일 실시 예에 따라서, 신경망 모델(100)은 복수 개의 전자 디바이스에서 처리될 수 있도록 저장될 수 있다.
일 실시 예에 의한 신경망 모델(100)은, 신경망 모델(100)이 처리되는 복수 개의 전자 디바이스 중 하나에 의해 획득될 수 있으나, 이에 한하지 않고, 신경망 모델(100)이 처리되는 전자 디바이스(1000, 2000) 이외 외부 장치에서 획득될 수도 있다. 이하에서는, 설명 편의상 제2 전자 디바이스(2000)에 의해 신경망 모델(100)이 획득되어, 복수 개의 전자 디바이스에 저장됨을 기준으로 설명하기로 한다.
도 7을 참조하면, 단계 710에서, 제2 전자 디바이스(2000)는 복수 개의 전자 디바이스에서 처리될 신경망 모델(100)을 획득할 수 있다. 예를 들면, 제2 전자 디바이스(2000)는 다양한 데이터에 기초하여 학습이 완료된 신경망 모델(100)을 획득할 수 있다. 일 실시 예에 의하면, 신경망 모델(100)의 학습이 완료될 때마다, 도 7의 단계 710 내지 730의 동작이 반복하여 수행될 수 있다.
단계 720에서, 제2 전자 디바이스(2000)는, 신경망 모델(100)의 적어도 하나의 노드를 포함한, 복수 개의 그룹을 결정할 수 있다. 단계 720에서 결정된 각각의 그룹은, 복수 개의 전자 디바이스(1000, 2000)에 의해 각각 처리될 수 있는 적어도 하나의 노드를 포함할 수 있다. 일 실시 예에 의한 신경망 모델(100)의 그룹은, 레이어 단위로 적어도 하나의 노드를 포함할 수 있다. 예를 들면, 제1 전자 디바이스(1000)에서 처리될 신경망 모델(100)의 제1 그룹은, 입력 레이어의 노드들을 포함할 수 있다. 또한, 제2 전자 디바이스(2000)에서 처리될 신경망 모델(100)의 제2 그룹은, 적어도 하나의 히든 레이어 및 출력 레이어의 노드들을 포함할 수 있다.
일 실시 예에 의하면, 제2 전자 디바이스(2000)는, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000) 간 데이터 전송 속도, 제1 전자 디바이스(1000)에서 제2 전자 디바이스(2000)로 전송될 값의 크기, 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)의 연산 능력 중 적어도 하나에 기초하여, 신경망 모델(100)의 복수 개의 그룹을 결정할 수 있다. 상술한 예에 한하지 않고, 제2 전자 디바이스(2000)는 다양한 방법을 이용하여 신경망 모델(100)에 대한 복수 개의 그룹을 결정할 수 있다.
단계 730에서, 제2 전자 디바이스(2000)는, 단계 720에서 결정된, 신경망 모델(100)의 각 그룹의 노드를 처리하기 위한 데이터를 각각 대응되는 전자 디바이스에 저장할 수 있다. 예를 들면, 제2 전자 디바이스(2000)는, 제1 전자 디바이스(1000)에서 처리되는 그룹의 노드를 처리하기 위한 데이터를 제1 전자 디바이스(1000)로 전송할 수 있다. 제1 전자 디바이스(1000)는 제2 전자 디바이스(2000)로부터 수신한 데이터를 메모리(1700)에 저장할 수 있다. 또한, 제2 전자 디바이스(2000)는, 제2 전자 디바이스(2000)에서 처리되는 그룹의 노드를 처리하기 위한 데이터를 제2 전자 디바이스(2000)의 메모리(2700)에 저장할 수 있다. 제1 전자 디바이스(1000) 및 제2 전자 디바이스(1000)는 각 장치의 메모리(1700, 2700)에 저장된 데이터를 이용하여, 신경망 모델(100)의 제1 그룹 및 제2 그룹을 처리할 수 있다.
도 8은 일 실시 예에 의한 복수 개의 전자 디바이스에서 신경망 모델을 처리하는 방법을 나타낸 순서도이다.
일 실시 예에 의하면, 제1 전자 디바이스(1000)는, 소정의 어플리케이션 또는 프로그램 동작 중 동작 수행을 위하여, 일 실시 예에 의한 신경망 모델(100)을 처리할 수 있다. 제1 전자 디바이스(1000)는, 신경망 모델(100)을 처리한 결과 획득된 출력값을 이용하여, 소정의 어플리케이션 또는 프로그램의 동작을 수행할 수 있다.
예를 들면, 제1 전자 디바이스(1000)는 입력된 음성 신호에 대하여 음성 인식을 수행하기 위해 신경망 모델(100)을 처리할 수 있다. 제1 전자 디바이스(1000)는 신경망 모델(100)의 출력값을 이용하여, 입력된 음성 신호에 대한 음성 인식 동작을 수행할 수 있다.
도 8을 참조하면, 단계 810에서, 제1 전자 디바이스(1000)는 신경망 모델(100)을 처리하기 위한 입력값을 획득할 수 있다. 예를 들면, 음성 인식이 수행될 음성 신호는 신경망 모델(100)의 입력값으로 획득될 수 있다.
단계 820에서, 제1 전자 디바이스(1000)는, 단계 810에서 획득된 입력값에 기초하여, 신경망 모델(100)의 제1 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다. 일 실시 예에 의하면, 제1 전자 디바이스(1000)는, 획득한 입력 값을 신경망 모델(100)의 입력 레이어에 입력함으로써, 신경망 모델(100)의 제1 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다.
일 실시 예에 의하면, 입력값이 제2 전자 디바이스(2000)로 전송되어 처리되는 대신, 제1 전자 디바이스(1000)에서, 신경망 모델(100)의 제1 그룹에 입력될 수 있다. 따라서, 제1 전자 디바이스(1000)는, 입력값 대신, 신경망 모델(100)의 제1 그룹으로부터 출력된 값을 제2 전자 디바이스(2000)로 전송할 수 있다.
