KR102578826B1 - Neural network device and operation method of the same - Google Patents
Neural network device and operation method of the same Download PDFInfo
- Publication number
- KR102578826B1 KR102578826B1 KR1020180005250A KR20180005250A KR102578826B1 KR 102578826 B1 KR102578826 B1 KR 102578826B1 KR 1020180005250 A KR1020180005250 A KR 1020180005250A KR 20180005250 A KR20180005250 A KR 20180005250A KR 102578826 B1 KR102578826 B1 KR 102578826B1
- Authority
- KR
- South Korea
- Prior art keywords
- input
- result
- data
- neural network
- network device
- Prior art date
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
- G06N3/06—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
Abstract
딜레이 타임을 이용하여 복수개의 입력과 동일한 커널에 대한 연산을 동일한 프로세서로 수행하는 방법 및 이를 위한 뉴럴 네트워크 장치가 개시된다. 뉴럴 네트워크 장치는 뉴로모픽 하드웨어를 포함할 수 있으며, CNN 매핑을 수행할 수 있다.A method of performing operations on a plurality of inputs and the same kernel using delay time with the same processor and a neural network device therefor are disclosed. A neural network device may include neuromorphic hardware and may perform CNN mapping.
Description
본 개시는 뉴럴 네트워크 장치 및 그 동작 방법에 관한 것이다.This disclosure relates to a neural network device and a method of operating the same.
뉴럴 네트워크(neural network)는 생물학적 뇌를 모델링한 컴퓨터 과학적 아키텍쳐(computational architecture)를 참조한다. 최근 뉴럴 네트워크(neural network) 기술이 발전함에 따라, 다양한 종류의 전자 시스템에서 뉴럴 네트워크 장치를 사용하여 입력 데이터를 분석하고 유효한 정보를 추출하는 연구가 활발히 진행되고 있다.Neural network refers to a computational architecture that models the biological brain. As neural network technology has recently developed, research is being actively conducted to analyze input data and extract valid information using neural network devices in various types of electronic systems.
특히 저전력 및 저성능으로 구현되는 디바이스에서, 뉴럴 네트워크를 이용하여 대량의 입력 데이터를 실시간으로 분석하여 원하는 정보를 추출하기 위해서는 뉴럴 네트워크에 관한 연산을 효율적으로 처리할 수 있는 기술이 요구된다.In particular, in devices implemented with low power and low performance, technology that can efficiently process neural network operations is required in order to extract desired information by analyzing large amounts of input data in real time using a neural network.
시간 딜레이를 이용한 뉴럴 네트워크 장치, 및 그 동작 방법을 제공하는데 있다. 본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.The object is to provide a neural network device using time delay and a method of operating the same. The technical challenges that this embodiment aims to achieve are not limited to the technical challenges described above, and other technical challenges can be inferred from the following embodiments.
제 1 측면에 따른 뉴럴 네트워크 장치는 적어도 하나의 프로그램이 저장된 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 뉴럴 네트워크를 구동하여 제 1 입력 및 제 2 입력을 포함하는 입력 데이터에 대한 연산을 수행하는 프로세서를 포함하고, 상기 프로세서는, 상기 제 1 입력과 복수개의 커널 간의 연산을 수행하여 제 1 결과를 획득하고, 상기 제 1 입력이 수신된 시점에서 제 1 인터벌(interval)만큼 딜레이된 시점에 수신된 상기 제 2 입력과 상기 복수개의 커널 간의 연산을 수행하여 제 2 결과를 획득하고, 상기 제 1 결과와 상기 제 2 결과를 이용하여 상기 입력 데이터에 대한 출력 데이터를 획득할 수 있다.A neural network device according to a first aspect includes a memory storing at least one program; and a processor that drives a neural network by executing the at least one program to perform an operation on input data including a first input and a second input, wherein the processor operates between the first input and a plurality of kernels. A first result is obtained by performing an operation, and a second result is obtained by performing an operation between the second input received at a time delayed by a first interval from the time the first input is received and the plurality of kernels. can be obtained, and output data for the input data can be obtained using the first result and the second result.
또한, 상기 뉴럴 네트워크 장치는 뉴로모픽 하드웨어를 포함하고, 상기 뉴로모픽 하드웨어는 상기 제 1 입력과 상기 제 2 입력을 이용하여 CNN(Convolution Neural Network) 매핑을 수행할 수 있다.Additionally, the neural network device includes neuromorphic hardware, and the neuromorphic hardware can perform Convolution Neural Network (CNN) mapping using the first input and the second input.
또한, 상기 입력 데이터는 이미지 데이터를 포함하고, 상기 제 1 입력은 상기 이미지 데이터의 제 1 영역에 대한 데이터를 포함하고, 상기 제 2 입력은 상기 이미지 데이터의 제 2 영역에 대한 데이터를 포함할 수 있다.Additionally, the input data may include image data, the first input may include data for a first region of the image data, and the second input may include data for a second region of the image data. there is.
또한, 상기 제 1 영역과 상기 제 2 영역은 일부 중첩되고 상호 인접할 수 있다.Additionally, the first area and the second area may partially overlap and be adjacent to each other.
또한, 상기 프로세서는 상기 제 2 입력이 유효한 입력인지 여부를 결정하고,Additionally, the processor determines whether the second input is a valid input,
상기 제 2 입력이 유효한 입력인 경우, 상기 제 2 입력과 상기 복수개의 커널 간의 연산을 수행하여 상기 제 2 결과를 획득할 수 있다.If the second input is a valid input, the second result can be obtained by performing an operation between the second input and the plurality of kernels.
또한, 상기 프로세서는 상기 제 2 입력이 상기 제 2 영역을 구성하는 픽셀 데이터인 경우 상기 제 2 입력을 상기 유효한 입력으로 결정할 수 있다.Additionally, the processor may determine the second input as the valid input when the second input is pixel data constituting the second area.
또한, 상기 프로세서는 서로 다른 딜레이 타임을 갖고 상기 이미지 데이터를 나타내는 복수개의 데이터 스트림을 복수개의 입력단으로부터 수신하고, 상기 복수개의 입력단으로부터 수신되는 상기 복수개의 데이터 스트림으로부터 상기 제 1 입력을 수신하고, 상기 제 2 결과를 획득하는 단계는 상기 복수개의 입력단으로부터 수신되는 상기 복수개의 데이터 스트림으로부터 상기 제 2 입력을 수신할 수 있다.In addition, the processor receives a plurality of data streams representing the image data with different delay times from a plurality of input terminals, receives the first input from the plurality of data streams received from the plurality of input terminals, and The step of obtaining a second result may include receiving the second input from the plurality of data streams received from the plurality of input terminals.
또한, 상기 제 1 입력은 제 1 사이클 동안 수신되고, 상기 제 2 입력은 상기 제 1 사이클보다 상기 제 1 인터벌만큼 딜레이된 제 2 사이클 동안 수신될 수 있다.Additionally, the first input may be received during a first cycle, and the second input may be received during a second cycle delayed by the first interval from the first cycle.
또한, 상기 프로세서는 상기 제 1 입력과 상기 복수개의 커널 간의 연산 결과들을 더하여 상기 제 1 결과를 획득하고, 상기 제 2 입력과 상기 복수개의 커널 간의 연산 결과들을 더하여 상기 제 2 결과를 획득할 수 있다.In addition, the processor may obtain the first result by adding the operation results between the first input and the plurality of kernels, and obtain the second result by adding the operation results between the second input and the plurality of kernels. .
또한, 상기 프로세서는 상기 제 2 입력이 수신된 시점에서 제 2 인터벌만큼 딜레이된 시점에 상기 입력 데이터에 포함되는 제 3 입력을 수신하고, 상기 제 3 입력과 상기 복수개의 커널 간의 연산을 수행하여 제 3 결과를 획득하고, 상기 제 1 결과, 상기 제 2 결과 및 상기 제 3 결과를 이용하여 상기 출력 데이터를 획득할 수 있다.In addition, the processor receives a third input included in the input data at a time delayed by a second interval from the time the second input is received, and performs an operation between the third input and the plurality of kernels to obtain a first 3 results may be obtained, and the output data may be obtained using the first result, the second result, and the third result.
또한, 제 2 측면에 따라 뉴럴 네트워크 장치 장치가 제 1 입력 및 제 2 입력을 포함하는 입력 데이터에 대한 연산을 수행하는 방법은 상기 뉴럴 네트워크 장치가 포함하는 프로세서를 이용하여, 상기 제 1 입력과 복수개의 커널 간의 연산을 수행하여 제 1 결과를 획득하는 단계; 상기 프로세서를 이용하여, 상기 제 1 입력이 수신된 시점에서 제 1 인터벌(interval)만큼 딜레이된 시점에 수신된 상기 제 2 입력과 상기 복수개의 커널 간의 연산을 수행하여 제 2 결과를 획득하는 단계; 및 상기 제 1 결과와 상기 제 2 결과를 이용하여 상기 입력 데이터에 대한 출력 데이터를 획득하는 단계를 포함할 수 있다.In addition, according to a second aspect, a method of performing an operation on input data including a first input and a second input by a neural network device uses a processor included in the neural network device, the first input and a plurality of inputs. Obtaining a first result by performing an operation between the kernels; Obtaining a second result by using the processor to perform an operation between the plurality of kernels and the second input received at a time delayed by a first interval from the time the first input is received; And it may include obtaining output data for the input data using the first result and the second result.