단계 830에서, 제1 전자 디바이스(1000)는, 제1 그룹의 적어도 하나의 노드를 처리함으로써, 제1 그룹으로부터 출력된 적어도 하나의 값을 획득할 수 있다. 예를 들면, 제1 전자 디바이스(1000)는, 노드가 처리됨에 따라 출력된 엣지 데이터를 적어도 하나 획득할 수 있다.
단계 840에서, 제1 전자 디바이스(1000)는, 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 제2 전자 디바이스(2000)를 식별할 수 있다. 일 실시 예에 의하면, 제1 전자 디바이스(1000)는, 미리 결정된 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 디바이스에 관한 정보에 기초하여, 단계 840에서 제2 전자 디바이스(2000)를 식별할 수 있다. 일 실시 예에 의하면, 제2 그룹에 포함된 적어도 하나의 노드가 처리될 디바이스는, 신경망 모델(100)이 학습될 때마다 결정될 수 있다.
단계 850에서, 제1 전자 디바이스(1000)는, 단계 840에서 식별된 제2 전자 디바이스(2000)로 제1 그룹으로부터 출력된 적어도 하나의 값을 전송할 수 있다. 예를 들면, 제1 전자 디바이스(1000)는, 제1 그룹의 노드가 처리됨에 따라 출력된 엣지 데이터를 제2 전자 디바이스(2000)로 전송할 수 있다.
도 9는 일 실시 예에 의한 복수 개의 전자 디바이스에서 신경망 모델을 처리하는 방법을 나타낸 순서도이다.
도 9를 참조하면, 단계 910에서, 제2 전자 디바이스(2000)는, 제1 전자 디바이스(1000)로부터, 신경망 모델(100)의 제1 그룹으로부터 출력된 적어도 하나의 값을 수신할 수 있다. 제1 전자 디바이스(1000)로부터 수신된 적어도 하나의 값은, 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드가 처리됨으로써, 제1 그룹으로부터 출력된 값일 수 있다. 예를 들면, 제2 전자 디바이스(2000)는, 제1 그룹의 노드가 처리됨에 따라 출력된 엣지 데이터를 제1 전자 디바이스(1000)로부터 수신할 수 있다.
단계 920에서, 제2 전자 디바이스(2000)는 단계 910에서, 제1 전자 디바이스(1000)로부터 수신된 적어도 하나의 값을 처리하기 위한 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드들 획득할 수 있다.
단계 930에서, 제2 전자 디바이스(2000)는, 단계 910에서, 제1 전자 디바이스(1000)로부터 수신된 적어도 하나의 값에 기초하여, 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드를 처리할 수 있다.
일 실시 예에 의하면, 제2 전자 디바이스(2000)는, 신경망 모델(100)의 제2 그룹에 포함된 적어도 하나의 노드를 처리함에 따라, 출력 레이어로부터 출력된, 신경망 모델(100)의 출력값을 획득할 수 있다. 제2 전자 디바이스(2000)는 신경망 모델(100)의 출력값을 제1 전자 디바이스(1000)로 전송함으로써, 신경망 모델(100)의 처리 결과가 제1 전자 디바이스(1000)에서 출력될 수 있도록 할 수 있다. 예를 들면, 제1 전자 디바이스(1000)는, 제2 전자 디바이스(2000)로부터 수신한 신경망 모델(100)의 출력값에 기초하여, 입력된 음성 신호에 대한 음성 인식 결과를 출력할 수 있다.
도 10은 일 실시예에 따른 제1 전자 디바이스(1000)에 포함된 프로세서(1300)의 블록도이다.
도 10을 참조하면, 일 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 상황 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 신경망 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초한 상황을 판단할 수 있다. 데이터 인식부(1320)는 학습된 신경망 모델을 이용하여, 소정의 데이터로부터 상황을 인식할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 신경망 모델을 이용함으로써, 소정의 데이터에 기초한 소정의 상황을 판단할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 신경망 모델에 의해 출력된 결과 값은, 신경망 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 11는 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 11을 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.
데이터 획득부(1310-1)는 음성 데이터, 영상 데이터, 텍스트 데이터 또는 생체신호 데이터 등을 획득할 수 있다. 일 예로, 데이터 획득부(1310-1)는 전자 장치의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다.
또한, 데이터 획득부(1310-1)는 다양한 종류의 로 데이터를 획득할 수 있다. 로 데이터는, 예를 들어, 사용자에 의해 입력된 텍스트, 제1 전자 디바이스(1000)에 저장된 사용자의 개인 정보, 및 제1 전자 디바이스(1000)에 감지된 센서 정보, 생체 정보 등을 포함할 수 있으나, 이에 제한되지 않는다.
전처리부(1310-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 상황 판단에 이용되는 신경망 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 신경망 모델은 미리 구축된 모델일 수 있다. 예를 들어, 신경망 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다. 또한, 신경망 모델은 신경망 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 신경망 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 신경망 모델을 학습할 신경망 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 신경망 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 신경망 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다.
또한, 신경망 모델이 학습되면, 모델 학습부(1310-4)는 학습된 신경망 모델을 저장할 수 있다. 일 실시 예에 의하면, 모델 학습부(1310-4)는 학습된 신경망 모델을 복수 개의 그룹으로 나누고, 각 그룹을 처리하기 위한 데이터를, 각 그룹이 처리될 디바이스의 메모리에 저장할 수 있다. 예를 들면, 신경망 모델의 제1 그룹을 처리하기 위한 데이터는 제1 전자 디바이스(1000)의 메모리에 저장될 수 있다. 또한, 신경망 모델의 제2 그룹을 처리하기 위한 데이터는, 제1 전자 디바이스(1000)와 유선 또는 무선 네트워크로 연결되는 제2 전자 디바이스(2000)의 메모리에 저장될 수 있다.
학습된 신경망 모델이 저장되는 메모리는, 예를 들면, 제1 전자 디바이스(1000)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 신경망 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 신경망 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 신경망 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 신경망 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 신경망 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 신경망 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 신경망 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 12는 일 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 12를 참조하면, 일 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 신경망 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 신경망 모델에 적용할 수 있다. 또한, 인식 결과는 신경망 모델에 의해 결정될 수 있다.
일 실시 예에 의하면, 제1 전자 디바이스(1000)의 인식 결과 제공부(1320-4)는, 신경망 모델의 제1 그룹에 포함된 노드를 처리하고, 처리 결과를 제2 전자 디바이스(2000)로 전송할 수 있다. 또한, 제2 전자 디바이스(2000)에서 신경망 모델의 제2 그룹에 포함된 노드가 처리될 수 있고, 그 결과가 인식 결과로써, 제1 전자 디바이스(1000)로 전송될 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 신경망 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 신경망 모델을 갱신하도록 할 수 있다.
일 실시 예에 의하면, 신경망 모델이 갱신될 때마다, 복수 개의 전자 디바이스에서 처리될 수 있는 신경망 모델의 그룹이 결정될 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 13은 일 실시예에 따른 제1 전자 디바이스(1000) 및 제2 전자 디바이스(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 13을 참조하면, 제2 전자 디바이스(2000)는 상황 판단을 위한 기준을 학습할 수 있으며, 제1 전자 디바이스(1000)는 제2 전자 디바이스(2000)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.
이 경우, 제2 전자 디바이스(2000)의 모델 학습부(2340)는 도 11에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 제2 전자 디바이스(2000)의 모델 학습부(2340)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 신경망 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