또한, 제 2 측면에 따른 방법을 컴퓨터에서 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 비일시적 기록 매체가 제공될 수 있다.Additionally, a computer-readable non-transitory recording medium on which a program for implementing the method according to the second aspect is recorded on a computer may be provided.
본 개시에 따르면, 뉴럴 네트워크 장치는 딜레이 타임을 이용하여 데이터를 처리함으로써, 동일한 프로세서를 이용하여 수행가능한 데이터 량을 증가시킬 수 있다.According to the present disclosure, a neural network device can increase the amount of data that can be performed using the same processor by processing data using delay time.
도 1은 일 실시 예에 따른 뉴럴 네트워크의 아키텍처를 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 뉴럴 네트워크에서 입력 피처맵 및 출력 피처맵의 관계를 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 뉴럴 네트워크 장치의 하드웨어 구성을 도시한 블록도이다.
도 4는 일 실시 예에 따른 뉴럴 네트워크 장치가 입력 데이터에 포함되는 복수개의 입력들을 복수회에 걸쳐 처리하는 일 예를 나타내는 도면이다.
도 5는 일 실시 예에 따른 뉴럴 네트워크 장치가 데이터 스트림을 생성하는 일 예를 나타내는 도면이다.
도 6은 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림의 일 예를 나타내는 도면이다.
도 7은 일 실시 예에 따른 뉴럴 네트워크 장치가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림에 대해서 커널과의 연산 결과를 획득하는 일 예를 나타내는 도면이다.
도 8은 일 실시 예에 따른 뉴럴 네트워크 장치가 입력과 커널 간의 연산을 수행하는 일 예를 나타내는 도면이다.
도 9는 일 실시 예에 따른 뉴럴 네트워크 장치가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림을 획득하는 일 예를 나타내는 도면이다.
도 10은 일 실시 예에 따른 뉴럴 네트워크 장치가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림으로부터 복수개의 영역에 대한 데이터를 획득하는 일 예를 나타내는 도면이다.
도 11은 일 실시 예에 따른 뉴럴 네트워크 장치가 제 1 입력과 제 2 입력으로부터 출력 데이터를 획득하는 방법을 나타내는 흐름도이다.
도 12는 일 실시 예에 따른 뉴럴 네트워크 장치가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림으로부터 출력 데이터를 획득하는 방법을 나타내는 흐름도이다.
도 13은 일 실시 예에 따른 뉴럴 네트워크 장치가 제 1 입력 내지 제 3 입력을 이용하여 출력 데이터를 획득하는 방법을 나타내는 흐름도이다.
도 14는 일 실시 예에 따른 뉴럴 네트워크 장치가 입력 데이터로부터 출력 데이터를 획득하는 방법을 나타내는 흐름도이다.
도 15a 내지 15b는 일 실시 예에 따른 뉴로모픽(neuromorphic) 장치의 동작 방법을 설명하기 위한 도면이다.
도 16a 내지 도 16b는 일 실시 예에 따른 벡터-행렬 곱셈과 뉴럴 네트워크 장치에서 수행되는 연산을 비교하기 위한 도면이다.
도 17은 일 실시 예에 따른 뉴럴 네트워크 장치에서 컨벌루션 연산이 수행되는 예시를 설명하기 위한 도면이다.
도 18은 일 실시 예에 따른 서브 피처맵과 코어가 매칭되는 예시를 설명하기 위한 도면이다.
도 19는 일 실시 예에 따른 코어에서 벡터 곱셈 연산이 수행되는 예시를 설명하기 위한 도면이다.
도 20은 일 실시 예에 따른 복수의 코어에서 산출된 출력 값들을 합성하는 방법을 설명하기 위한 도면이다.
도 21은 일 실시 예에 따른 뉴럴 네트워크 장치에서 뉴럴 네트워크를 구현하는 방법을 설명하는 흐름도이다.
도 22는 일 실시 예에 따른 뉴럴 네트워크 장치 및 메모리를 도시한 블록도이다.Figure 1 is a diagram for explaining the architecture of a neural network according to an embodiment.
Figure 2 is a diagram for explaining the relationship between an input feature map and an output feature map in a neural network according to an embodiment.
Figure 3 is a block diagram showing the hardware configuration of a neural network device according to an embodiment.
FIG. 4 is a diagram illustrating an example in which a neural network device processes a plurality of inputs included in input data multiple times, according to an embodiment.
FIG. 5 is a diagram illustrating an example in which a neural network device generates a data stream according to an embodiment.
Figure 6 is a diagram illustrating an example of a plurality of data streams having different delay times.
FIG. 7 is a diagram illustrating an example in which a neural network device obtains results of operations with a kernel for a plurality of data streams having different delay times, according to an embodiment.
FIG. 8 is a diagram illustrating an example in which a neural network device performs an operation between an input and a kernel according to an embodiment.
FIG. 9 is a diagram illustrating an example in which a neural network device acquires a plurality of data streams with different delay times, according to an embodiment.
FIG. 10 is a diagram illustrating an example in which a neural network device acquires data for a plurality of areas from a plurality of data streams having different delay times, according to an embodiment.
FIG. 11 is a flowchart illustrating a method by which a neural network device obtains output data from a first input and a second input, according to an embodiment.
FIG. 12 is a flowchart illustrating a method by which a neural network device obtains output data from a plurality of data streams having different delay times, according to an embodiment.
Figure 13 is a flowchart showing a method by which a neural network device acquires output data using first to third inputs according to an embodiment.
Figure 14 is a flowchart showing a method by which a neural network device obtains output data from input data, according to an embodiment.
15A to 15B are diagrams for explaining a method of operating a neuromorphic device according to an embodiment.
16A to 16B are diagrams for comparing vector-matrix multiplication and operations performed in a neural network device according to an embodiment.
FIG. 17 is a diagram illustrating an example of a convolution operation being performed in a neural network device according to an embodiment.
FIG. 18 is a diagram illustrating an example of matching a sub-feature map and a core according to an embodiment.
Figure 19 is a diagram for explaining an example of a vector multiplication operation performed in a core according to an embodiment.
Figure 20 is a diagram for explaining a method of combining output values calculated from a plurality of cores according to an embodiment.
Figure 21 is a flowchart explaining a method of implementing a neural network in a neural network device according to an embodiment.
Figure 22 is a block diagram illustrating a neural network device and memory according to an embodiment.
본 실시 예들에서 사용되는 용어는 본 실시 예들에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 기술분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 임의로 선정된 용어도 있으며, 이 경우 해당 실시 예의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 실시 예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시 예들의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in the present embodiments were selected from general terms that are currently widely used as much as possible while considering the functions in the present embodiments, but this may vary depending on the intention or precedent of a technician working in the technical field, the emergence of new technology, etc. . Additionally, in certain cases, there are terms that are arbitrarily selected, and in this case, their meanings will be described in detail in the description of the relevant embodiment. Therefore, the terms used in the present embodiments should not be defined simply as the names of the terms, but should be defined based on the meaning of the term and the overall content of the present embodiments.
실시 예들에 대한 설명들에서, 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우 뿐 아니라, 그 중간에 다른 구성요소를 사이에 두고 전기적으로 연결되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.In descriptions of embodiments, when a part is connected to another part, this includes not only the case where it is directly connected, but also the case where it is electrically connected with another component in between. Additionally, when it is said that a part includes a certain component, this does not mean that other components are excluded, but that it can further include other components, unless specifically stated to the contrary.
본 실시 예들에서 사용되는 "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Terms such as “consists of” or “comprises” used in the present embodiments should not be construed as necessarily including all of the various components or steps described in the specification, and some of the components or parts thereof Steps may not be included, or may further include additional components or steps.
본 실시 예들은 뉴럴 네트워크 기술 분야에 관한 것으로서 이하의 실시 예들이 속하는 기술 분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서는 자세한 설명을 생략한다.These embodiments relate to the field of neural network technology, and detailed descriptions of matters widely known to those skilled in the art to which the following embodiments belong will be omitted.
하기 실시 예들에 대한 설명은 권리범위를 제한하는 것으로 해석되지 말아야 하며, 해당 기술분야의 당업자가 용이하게 유추할 수 있는 것은 실시 예들의 권리범위에 속하는 것으로 해석되어야 할 것이다. 이하 첨부된 도면들을 참조하면서 오로지 예시를 위한 실시 예들을 상세히 설명하기로 한다.The description of the following examples should not be construed as limiting the scope of rights, and what a person skilled in the art can easily infer should be interpreted as falling within the scope of rights of the embodiments. Hereinafter, embodiments for illustrative purposes only will be described in detail with reference to the attached drawings.
도 1은 일 실시 예에 따른 뉴럴 네트워크의 아키텍처를 설명하기 위한 도면이다.Figure 1 is a diagram for explaining the architecture of a neural network according to an embodiment.