또한, 제1 전자 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 제2 전자 디바이스(2000)에 의해 생성된 신경망 모델에 적용하여 상황을 판단할 수 있다. 일 실시 예에 의하면, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 신경망 모델의 제1 그룹에 입력하여 처리하고, 제1 그룹으로부터 출력된 값을 제2 전자 디바이스(2000)에게 전송할 수 있다. 또한, 제2 전자 디바이스(2000)는 제1 그룹으로부터 출력된 값을 이용하여, 신경망 모델의 제2 그룹에 입력함으로써 인식 결과 제공부(1320-4)의 요청에 따라 상황을 판단할 수 있다. 또한, 인식 결과 제공부(1320-4)는 제2 전자 디바이스(2000)에 의해 판단된 상황에 관한 정보를 제2 전자 디바이스(2000)로부터 수신할 수 있다.
또는, 제1 전자 디바이스(1000)의 인식 결과 제공부(1320-4)는 제2 전자 디바이스(2000)에 의해 생성된 인식 모델을 제2 전자 디바이스(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 상황을 판단할 수 있다. 이 경우, 제1 전자 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 제2 전자 디바이스(2000)로부터 수신된 신경망 모델에 적용하여 상황을 판단할 수 있다.
일 실시 예에 의하면, 중요 정보를 포함한 로 데이터가 변환 없이 원형 그대로 다른 장치에 전송되는 경우를 방지할 수 있으므로, 전송 과정에서 중요 정보가 유출될 수 있는 위험을 줄일 수 있다.
일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 또는 프로그램 모듈을 포함하며, 임의의 정보 전달 매체를 포함한다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 제1 전자 디바이스에서, 신경망 모델을 처리하는 방법에 있어서,
    상기 신경망 모델에 대한 입력값을 획득하는 단계;
    상기 입력값에 기초하여, 상기 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드를 처리하는 단계;
    상기 제1 그룹에 포함된 적어도 하나의 노드를 처리함으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 획득하는 단계;
    상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 제2 전자 디바이스를 식별하는 단계; 및
    상기 식별된 제2 전자 디바이스로 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 전송하는 단계를 포함하고,
    상기 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드를 처리하는 단계는 상기 제1 전자 디바이스 및 상기 제2 전자 디바이스 간 데이터 전송 속도, 상기 제1 전자 디바이스에서 제2 전자 디바이스로 전송될 상기 적어도 하나의 값의 크기, 상기 제1 전자 디바이스 및 상기 제2 전자 디바이스의 연산 능력 중 적어도 하나에 기초하여 결정된 상기 신경망 모델의 제1 그룹에 관한 정보를 획득하는 단계; 및
    상기 획득된 정보에 기초하여, 상기 제1 그룹에 포함된 적어도 하나의 노드를 처리하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 전송하는 단계는
    상기 신경망 모델에 기초하여, 상기 적어도 하나의 값과 대응되는 적어도 하나의 가중치를 획득하는 단계;
    상기 획득된 적어도 하나의 가중치를 상기 적어도 하나의 값에 각각 적용하는 단계; 및
    상기 가중치가 적용된 적어도 하나의 값을 상기 제2 전자 디바이스로 전송하는 단계를 포함하는, 방법.
  3. 삭제
  4. 제1항에 있어서, 상기 제1 전자 디바이스 및 제2 전자 디바이스는 각각 단말 장치 및 서버인, 방법.
  5. 제2 전자 디바이스에서, 신경망 모델을 처리하는 방법에 있어서,
    제1 전자 디바이스로부터, 상기 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드가 처리됨으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 수신하는 단계;
    상기 수신된 적어도 하나의 값을 처리하기 위한, 상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드를 획득하는 단계; 및
    상기 수신된 적어도 하나의 값에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리하는 단계를 포함하는, 방법.
  6. 제5항에 있어서,
    상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드가 처리됨에 따라, 상기 신경망 모델의 출력 레이어로부터 출력된 출력값을 획득하는 단계; 및
    상기 획득된 출력값을 상기 제1 전자 디바이스로 전송하는 단계를 더 포함하는, 방법.
  7. 제5항에 있어서, 상기 수신된 적어도 하나의 값에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리하는 단계는,
    상기 제1 전자 디바이스 및 상기 제2 전자 디바이스 간 데이터 전송 속도, 상기 제1 전자 디바이스에서 제2 전자 디바이스로 전송될 상기 적어도 하나의 값의 크기, 상기 제1 전자 디바이스 및 상기 제2 전자 디바이스의 연산 능력 중 적어도 하나에 기초하여 결정된, 상기 신경망 모델의 제2 그룹에 관한 정보를 획득하는 단계; 및
    상기 획득된 정보에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리하는 단계를 포함하는, 방법.
  8. 신경망 모델을 처리하는 제1 전자 디바이스에 있어서,
    메모리;
    통신부; 및
    상기 메모리에 저장된 신경망 모델에 대한 입력값을 획득하고, 상기 입력값에 기초하여, 상기 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드를 처리하고, 상기 제1 그룹에 포함된 적어도 하나의 노드를 처리함으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 획득하고, 상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드가 처리될 제2 전자 디바이스를 식별하고, 상기 식별된 제2 전자 디바이스로 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 전송하도록 상기 통신부를 제어하는 프로세서를 포함하고,
    상기 프로세서는 상기 제1 전자 디바이스 및 상기 제2 전자 디바이스 간 데이터 전송 속도, 상기 제1 전자 디바이스에서 제2 전자 디바이스로 전송될 상기 적어도 하나의 값의 크기, 상기 제1 전자 디바이스 및 상기 제2 전자 디바이스의 연산 능력 중 적어도 하나에 기초하여 결정된, 상기 신경망 모델의 제1 그룹에 관한 정보를 획득하고, 상기 획득된 정보에 기초하여, 상기 제1 그룹에 포함된 적어도 하나의 노드를 처리하는, 제1 전자 디바이스.
  9. 제8항에 있어서, 상기 프로세서는,
    상기 신경망 모델에 기초하여, 상기 적어도 하나의 값과 대응되는 적어도 하나의 가중치를 획득하고, 상기 획득된 적어도 하나의 가중치를 상기 적어도 하나의 값에 각각 적용하고, 상기 가중치가 적용된 적어도 하나의 값을 상기 제2 전자 디바이스로 전송하도록 상기 통신부를 제어하는, 제1 전자 디바이스.
  10. 삭제
  11. ◈청구항 11은(는) 설정등록료 납부시 포기되었습니다.◈
    제8항에 있어서, 상기 제1 전자 디바이스 및 제2 전자 디바이스는 각각 단말 디바이스 및 서버 디바이스인, 제1 전자 디바이스.
  12. 메모리;
    통신부; 및
    제1 전자 디바이스로부터, 신경망 모델의 제1 그룹에 포함된 적어도 하나의 노드가 처리됨으로써, 상기 제1 그룹으로부터 출력된 적어도 하나의 값을 수신하도록, 상기 통신부를 제어하고, 상기 수신된 적어도 하나의 값을 처리하기 위한, 상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드를 상기 메모리로부터 획득하고, 상기 수신된 적어도 하나의 값에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리하는 프로세서를 포함하고,
    상기 프로세서는 상기 제1 전자 디바이스 및 상기 제2 전자 디바이스 간 데이터 전송 속도, 상기 제1 전자 디바이스에서 제2 전자 디바이스로 전송될 상기 적어도 하나의 값의 크기, 상기 제1 전자 디바이스 및 상기 제2 전자 디바이스의 연산 능력 중 적어도 하나에 기초하여 결정된, 상기 신경망 모델의 제2 그룹에 관한 정보를 획득하고, 상기 획득된 정보에 기초하여, 상기 제2 그룹에 포함된 적어도 하나의 노드를 처리하는, 제2 전자 디바이스.
  13. ◈청구항 13은(는) 설정등록료 납부시 포기되었습니다.◈
    제12항에 있어서, 상기 프로세서는
    상기 신경망 모델의 제2 그룹에 포함된 적어도 하나의 노드가 처리됨에 따라, 상기 신경망 모델의 출력 레이어로부터 출력된 출력값을 획득하고, 상기 획득된 출력값을 상기 제1 전자 디바이스로 전송하도록 상기 통신부를 제어하는, 제2 전자 디바이스.
  14. 삭제
  15. 제1항 내지 제2항 및 제4항 내지 제7항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020180008415A 2018-01-23 2018-01-23 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 KR102474246B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180008415A KR102474246B1 (ko) 2018-01-23 2018-01-23 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템
US16/254,925 US20190228294A1 (en) 2018-01-23 2019-01-23 Method and system for processing neural network model using plurality of electronic devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180008415A KR102474246B1 (ko) 2018-01-23 2018-01-23 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20190089628A KR20190089628A (ko) 2019-07-31
KR102474246B1 true KR102474246B1 (ko) 2022-12-06