도 1을 참고하면, 뉴럴 네트워크(1)는 딥 뉴럴 네트워크(Deep Neural Network, DNN) 또는 n-계층 뉴럴 네트워크(n-layers neural networks)의 아키텍처일 수 있다. DNN 또는 n-계층 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(Convolutional Neural Networks, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Networks, RNN), Deep Belief Networks, Restricted Boltzman Machines 등에 해당될 수 있다. 예를 들어, 뉴럴 네트워크(1)는 컨볼루션 뉴럴 네트워크(CNN)로 구현될 수 있으나, 이에 제한되지 않는다. 도 1에서는 뉴럴 네트워크(1)의 예시에 해당하는 컨볼루션 뉴럴 네트워크에서 일부의 컨볼루션 레이어가 도시되었지만, 컨볼루션 뉴럴 네트워크는 도시된 컨볼루션 레이어 외에도, 풀링 레이어(pooling layer), 풀리 커넥티드(fully connected) 레이어 등을 더 포함할 수 있다.Referring to FIG. 1, the
뉴럴 네트워크(1)는 입력 이미지, 피처맵들(feature maps) 및 출력을 포함하는 복수 레이어들을 갖는 아키텍처로 구현될 수 있다. 뉴럴 네트워크(1)에서 입력 이미지는 커널(kernel)이라 불리는 필터와의 컨볼루션 연산이 수행되고, 그 결과 피처맵들이 출력된다. 이 때 생성된 출력 피처맵들은 입력 피처맵들로서 다시 커널과의 컨볼루션 연산이 수행되고, 새로운 피처맵들이 출력될 수 있다. 이와 같은 컨볼루션 연산이 반복적으로 수행된 결과, 최종적으로는 뉴럴 네트워크(1)를 통한 입력 이미지의 특징들에 대한 인식 결과가 출력될 수 있다.
예를 들어, 도 1의 뉴럴 네트워크(1)에 24ⅹ24 픽셀 크기의 이미지가 입력된 경우, 입력 이미지는 커널과의 컨볼루션 연산을 통해 20ⅹ20 크기를 갖는 4채널의 피처맵들로 출력될 수 있다. 이후에도, 20ⅹ20 피처맵들은 커널과의 반복적인 컨볼루션 연산을 통해 크기가 줄어들면서, 최종적으로는 1ⅹ1 크기의 특징들이 출력될 수 있다. 뉴럴 네트워크(1)는 여러 레이어들에서 컨볼루션 연산 및 서브샘플링(또는 풀링) 연산을 반복적으로 수행함으로써 입력 이미지로부터 이미지 전체를 대표할 수 있는 강인한 특징들을 필터링하여 출력하고, 출력된 최종 특징들을 통해 입력 이미지의 인식 결과를 도출할 수 있다.For example, when an image with a size of 24 × 24 pixels is input to the
도 2는 일 실시 예에 따른 뉴럴 네트워크에서 입력 피처맵 및 출력 피처맵의 관계를 설명하기 위한 도면이다.Figure 2 is a diagram for explaining the relationship between an input feature map and an output feature map in a neural network according to an embodiment.
도 2를 참고하면, 뉴럴 네트워크의 어느 레이어(2)에서, 제1피처맵(FM1)은 입력 피처맵에 해당될 수 있고, 제2피처맵(FM2)는 출력 피처맵에 해당될 수 있다. 피처맵은 입력 데이터의 다양한 특징들이 표현된 데이터 세트를 의미할 수 있다. 피처맵들(FM1, FM2)은 2차원 매트릭스의 엘리먼트들을 갖거나 또는 3차원 매트릭스의 엘리먼트들을 가질 수 있고, 각각의 엘리먼트에는 픽셀 값이 정의될 수 있다. 피처 맵들(FM1, FM2)은 너비(W)(또는 칼럼이라고 함), 높이(H)(또는 로우라고 함) 및 깊이(C)를 가진다. 이때, 깊이(C)는 채널들의 개수에 해당될 수 있다.Referring to FIG. 2, in a
제1피처맵(FM1) 및 커널의 웨이트맵(WM)에 대한 컨볼루션 연산이 수행될 수 있고, 그 결과 제2피처맵(FM2)이 생성될 수 있다. 웨이트맵(WM)은 각 엘리먼트에 정의된 웨이트로 제1피처맵(FM1)과 컨볼루션 연산을 수행함으로써 제1피처맵(FM1)의 특징들을 필터링한다. 웨이트맵(WM)은 제1피처맵(FM1)을 슬라이딩 윈도우 방식으로 시프트하면서 제1피처맵(FM1)의 윈도우들(또는 타일이라고도 함)과 컨볼루션 연산을 수행한다. 각 시프트 동안, 웨이트맵(WM)에 포함된 웨이트들 각각은 제1피처맵(FM1) 내 중첩된 윈도우의 픽셀 값들 각각과 곱해지고 더해질 수 있다. 제1피처맵(FM1)과 웨이트맵(WM)이 컨볼루션됨에 따라, 제2피처맵(FM2)의 하나의 채널이 생성될 수 있다. 도 1에는 하나의 커널에 대한 웨이트맵(WM)이 도시되었으나, 실제로는 복수의 커널들의 웨이트 맵들이 제1피처맵(FM1)과 각각 컨볼루션되어, 복수의 채널들의 제2피처맵(FM2)이 생성될 수 있다.A convolution operation may be performed on the first feature map (FM1) and the weight map (WM) of the kernel, and as a result, the second feature map (FM2) may be generated. The weight map (WM) filters the features of the first feature map (FM1) by performing a convolution operation with the first feature map (FM1) using the weight defined for each element. The weight map WM performs a convolution operation with the windows (or tiles) of the first feature map FM1 while shifting the first feature map FM1 using a sliding window method. During each shift, each of the weights included in the weight map (WM) may be multiplied and added to each of the pixel values of the overlapping windows in the first feature map (FM1). As the first feature map (FM1) and the weight map (WM) are convolved, one channel of the second feature map (FM2) can be created. Figure 1 shows the weight map (WM) for one kernel, but in reality, the weight maps of a plurality of kernels are each convolved with the first feature map (FM1) to produce a second feature map (FM2) of a plurality of channels. This can be created.
한편, 제2피처맵(FM2)은 다음 레이어의 입력 피처맵에 해당될 수 있다. 예를 들어, 제2피처맵(FM2)은 풀링(또는 서브샘플링) 레이어의 입력 피처맵이 될 수 있다.Meanwhile, the second feature map FM2 may correspond to the input feature map of the next layer. For example, the second feature map FM2 may be an input feature map of a pooling (or subsampling) layer.
도 1 및 도 2에서는 설명의 편의를 위하여 뉴럴 네트워크(1)의 개략적인 아키텍처에 대해서만 도시되어 있다. 하지만, 뉴럴 네트워크(1)는 도시된 바와 달리, 보다 많거나 적은 개수의 레이어들, 피처맵들, 커널들 등으로 구현될 수 있고, 그 크기들 또한 다양하게 변형될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.In FIGS. 1 and 2, only the schematic architecture of the
도 3은 일 실시 예에 따른 뉴럴 네트워크 장치(100)의 하드웨어 구성을 도시한 블록도이다.FIG. 3 is a block diagram showing the hardware configuration of the
뉴럴 네트워크 장치(100)는 PC(personal computer), 서버 디바이스, 모바일 디바이스, 임베디드 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있고, 구체적인 예로서 뉴럴 네트워크를 이용한 음성 인식, 영상 인식, 영상 분류 등을 수행하는 스마트폰, 태블릿 디바이스, AR(Augmented Reality) 디바이스, IoT(Internet of Things) 디바이스, 자율주행 자동차, 로보틱스, 의료기기 등에 해당될 수 있으나, 이에 제한되지 않는다. 나아가서, 뉴럴 네트워크 장치(100)는 위와 같은 디바이스에 탑재되는 전용 하드웨어 가속기(HW accelerator)에 해당될 수 있고, 뉴럴 네트워크 장치(100)는 뉴럴 네트워크 구동을 위한 전용 모듈인 NPU(neural processing unit), TPU(Tensor Processing Unit), Neural Engine 등과 같은 하드웨어 가속기일 수 있으나, 이에 제한되지 않는다.The
도 3을 참고하면, 뉴럴 네트워크 장치(100)는 프로세서(120) 및 메모리(110)를 포함한다. 도 3에 도시된 뉴럴 네트워크 장치(100)에는 본 실시 예들와 관련된 구성요소들만이 도시되어 있다. 따라서, 뉴럴 네트워크 장치(100)에는 도 3에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.Referring to FIG. 3, the
프로세서(120)는 뉴럴 네트워크 장치(100)를 실행하기 위한 전반적인 기능들을 제어하는 역할을 한다. 예를 들어, 프로세서(120)는 뉴럴 네트워크 장치(100) 내의 메모리(110)에 저장된 프로그램들을 실행함으로써, 뉴럴 네트워크 장치(100)를 전반적으로 제어한다. 프로세서(120)는 뉴럴 네트워크 장치(100) 내에 구비된 CPU(central processing unit), GPU(graphics processing unit), AP(application processor) 등으로 구현될 수 있으나, 이에 제한되지 않는다.The
메모리(110)는 뉴럴 네트워크 장치(100) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 예를 들어, 메모리(110)는 뉴럴 네트워크 장치(100)에서 처리된 데이터들 및 처리될 데이터들을 저장할 수 있다. 또한, 메모리(110)는 뉴럴 네트워크 장치(100)에 의해 구동될 애플리케이션들, 드라이버들 등을 저장할 수 있다. 메모리(110)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다. The
또는 메모리(110)는 온칩 메모리일 수 있다. 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 메모리(110)를 온칩 메모리 형태로만 구비하여, 외부 메모리에 대한 접근 없이 연산을 수행할 수 있다. 예를 들면, 메모리(110)는 온칩 메모리 형태로 구현된 SRAM일 수 있다. 이 경우 상술된 바와 달리 DRAM, ROM, HDD, SSD 등 외부 메모리로 주로 이용되는 종류의 메모리는 메모리(110)로 이용되지 않을 수 있다.Alternatively, the
프로세서(120)는 메모리(110)로부터 뉴럴 네트워크 데이터, 예를 들어 이미지 데이터, 피처맵 데이터, 커널 데이터 등을 읽기/쓰기(read/write)하고, 읽기/쓰기된 데이터를 이용하여 뉴럴 네트워크를 실행할 수 있다. 뉴럴 네트워크가 실행될 때, 프로세서(120)는 출력 피처맵에 관한 데이터를 생성하기 위하여, 입력 피처맵과 커널 간의 컨볼루션 연산을 반복적으로 수행할 수 있다. 이때, 입력 피처맵의 채널 수, 커널의 채널 수, 입력 피처맵의 크기, 커널의 크기, 값의 정밀도(precision) 등의 다양한 팩터들에 의존하여 컨볼루션 연산의 연산량이 결정될 수 있다. 도 1에 도시된 뉴럴 네트워크(1)와 달리, 뉴럴 네트워크 장치(100)에서 구동되는 실제 뉴럴 네트워크는 보다 복잡한 아키텍처로 구현될 수 있다. 이에 따라 프로세서(120)는 수억에서 수백억에 다다를 정도로 매우 많은 연산량(operation count)의 컨볼루션 연산들을 수행하게 되고, 프로세서(120)가 컨볼루션 연산을 위해 메모리(110)에 액세스하는 빈도가 함께 비약적으로 증가될 수 있다.The
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 뉴로모픽 하드웨어를 포함할 수 있다. 뉴로모픽 하드웨어는 CNN 매핑 등을 수행할 수 있다. 뉴로모픽 하드웨어는 외부 메모리를 이용하지 않고 온칩 메모리만을 이용하여 연산을 수행할 수 있다. 예를 들면, 뉴로모픽 하드웨어는 외부 메모리(예: 오프칩 메모리 등)를 이용하지 않고 온칩 메모리만을 이용하여 CNN 매핑 등을 수행함으로써, 이미지 처리하는 동안 메모리 업데이트 없이 연산을 수행할 수 있다.The
일 실시 예에 따른 프로세서(120)는 복수개의 입력에 대한 연산을 수행할 수 있다. 프로세서(120)는 제 1 입력 및 제 2 입력을 포함하는 입력 데이터에 대한 연산을 수행할 수 있다. 제 1 입력 또는 제 2 입력은 입력 피처맵 또는 입력 이미지 데이터의 전부 또는 일부를 나타낼 수 있다. 예를 들면, 제 1 입력은 입력 피처맵 또는 입력 이미지 데이터의 제 1 영역에 대한 데이터를 나타내고, 제 2 입력은 입력 피처맵 또는 입력 이미지 데이터의 제 2 영역에 대한 데이터를 나타낼 수 있다.The
일 실시 예에 따른 프로세서(120)는 CNN 매핑에서 여러 위치에서 재사용 되는 커널 각각을 물리적으로 다른 메모리에 배치하는 것이 아니라, 실제로 한 위치에만 배치하고 시간에 따라 다른 위치의 입력 이미지를 이용하여 여러 시간에 걸쳐 출력 데이터(예: 출력되는 이미지에 대한 데이터)에 대한 연산을 수행할 수 있다. 일 실시 예에 따른 프로세서(120)는 복수회에 걸쳐 출력 이미지의 각 영역에 대한 연산을 수행하여, 출력 데이터를 획득할 수 있다.The
일 실시 예에 따른 프로세서(120)는 제 1 입력을 수신하고, 제 1 입력과 복수개의 커널 간의 연산을 수행하여 제 1 결과를 획득할 수 있다.The
일 실시 예에 따라, 제 1 입력은 입력 피처맵의 제 1 영역에 대한 데이터를 포함할 수 있다. According to one embodiment, the first input may include data for the first area of the input feature map.
일 실시 예에 따른 프로세서(120)는 제 1 입력과 복수개의 커널 간의 연산을 수행할 수 있다. 예를 들면, 프로세서(120)는 제 1 입력과 제 1 커널(예: 레드에 대한 커널) 간의 연산을 수행하여 제 1-1 결과를 획득하고, 제 1 입력과 제 2 커널(예: 그린에 대한 커널) 간의 연산을 수행하여 제 1-2 결과를 획득하고, 제 1 입력과 제 3 커널(예: 블루에 대한 커널) 간의 연산을 수행하여 제 1-3 결과를 획득할 수 있다. 프로세서(120)는 제 1-1 결과, 제 1-2 결과 및 제 1-3 결과를 이용하여 제 1 결과를 획득할 수 있다. 예를 들면, 프로세서(120)는 제 1-1 결과, 제 1-2 결과 및 제 1-3 결과를 더하여 제 1 결과를 획득할 수 있다.The
일 실시 예에 따른 프로세서(120)는 제 2 입력을 제 1 입력이 수신된 시점에서 제 1 인터벌만큼 딜레이된 시점에 수신하고, 제 2 입력과 복수개의 커널 간의 연산을 수행하여 제 2 결과를 획득할 수 있다.The
일 실시 예에 따라, 제 2 입력은 입력 피처맵의 제 2 영역에 대한 데이터를 포함할 수 있다. According to one embodiment, the second input may include data for the second area of the input feature map.
일 실시 예에 따른 프로세서(120)는 제 1 입력이 수신된 시점에서 제 1 인터벌만큼 딜레이된 시점에 제 2 입력을 수신할 수 있다. 프로세서(120)는 수신한 제 2 입력과 복수개의 커널 간의 연산을 수행할 수 있다. 예를 들면, 프로세서(120)는 제 2 입력과 제 1 커널(예: 레드에 대한 커널) 간의 연산을 수행하여 제 2-1 결과를 획득하고, 제 2 입력과 제 2 커널(예: 그린에 대한 커널) 간의 연산을 수행하여 제 2-2 결과를 획득하고, 제 2 입력과 제 3 커널(예: 블루에 대한 커널) 간의 연산을 수행하여 제 2-3 결과를 획득할 수 있다. 프로세서(120)는 제 2-1 결과, 제 2-2 결과 및 제 2-3 결과를 이용하여 제 1 결과를 획득할 수 있다. 예를 들면, 프로세서(120)는 제 2-1 결과, 제 2-2 결과 및 제 2-3 결과를 더하여 제 2 결과를 획득할 수 있다. 또한, 제 1 결과를 획득할 때 이용된 복수개의 커널과 제 2 결과를 획득할 때 이용된 복수개의 커널은 동일할 수 있다.The
일 실시 예에 따른 프로세서(120)는 제 1 결과와 제 2 결과를 이용하여 입력 데이터에 대한 출력 데이터를 획득할 수 있다.The
입력 데이터는 피처맵 이미지 데이터를 포함할 수 있다. 예를 들면, 입력 데이터는 2D 이미지 데이터일 수 있다. 다른 예로, 입력 데이터는 3D 이미지 데이터일 수 있다.Input data may include feature map image data. For example, the input data may be 2D image data. As another example, the input data may be 3D image data.
입력 데이터가 이미지 데이터인 경우, 일 실시 예에 따른 프로세서(120)는 제 1 영역에 대한 처리 결과인 제 1 결과와 제 2 영역에 대한 처리 결과인 제 2 결과를 이용하여 입력 데이터에 대한 출력 데이터를 획득할 수 있다. When the input data is image data, the
일 실시 예에 따를 때, 제 1 영역과 제 2 영역은 일부 중첩될 수 있다. 예를 들면 제 1 영역 및 제 2 영역이 2x2의 크기일 때, 1x2 크기의 영역이 제 1 영역과 제 2 영역 간에 중첩될 수 있다.According to one embodiment, the first area and the second area may partially overlap. For example, when the first area and the second area are 2x2 in size, a 1x2 area may overlap between the first area and the second area.
일 실시 예에 따를 때, 제 1 영역과 제 2 영역은 상호 인접할 수 있다. 예를 들면, 제 1 영역의 우측에 제 2 영역이 위치할 수 있다. 다른 예로, 제 1 영역의 아래측에 제 2 영역이 위치할 수 있다.According to one embodiment, the first area and the second area may be adjacent to each other. For example, the second area may be located to the right of the first area. As another example, the second area may be located below the first area.
도 4는 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 입력 데이터에 포함되는 복수개의 입력들을 복수회에 걸쳐 처리하는 일 예를 나타내는 도면이다.FIG. 4 is a diagram illustrating an example in which the
입력 데이터(400)는 제 1 입력(411), 제 2 입력(412) 및 제 3 입력(413)을 포함할 수 있다.
복수개의 커널(421, 422)은 제 1 커널(421) 및 제 2 커널(422)을 포함할 수 있다.The plurality of
제 1 결과(431, 432)는 제 1-1 결과(431) 및 제 1-2 결과(432)를 포함할 수 있고, 제 2 결과(441, 442)는 제 2-1 결과(441) 및 제 2-2 결과(442)를 포함할 수 있고, 제 3 결과(451, 452) 제 3-1 결과(451) 및 제 3-2 결과(452)를 포함할 수 있다.The
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력(411)과 복수개의 커널(421, 422) 간의 연산을 수행하여 제 1 결과(431, 432)를 획득하고, 제 2 입력(412)과 복수개의 커널(421, 422) 간의 연산을 수행하여 제 2 결과(441, 442)를 획득하고, 제 3 입력(413)과 복수개의 커널(421, 422) 간의 연산을 수행하여 제 3 결과(451, 452)를 획득할 수 있다.The
입력 데이터(400)는 3D 이미지 데이터일 수 있다. 또한, 제 1 입력(411), 제 2 입력(412), 제 3 입력(413) 등은 입력 데이터(400)의 일부일 수 있다. 제 1 입력(411)과 제 2 입력(412)은 일부가 중첩될 수 있다. 또는 제 1 입력(411)과 제 2 입력(412)은 상호 인접할 수 있다.
제 1 결과(431, 432)에 포함되는 제 1-1 결과(431) 및 제 1-2 결과(432)는 서로 상이한 레이어에서의 결과 데이터를 나타낼 수 있다. 결과 데이터는 출력 이미지를 나타내는 데이터를 의미할 수 있다.The 1-1
도 5는 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 데이터 스트림을 생성하는 일 예를 나타내는 도면이다. 도 5를 참조하면, 도 5는 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 입력 데이터(500)로부터 데이터 스트림(510, 520, 530, 540)을 획득하는 일 예를 도식적으로 나타낸다.FIG. 5 is a diagram illustrating an example in which the
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 데이터(510), 제 2 데이터(520), 제 3 데이터(530) 및 제 4 데이터(540)를 포함하는 입력 데이터(500)는 제 1 데이터(510), 제 2 데이터(520), 제 3 데이터(530) 및 제 4 데이터(540)를 차례로 출력함으로써, 제 1 데이터(510), 제 2 데이터(520), 제 3 데이터(530) 및 제 4 데이터(540)로 이루어진 데이터 스트림(510, 520, 530, 540)을 생성할 수 있다. In the
또한, 생성된 데이터 스트림(510, 520, 530, 540)은 뉴럴 네트워크 장치(100)에 포함된 프로세서(120)로 전송되고, 프로세서(120)는 데이터 스트림(510, 520, 530, 540)과 복수개의 커널 간의 연산을 수행할 수 있다.In addition, the generated data streams 510, 520, 530, and 540 are transmitted to the
도 6은 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림의 일 예를 나타내는 도면이다. 도 6을 참조하면, 도 6은 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 입력 데이터(500)로부터 생성된 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림(610, 620, 630)을 획득하는 일 예를 도식적으로 나타낸다.Figure 6 is a diagram illustrating an example of a plurality of data streams having different delay times. Referring to FIG. 6, the
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖는 데이터 스트림을 생성할 수 있다. 예를 들면, 제 1 데이터 스트림(610), 제 2 데이터 스트림(620) 및 제 3 데이터 스트림(630)은 서로 다른 딜레이 타임을 가질 수 있다. 제 1 데이터 스트림(610)의 딜레이 타임이 0 사이클일 때, 제 2 데이터 스트림(620)은 1 사이클의 딜레이 타임을 가지고, 제 3 데이터 스트림(630)은 2 사이클의 딜레이 타임을 가질 수 있다.The
일 실시 예에 따른 딜레이 타임은 액손 딜레이 타임(axonal delay time)을 포함할 수 있다. Delay time according to one embodiment may include axonal delay time.
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 뉴런별 액손 딜레이 타임과 여러 시넵스를 이용하여 데이터 스트림을 여러 번 복제하여 시간적으로 재정렬 함으로써, 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림을 생성할 수 있다.The
도 7은 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림에 대해서 커널과의 연산 결과를 획득하는 일 예를 나타내는 도면이다. 도 7을 참조하면, 도 7은 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림(610, 620, 630)으로부터 복수개의 입력(710, 720, 730, 740)을 획득하고 복수개의 입력(710, 720, 730, 740)과 복수개의 커널 간의 연산을 통해 복수개의 결과(715, 725, 735, 745)를 획득하는 일 예를 도식적으로 나타낸다.FIG. 7 is a diagram illustrating an example in which the
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림(610, 620, 630)으로부터 제 1 입력(710), 제 2 입력(720), 제 3 입력(730), 제 4 입력(740) 등을 획득할 수 있다.The
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력(710)과 복수개의 커널 간의 연산을 수행하여 제 1 결과(715)를 획득하고, 제 2 입력(720)과 복수개의 커널 간의 연산을 수행하여 제 2 결과(725)를 획득하고, 제 3 입력(730)과 복수개의 커널 간의 연산을 수행하여 제 3 결과(735)를 획득하고, 제 4 입력(740)과 복수개의 커널 간의 연산을 수행하여 제 4 결과(745)를 획득할 수 있다. 각 결과(715, 725, 735, 745)는 출력되는 이미지에 대한 데이터를 나타낼 수 있다. 예를 들면, 각 결과(715, 725, 735, 745)는 하나 이상의 픽셀에 대한 데이터를 포함할 수 있다. 또한 각 결과(715, 725, 735, 745)는 다음 레이어의 입력으로 이용될 수 있다. 예를 들면, 각 결과(715, 725, 735, 745)는 중첩되어 전송됨으로써 다음 레이어의 입력으로 이용될 수 있다.The
도 8은 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 입력과 커널 간의 연산을 수행하는 일 예를 나타내는 도면이다.FIG. 8 is a diagram illustrating an example in which the
일 실시 예에 따라, 입력 데이터(810)는 4x4x3의 이미지 데이터이고, 수개의 커널(820)은 2x2x3의 커널로 구성되고, 출력 데이터(830)는 3x3x3의 이미지 데이터일 수 있다. 출력 데이터(830)의 첫번째 레이어는 제 1-1 결과(a), 제 2-1 결과(b), 제 3-1 결과(c), 제 4-1 결과(d), 제 5-1 결과(e), 제 6-1 결과(f), 제 7-1 결과(g), 제 8-1 결과(h) 및 제 9-1 결과(i)로 구성될 수 있다. 유사한 방식으로 출력 데이터(830)의 두번째 레이어는 제 1-2 결과 내지 제 9-2 결과로 구성되고, 출력 데이터(830)의 세번째 레이어는 제 1-3 결과 내지 제 9-3 결과로 구성될 수 있다.According to one embodiment, the
도 9는 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림을 획득하는 일 예를 나타내는 도면이다.FIG. 9 is a diagram illustrating an example in which the
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 입력 데이터로부터 데이터 스트림(900, 901)을 생성할 수 있다. 뉴럴 네트워크 장치(100)는 생성된 데이터 스트림(900, 901)으로부터 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림(910, 920, 930, 940)을 생성할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 딜레이 타임이 0인 제 1 데이터 스트림(940), 딜레이 타임이 1인 제 2 데이터 스트림(930), 딜레이 타임이 4인 제 3 데이터 스트림(920), 딜레이 타임이 5인 제 4 데이터 스트림(910)을 채널 0에 대한 데이터 스트림(900)을 이용하여 생성할 수 있다.The
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림으로부터 복수개의 입력을 획득할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 제 1 데이터 스트림(940) 내지 제 4 데이터 스트림(910)으로부터 동일한 사이클에 획득되는 데이터를 이용하여, 제 1 입력(950), 제 2 입력(960), 제 3 입력(970), 제 4 입력(990) 등을 획득할 수 있다. 제 1 입력(950) 내지 제 4 입력(990)은 입력 피처맵 또는 입력 이미지의 일부를 나타낼 수 있다. 예를 들면, 제 1 입력(950)은 입력 피처맵의 제 1 영역(픽셀 1, 2, 5, 6)에 대한 데이터를 나타내고, 제 2 입력(960)은 입력 피처맵의 제 2 영역(픽셀 2, 3, 6, 7)에 대한 데이터를 나타내고, 제 3 입력(970)은 입력 피처맵의 제 3 영역(픽셀 3, 4, 7, 8)에 대한 데이터를 나타내고, 제 4 입력(990)은 입력 피처맵의 제 4 영역(픽셀 5, 6, 9, 10)에 대한 데이터를 나타낼 수 있다.The
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림으로부터 획득되는 입력(950, 960, 970, 980, 990) 중 일부를 이용하여 출력 데이터를 생성할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림으로부터 획득되는 입력(950, 960, 970, 980, 990) 중 제 1 입력(950), 제 2 입력(960, 제 3 입력(970) 및 제 4 입력(990)만을 이용하여 출력 데이터를 생성할 수 있다. 이 경우, 제 5 입력(980)은 출력 데이터 생성에 이용되지 않을 수 있다.The
도 10은 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림으로부터 복수개의 영역에 대한 데이터를 획득하는 일 예를 나타내는 도면이다.FIG. 10 is a diagram illustrating an example in which the
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 입력 데이터(1000)가 4x4의 이미지 데이터 또는 피처맵인 경우, 입력 데이터(1000)로부터 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림(1054, 1053, 1052, 1051)을 생성하고, 생성된 복수개의 데이터 스트림(1054, 1053, 1052, 1051)으로부터 복수개의 입력(1015, 1025, 1035)을 생성할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 딜레이 타임이 0인 제 1 데이터 스트림(1054), 딜레이 타임이 1인 제 2 데이터 스트림(1053), 딜레이 타임이 4인 제 3 데이터 스트림(1052), 딜레이 타임이 5인 제 4 데이터 스트림(1051)을 입력 데이터(1000)로부터 생성하고, 생성된 제 1 데이터 스트림(1054) 내지 제 4 데이터 스트림(1051)로부터 제 1 입력(1015), 제 2 입력(1025), 제 3 입력(1035) 등을 생성할 수 있다.When the
일 실시 예에 따른 복수개의 입력(1015, 1025, 1035)은 입력 데이터(1000)의 일부를 나타낼 수 있다. 예를 들면, 제 1 입력(1015)은 입력 데이터(1000)의 제 1 영역(1010)에 대한 데이터를 나타내고, 제 2 입력(1025)은 입력 데이터(1000)의 제 2 영역(1020)에 대한 데이터를 나타내고, 제 3 입력(1035)은 입력 데이터(1000)의 제 3 영역(1030)에 대한 데이터를 나타낼 수 있다.A plurality of
도 11은 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 제 1 입력과 제 2 입력으로부터 출력 데이터를 획득하는 방법을 나타내는 흐름도이다.FIG. 11 is a flowchart illustrating a method by which the
단계 S1110에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력과 복수개의 커널 간의 연산을 수행하여 제 1 결과를 획득한다. In step S1110, the
일 실시 예에 따라, 제 1 입력은 입력 피처맵 또는 입력 이미지 데이터의 제 1 영역에 대한 데이터를 포함할 수 있다. According to one embodiment, the first input may include an input feature map or data for a first area of input image data.
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력과 복수개의 커널 간의 연산을 수행할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 제 1 입력과 제 1 커널(예: 레드에 대한 커널) 간의 연산을 수행하여 제 1-1 결과를 획득하고, 제 1 입력과 제 2 커널(예: 그린에 대한 커널) 간의 연산을 수행하여 제 1-2 결과를 획득하고, 제 1 입력과 제 3 커널(예: 블루에 대한 커널) 간의 연산을 수행하여 제 1-3 결과를 획득할 수 있다. 뉴럴 네트워크 장치(100)는 제 1-1 결과, 제 1-2 결과 및 제 1-3 결과를 이용하여 제 1 결과를 획득할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 제 1-1 결과, 제 1-2 결과 및 제 1-3 결과를 더하여 제 1 결과를 획득할 수 있다.The
단계 S1120에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력이 수신된 시점에서 제 1 인터벌만큼 딜레이된 시점에 수신된 제 2 입력과 복수개의 커널 간의 연산을 수행하여 제 2 결과를 획득한다. 제 2 결과의 획득에 이용되는 복수개의 커널은 단계 S1110에서 이용된 복수개의 커널과 동일할 수 있다.In step S1120, the
일 실시 예에 따라, 제 2 입력은 입력 피처맵 또는 입력 이미지 데이터의 제 2 영역에 대한 데이터를 포함할 수 있다. According to one embodiment, the second input may include an input feature map or data for a second area of the input image data.
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력이 수신된 시점에서 제 1 인터벌만큼 딜레이된 시점에 제 2 입력을 수신할 수 있다. 뉴럴 네트워크 장치(100)는 수신한 제 2 입력과 복수개의 커널 간의 연산을 수행할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 제 2 입력과 제 1 커널(예: 레드에 대한 커널) 간의 연산을 수행하여 제 2-1 결과를 획득하고, 제 2 입력과 제 2 커널(예: 그린에 대한 커널) 간의 연산을 수행하여 제 2-2 결과를 획득하고, 제 2 입력과 제 3 커널(예: 블루에 대한 커널) 간의 연산을 수행하여 제 2-3 결과를 획득할 수 있다. 뉴럴 네트워크 장치(100)는 제 2-1 결과, 제 2-2 결과 및 제 2-3 결과를 이용하여 제 1 결과를 획득할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 제 2-1 결과, 제 2-2 결과 및 제 2-3 결과를 더하여 제 2 결과를 획득할 수 있다. The
단계 S1130에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 결과와 제 2 결과를 이용하여 입력 데이터에 대한 출력 데이터를 획득한다. In step S1130, the
입력 데이터는 피처맵 또는 이미지 데이터를 포함할 수 있다. 예를 들면, 입력 데이터는 2D 이미지 데이터일 수 있다. 다른 예로, 입력 데이터는 3D 이미지 데이터일 수 있다.Input data may include feature maps or image data. For example, the input data may be 2D image data. As another example, the input data may be 3D image data.
입력 데이터가 이미지 데이터인 경우, 일 실시 예에 따른 프로세서(120)는 제 1 영역에 대한 처리 결과인 제 1 결과와 제 2 영역에 대한 처리 결과인 제 2 결과를 이용하여 입력 데이터에 대한 출력 데이터를 획득할 수 있다. When the input data is image data, the
일 실시 예에 따를 때, 제 1 영역과 제 2 영역은 일부 중첩될 수 있다. 예를 들면 제 1 영역 및 제 2 영역이 2x2의 크기일 때, 1x2 크기의 영역이 제 1 영역과 제 2 영역 간에 중첩될 수 있으나 본 실시 예로 한정되지 않으며 다양한 크기에서 제 1 영역과 제 2 영역이 구현될 수 있다.According to one embodiment, the first area and the second area may partially overlap. For example, when the first area and the second area are 2x2 in size, a 1x2 area may overlap between the first area and the second area, but this is not limited to this embodiment and the first area and the second area can be of various sizes. This can be implemented.
일 실시 예에 따를 때, 제 1 영역과 제 2 영역은 상호 인접할 수 있다. 예를 들면, 제 1 영역의 우측에 제 2 영역이 위치할 수 있다. 다른 예로, 제 1 영역의 아래측에 제 2 영역이 위치할 수 있으나 본 실시 예로 한정되지 않으며 다양한 상호 위치에서 제 1 영역과 제 2 영역이 구현될 수 있다.According to one embodiment, the first area and the second area may be adjacent to each other. For example, the second area may be located to the right of the first area. As another example, the second area may be located below the first area, but this is not limited to this embodiment, and the first area and the second area may be implemented in various mutual positions.
도 12는 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림으로부터 출력 데이터를 획득하는 방법을 나타내는 흐름도이다. FIG. 12 is a flowchart illustrating a method by which the
단계 S1210에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖고 이미지 데이터를 나타내는 복수개의 데이터 스트림을 복수개의 입력단으로부터 수신한다.In step S1210, the
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖고 이미지 데이터를 나타내는 복수개의 데이터 스트림을 획득할 수 있다. 뉴럴 네트워크 장치(100)는 이미지 데이터를 나타내는 입력 데이터로부터 데이터 스트림을 획득하고, 획득한 데이터 스트림을 복수회에 걸쳐 전송함으로써, 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림을 획득할 수 있다.The
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 생성된 복수개의 데이터 스트림을 복수개의 입력단을 통해 수신함으로써 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림을 획득할 수 있다.The
단계 S1220에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 복수개의 입력단으로부터 수신되는 복수개의 데이터 스트림으로부터 제 1 영역을 나타내는 제 1 입력을 수신한다.In step S1220, the
예를 들면, 뉴럴 네트워크 장치(100)는 복수개의 입력단에서 특정 시점에 획득되는 데이터를 제 1 입력으로 획득할 수 있다. 일 예로 뉴럴 네트워크 장치(100)는 제 6 사이클에 복수개의 입력단에서 획득되는 데이터를 제 1 입력으로 획득할 수 있다. (도 9 및 도 10 참조) 제 1 입력은 이미지 데이터의 제 1 영역을 나타낼 수 있다.For example, the
단계 S1230에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력과 복수개의 커널 간의 연산을 수행하여 제 1 결과를 획득한다. In step S1230, the
예를 들면, 제 1 입력을 구성하는 제 1-1 입력과 제 1 커널간의 연산 결과인 제 1-1 연산 결과, 제 1 입력을 구성하는 제 1-2 입력과 제 2 커널간의 연산 결과인 제 1-2 연산 결과, 제 1 입력을 구성하는 제 1-3 입력과 제 3 커널간의 연산 결과인 제 1-3 연산 결과를 이용하여 제 1 결과를 획득할 수 있다. 일 예로, 뉴럴 네트워크 장치(100)는 제 1-1 연산 결과, 제 1-2 연산 결과 및 제 1-3 연산 결과를 더하여 제 1 결과를 생성할 수 있다.For example, the 1-1 operation result is the result of the operation between the 1-1 input constituting the first input and the first kernel, and the 1-1 operation result is the operation result between the 1-2 input constituting the first input and the second kernel. The first result can be obtained using the 1-2 operation result, which is the result of the 1-3 operation between the 1-3 input constituting the first input and the third kernel. As an example, the
단계 S1240에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 입력이 수신된 시점에서 제 1 인터벌만큼 딜레이된 시점에 복수개의 입력단으로부터 수신되는 복수개의 데이터 스트림으로부터 제 2 입력을 수신한다.In step S1240, the
예를 들면, 뉴럴 네트워크 장치(100)는 복수개의 입력단에서 특정 시점에 획득되는 데이터를 제 2 입력으로 획득할 수 있다. 일 예로 뉴럴 네트워크 장치(100)는 제 7 사이클에 복수개의 입력단에서 획득되는 데이터를 제 2 입력으로 획득할 수 있다. (도 9 및 도 10 참조) For example, the
단계 S1250에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 2 입력이 제 2 영역을 나타내는 데이터인 경우 제 2 입력을 유효한 입력으로 결정한다.In step S1250, the
제 2 영역은 제 1 영역에 대한 상대적 위치에 기초하여 결정될 수 있다. The second area may be determined based on its relative position with respect to the first area.
예를 들면, 제 1 영역과 제 2 영역은 일부 중첩될 수 있다. 일 예로, 제 1 영역 및 제 2 영역이 2x2의 크기일 때, 1x2 크기의 영역이 제 1 영역과 제 2 영역 간에 중첩될 수 있다.For example, the first area and the second area may partially overlap. For example, when the first area and the second area are 2x2 in size, a 1x2 area may overlap between the first area and the second area.
다른 예로, 제 1 영역과 제 2 영역은 상호 인접할 수 있다. 예를 들면, 제 1 영역의 우측에 제 2 영역이 위치할 수 있다. 다른 예로, 제 1 영역의 아래측에 제 2 영역이 위치할 수 있다.As another example, the first area and the second area may be adjacent to each other. For example, the second area may be located to the right of the first area. As another example, the second area may be located below the first area.
여러가지 방식 중 기설정된 방식에 따라 제 2 영역이 정해질 수 있으며, 제 2 입력이 제 2 영역을 나타내는 데이터인 경우 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 2 입력을 유효한 입력으로 결정할 수 있다.The second area may be determined according to a preset method among various methods, and when the second input is data representing the second area, the
또한 단계 S1210 내지 단계 S1250에서 상술된 것과 유사한 방식으로, 도 10에 도시된 바와 같이, 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 7 사이클에 복수개의 입력단에서 획득되는 데이터를 유효한 제 3 입력으로 획득하고, 8 사이클에 복수개의 입력단에서 획득되는 데이터를 유효한 제 4 입력으로 획득하고, 10 사이클에 복수개의 입력단에서 획득되는 데이터를 유효한 제 5 입력으로 획득하고, 11 사이클에 복수개의 입력단에서 획득되는 데이터를 유효한 제 6 입력으로 획득하고, 12 사이클에 복수개의 입력단에서 획득되는 데이터를 유효한 제 7 입력으로 획득하고, 14 사이클에 복수개의 입력단에서 획득되는 데이터를 유효한 제 8 입력으로 획득하고, 15 사이클에 복수개의 입력단에서 획득되는 데이터를 유효한 제 9 입력으로 획득할 수 있다.Additionally, in a manner similar to that described above in steps S1210 to S1250, as shown in FIG. 10, the
단계 S1260에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 2 입력이 유효한 입력인 경우, 제 2 입력과 복수개의 커널 간의 연산을 수행하여 제 2 결과를 획득한다.In step S1260, when the second input is a valid input, the
예를 들면, 제 2 입력을 구성하는 제 2-1 입력과 제 1 커널간의 연산 결과인 제 2-1 연산 결과, 제 2 입력을 구성하는 제 2-2 입력과 제 2 커널간의 연산 결과인 제 2-2 연산 결과, 제 2 입력을 구성하는 제 2-3 입력과 제 3 커널간의 연산 결과인 제 2-3 연산 결과를 이용하여 제 2 결과를 획득할 수 있다. 일 예로, 뉴럴 네트워크 장치(100)는 제 2-1 연산 결과, 제 2-2 연산 결과 및 제 2-3 연산 결과를 더하여 제 2 결과를 생성할 수 있다.For example, the 2-1 operation result is the result of the operation between the 2-1 input constituting the second input and the first kernel, and the 2-1 operation result is the operation result between the 2-2 input constituting the second input and the second kernel. The second result can be obtained using the 2-2 operation result, which is the result of the operation between the 2-3 input constituting the second input and the third kernel. As an example, the
단계 S1270에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 단계 S1230에서 획득된 제 1 결과와 단계 S1260에서 획득된 제 2 결과를 이용하여 입력 데이터에 대한 출력 데이터를 획득한다.In step S1270, the
출력 데이터는 입력 데이터와 복수개의 커널과의 연산 결과를 포함할 수 있으며, 이미지 데이터에 대한 연산 결과인 출력 데이터가 한번에(예: 한 사이클에) 출력될 수도 있고, 순차적으로 출력될 수도 있다.Output data may include input data and results of operations with a plurality of kernels, and output data that is the result of operations on image data may be output at once (e.g., in one cycle) or sequentially.
도 13은 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 제 1 입력 내지 제 3 입력을 이용하여 출력 데이터를 획득하는 방법을 나타내는 흐름도이다.FIG. 13 is a flowchart illustrating a method by which the
단계 S1310 및 단계 S1320은 각각 단계 S1110 및 단계 S1120에 대응되므로 전체적인 설명을 간단히 하기 위해 상세한 설명을 생략한다. 단계 S1310 및 단계 S1320에 대해서는 상술된 단계 S1110 및 단계 S1120에 대한 설명을 참조할 수 있다.Since step S1310 and step S1320 correspond to step S1110 and step S1120, respectively, detailed description is omitted to simplify the overall description. For step S1310 and step S1320, refer to the description of step S1110 and step S1120 described above.
단계 S1330에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 2 입력이 수신된 시점에서 제 2 인터벌만큼 딜레이된 시점에 입력 데이터에 포함되는 제 3 입력을 수신한다.In step S1330, the
제 2 인터벌은 제 1 인터벌과는 상이할 수 있다. 예를 들면 제 1 인터벌은 제 1 사이클에 해당할 수 있고 제 2 인터벌은 제 2 사이클에 해당할 수 있다.The second interval may be different from the first interval. For example, the first interval may correspond to the first cycle and the second interval may correspond to the second cycle.
단계 S1340에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 3 입력과 복수개의 커널 간의 연산을 수행하여 제 3 결과를 획득한다.In step S1340, the
제 3 결과의 획득에 이용되는 복수개의 커널은 단계 S1310에서 이용된 복수개의 커널과 동일할 수 있다.The plurality of kernels used to obtain the third result may be the same as the plurality of kernels used in step S1310.
일 실시 예에 따라, 제 3 입력은 입력 피처맵 또는 입력 이미지 데이터의 제 3 영역에 대한 데이터를 포함할 수 있다. According to one embodiment, the third input may include an input feature map or data for a third area of input image data.
일 실시 예에 따른 뉴럴 네트워크 장치(100)는 수신한 제 3 입력과 복수개의 커널 간의 연산을 수행할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 제 3 입력과 제 1 커널(예: 레드에 대한 커널) 간의 연산을 수행하여 제 3-1 결과를 획득하고, 제 3 입력과 제 2 커널(예: 그린에 대한 커널) 간의 연산을 수행하여 제 3-2 결과를 획득하고, 제 3 입력과 제 3 커널(예: 블루에 대한 커널) 간의 연산을 수행하여 제 3-3 결과를 획득할 수 있다. 뉴럴 네트워크 장치(100)는 제 3-1 결과, 제 3-2 결과 및 제 3-3 결과를 이용하여 제 3 결과를 획득할 수 있다. 예를 들면, 뉴럴 네트워크 장치(100)는 제 3-1 결과, 제 3-2 결과 및 제 3-3 결과를 더하여 제 3 결과를 획득할 수 있다. The
단계 S1350에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 제 1 결과, 제 2 결과 및 제 3 결과를 이용하여 출력 데이터를 획득한다.In step S1350, the
출력 데이터는 입력 데이터와 복수개의 커널과의 연산 결과를 포함할 수 있으며, 이미지 데이터에 대한 연산 결과인 출력 데이터가 한번에(예: 한 사이클에) 출력될 수도 있고, 순차적으로 출력될 수도 있다. 예를 들면, 제 1 결과, 제 2 결과 및 제 3 결과가 순차적으로 출력될 수 있다. Output data may include input data and results of operations with a plurality of kernels, and output data that is the result of operations on image data may be output at once (e.g., in one cycle) or sequentially. For example, the first result, the second result, and the third result may be output sequentially.
도 14는 일 실시 예에 따른 뉴럴 네트워크 장치(100)가 입력 데이터로부터 출력 데이터를 획득하는 방법을 나타내는 흐름도이다.FIG. 14 is a flowchart illustrating a method by which the
단계 S1410에서 일 실시 예에 따른 뉴럴 네트워크 장치(100) 는 입력 데이터로부터 데이터 스트림을 생성한다. 단계 S1410은 첫번째 레이어에서 수행될 수 있다.In step S1410, the
단계 S1420에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 단계 S1410에서 생성된 데이터 스트림을 복제하고 시간적으로 재정렬 함으로써 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림을 획득한다.In step S1420, the
단계 S1430에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 서로 다른 딜레이 타임을 갖는 복수개의 데이터 스트림을 특정 커널에 존재하는 메모리 어레이에 입력으로 이용하여 출력 스트림에 대한 연산을 수행한다. 단계 S1420, S1430은 중간 레이어서 수행될 수 있으며, 복수회에 걸쳐 반복적으로 수행될 수 있다.In step S1430, the
단계 S1440에서 일 실시 예에 따른 뉴럴 네트워크 장치(100)는 여러 사이클에 걸쳐 발생되는 출력 스트림으로부터 출력 데이터를 획득한다. 또한 획득된 출력 데이터를 통해 출력되는 이미지를 생성할 수 있다. 예를 들면 뉴럴 네트워크 장치(100)는 3D 이미지를 생성할 수 있다. 또한, 단계 S1440은 마지막 레이어에서 수행될 수 있다.In step S1440, the
도 15a 내지 15b는 일 실시 예에 따른 뉴로모픽(neuromorphic) 장치의 동작 방법을 설명하기 위한 도면이다.15A to 15B are diagrams for explaining a method of operating a neuromorphic device according to an embodiment.
도 15a를 참조하면, 뉴럴 네트워크 장치는 복수의 코어들을 포함할 수 있으며, 각각의 코어들은 RCA(Resistive Crossbar Memory Arrays)로 구현될 수 있다. 구체적으로, 각각의 코어는 복수의 프리 시냅틱 뉴런(presynaptic neuron, 1510), 복수의 포스트 시냅틱 뉴런(postsynaptic neuron, 1520), 및 복수의 프리 시냅틱 뉴런(1510)과 복수의 포스트 시냅틱 뉴런(1520) 사이의 각각의 연결을 제공하는 시냅스(1530)를 포함할 수 있다. Referring to FIG. 15A, a neural network device may include a plurality of cores, and each core may be implemented as RCA (Resistive Crossbar Memory Arrays). Specifically, each core includes a plurality of presynaptic neurons (1510), a plurality of postsynaptic neurons (1520), and a plurality of presynaptic neurons (1510) and a plurality of post synaptic neurons (1520). It may include a
일 실시 예에서 뉴럴 네트워크 장치의 코어는, 4개의 프리 시냅틱 뉴런(1510), 4개의 포스트 시냅틱 뉴런(1520) 및 16개의 시냅스(1530)를 포함하고 있으나, 이들 개수는 다양하게 변형될 수 있다. 프리 시냅틱 뉴런(1510)의 개수가 N개(여기서, N은 2 이상의 자연수임)이고, 포스트 시냅틱 뉴런(1520)의 개수가 M개(여기서, M은 2 이상의 자연수이고, N과 같거나 다를 수 있음)인 경우, N*M개의 시냅스(1530)가 매트릭스 형태로 배열될 수 있다. In one embodiment, the core of the neural network device includes 4
구체적으로, 복수의 프리 시냅틱 뉴런(1510) 각각과 연결되고 제1 방향(예를 들어, 가로 방향)으로 연장하는 배선(1512)과, 복수의 포스트 시냅틱 뉴런(1520) 각각과 연결되고 제1 방향과 교차하는 제2 방향(예를 들어, 세로 방향)으로 연장하는 배선(1522)이 제공될 수 있다. 이하, 설명의 편의를 위하여, 제1 방향으로 연장하는 배선(1512)을 로우 배선(row line)이라 하고, 제2 방향으로 연장하는 배선(1522)을 컬럼 배선(column line)이라 하기로 한다. 복수의 시냅스(1530)는 로우 배선(1512)과 컬럼 배선(1522)의 교차점마다 배치되어 대응하는 로우 배선(1512)과 대응하는 컬럼 배선(1522)을 서로 연결시킬 수 있다.Specifically, a
프리 시냅틱 뉴런(1510)은 신호 예컨대, 특정 데이터에 해당하는 신호를 생성하여 로우 배선(1512)으로 보내는 역할을 수행하고, 포스트 시냅틱 뉴런(1520)은 시냅스 소자(1530)를 거친 시냅틱 신호를 컬럼 배선(1522)을 통하여 수신하고 처리하는 역할을 수행할 수 있다. 프리 시냅틱 뉴런(1510)은 액손(axon)에 대응하고, 포스트 시냅틱 뉴런(1520)은 뉴런(neuron)에 대응할 수 있다. 그러나, 프리 시냅틱 뉴런인지 포스트 시냅틱 뉴런인지 여부는 다른 뉴런과의 상대적인 관계에 의해 결정될 수 있다. 예컨대, 프리 시냅틱 뉴런(1510)이 다른 뉴런과의 관계에서 시냅틱 신호를 수신하는 경우 포스트 시냅틱 뉴런으로 기능할 수 있다. 유사하게, 포스트 시냅틱 뉴런(1520)이 다른 뉴런과의 관계에서 신호를 보내는 경우 프리 시냅틱 뉴런으로 기능할 수 있다. 프리 시냅틱 뉴런(1510) 및 포스트 시냅틱 뉴런(1520)은 CMOS 등 다양한 회로로 구현될 수 있다.The
프리 시냅틱 뉴런(1510)과 포스트 시냅틱 뉴런(1520) 사이의 연결은 시냅스(1530)를 통하여 이루어질 수 있다. 여기서, 시냅스(1530)는 양단에 인가되는 전기적 펄스 예컨대, 전압 또는 전류에 따라 전기적 전도도(electrical conductance) 혹은 웨이트(weight)가 변하는 소자이다.The connection between the
시냅스(1530)는 예컨대, 가변 저항 소자를 포함할 수 있다. 가변 저항 소자는 양단에 인가되는 전압 또는 전류에 따라 서로 다른 저항 상태 사이에서 스위칭할 수 있는 소자로서, 복수의 저항 상태를 가질 수 있는 다양한 물질 예컨대, 전이 금속 산화물, 페로브스카이트(perovskite)계 물질 등과 같은 금속 산화물, 칼코게나이드(chalcogenide)계 물질 등과 같은 상변화 물질, 강유전 물질, 강자성 물질 등을 포함하는 단일막 구조 또는 다중막 구조를 가질 수 있다. 가변 저항 소자 및/또는 시냅스(1530)가 고저항 상태에서 저저항 상태로 변하는 동작을 셋(set) 동작이라 하고, 저저항 상태에서 고저항 상태로 변하는 동작을 리셋(reset) 동작이라 할 수 있다.The
단, 코어의 시냅스(1530)는, RRAM, PRAM, FRAM, MRAM 등의 메모리 장치에 이용되는 가변 저항 소자와 달리, 셋 동작과 리셋 동작에서 급격한(abrupt) 저항 변화가 없고, 입력되는 전기적 펄스의 개수에 따라 전도도가 점진적으로 변화하는 아날로그 거동(analog behavior)을 보이는 등, 메모리에서의 가변 저항 소자와 구별되는 여러가지 특성을 갖도록 구현될 수 있다. 이는 메모리에서 가변 저항 소자에 요구되는 특성과 뉴럴 네트워크 장치의 코어에서 시냅스(1530)에 요구되는 특성이 서로 상이하기 때문이다. However, unlike the variable resistance elements used in memory devices such as RRAM, PRAM, FRAM, and MRAM, the
위와 같은 뉴럴 네트워크 장치의 동작을 도 15b를 참조하여 설명하면 아래와 같다. 설명의 편의를 위하여 로우 배선(1512)을 위쪽에서부터 순서대로 제1 로우 배선(1512A), 제2 로우 배선(1512B), 제3 로우 배선(1512C) 및 제4 로우 배선(1512D)이라 칭할 수 있고, 컬럼 배선(1522)을 좌측에서부터 순서대로 제1 컬럼 배선(1522A), 제2 컬럼 배선(1522B), 제3 컬럼 배선(1522C) 및 제4 컬럼 배선(1522D)이라 칭할 수 있다.The operation of the above neural network device is explained with reference to FIG. 15B as follows. For convenience of explanation, the
도 15b를 참조하면, 최초 상태에서, 시냅스(1530) 전부는 전도도가 상대적으로 낮은 상태 즉, 고저항 상태에 있을 수 있다. 복수의 시냅스(1530)의 적어도 일부가 저저항 상태인 경우, 이들을 고저항 상태로 만드는 초기화 동작이 추가로 필요할 수 있다. 복수의 시냅스(1530) 각각은 저항 및/또는 전도도 변화에 요구되는 소정의 임계값을 가질 수 있다. 보다 구체적으로, 각 시냅스(1530)의 양단에 소정 임계값보다 작은 크기의 전압 또는 전류가 인가되면 시냅스(1530)의 전도도는 변하지 않고, 시냅스(1530)에 소정 임계값보다 큰 전압 또는 전류가 인가되면 시냅스(1530)의 전도도는 변화할 수 있다.Referring to FIG. 15B, in the initial state, all of the
이 상태에서, 특정 데이터를 특정 컬럼 배선(1522)의 결과로 출력하는 동작을 수행하기 위하여, 프리 시냅틱 회로(1510)의 출력에 대응하여 특정 데이터에 해당하는 입력 신호가 로우 배선(1512)으로 들어올 수 있다. 이때, 입력 신호는 로우 배선(1512) 각각에 대한 전기적 펄스의 인가로 나타날 수 있다. 예컨대, 로우 배선(1512)으로 '0011'의 데이터에 해당하는 입력 신호가 들어오는 경우, '0'에 대응하는 로우 배선(1512) 예컨대, 제1 및 제2 로우 배선(1512A, 1512B)에는 전기적 펄스가 인가되지 않고, '1'에 대응하는 로우 배선(1512) 예컨대, 제3 및 제4 로우 배선(1512C, 1512D)에만 전기적 펄스가 인가될 수 있다. 이때, 컬럼 배선(1522)은 출력을 위하여 적절한 전압 또는 전류로 구동될 수 있다.In this state, in order to perform an operation of outputting specific data as a result of the
일례로서, 특정 데이터를 출력