Family

ID=67299301

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180008415A KR102474246B1 (ko) 2018-01-23 2018-01-23 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템

Country Status (2)

Country Link
US (1) US20190228294A1 (ko)
KR (1) KR102474246B1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021040419A1 (en) * 2019-08-30 2021-03-04 Samsung Electronics Co., Ltd. Electronic apparatus for applying personalized artificial intelligence model to another model
JP7475150B2 (ja) 2020-02-03 2024-04-26 キヤノン株式会社 推論装置、推論方法、及びプログラム
US20210404818A1 (en) * 2020-06-24 2021-12-30 Here Global B.V. Method, apparatus, and system for providing hybrid traffic incident identification for autonomous driving
KR102324889B1 (ko) * 2020-06-25 2021-11-11 (주)데이터리퍼블릭 인공 신경망을 이용하여 pc용 오픈소스 프로그램을 저전력 장치에서 실행시킬 수 있는 방법 및 시스템
KR20220027468A (ko) 2020-08-27 2022-03-08 삼성전기주식회사 동글형 전자기기 인공지능 지원 모듈 및 전자기기가 인공지능을 지원받는 방법
US20220165291A1 (en) * 2020-11-20 2022-05-26 Samsung Electronics Co., Ltd. Electronic apparatus, control method thereof and electronic system
KR102529082B1 (ko) * 2021-04-22 2023-05-03 재단법인대구경북과학기술원 촉각 감지 방법 및 장치
CN113806509A (zh) * 2021-09-18 2021-12-17 上海景吾智能科技有限公司 基于知识图谱和rnn神经网络的机器人对话系统及方法
WO2023085819A1 (en) * 2021-11-12 2023-05-19 Samsung Electronics Co., Ltd. Method and system for adaptively streaming artificial intelligence model file

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324690A1 (en) * 2014-05-08 2015-11-12 Microsoft Corporation Deep Learning Training System

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11475436B2 (en) * 2010-01-08 2022-10-18 Blackhawk Network, Inc. System and method for providing a security code

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324690A1 (en) * 2014-05-08 2015-11-12 Microsoft Corporation Deep Learning Training System

Also Published As

Publication number Publication date
KR20190089628A (ko) 2019-07-31
US20190228294A1 (en) 2019-07-25

Similar Documents

Publication Publication Date Title
KR102474246B1 (ko) 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템
KR102425578B1 (ko) 객체를 인식하는 방법 및 장치
US10349126B2 (en) Method and apparatus for filtering video
US11126833B2 (en) Artificial intelligence apparatus for recognizing user from image data and method for the same
KR102491546B1 (ko) 객체를 인식하는 방법 및 장치
US11508364B2 (en) Electronic device for outputting response to speech input by using application and operation method thereof
CN112805743A (zh) 用于基于知识图谱来提供内容的系统和方法
KR102480416B1 (ko) 차선 정보를 추정하는 방법 및 전자 장치
US11592825B2 (en) Electronic device and operation method therefor
KR20220111241A (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
KR102474245B1 (ko) 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법
US11931906B2 (en) Mobile robot device and method for providing service to user
KR20180055708A (ko) 이미지를 처리하는 전자 장치 및 방법
KR102420567B1 (ko) 음성 인식 장치 및 방법
US11153426B2 (en) Electronic device and control method thereof
KR102531654B1 (ko) 음성 입력 인증 디바이스 및 그 방법
KR102430567B1 (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
KR20190096752A (ko) 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치
KR102384878B1 (ko) 동영상을 필터링하는 방법 및 장치
KR102464906B1 (ko) 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법
KR102630820B1 (ko) 메신저 피싱 또는 보이스 피싱을 감지하는 전자 장치 및 그 동작 방법
KR102423754B1 (ko) 디바이스 사용 문의에 대한 응답을 제공하는 디바이스 및 방법
US11548144B2 (en) Robot and controlling method thereof
KR102697346B1 (ko) 영상에서 오브젝트를 인식하는 전자 장치 및 그 동작 방법
KR20190119205A (ko) 전자 장치 및 그 제어 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant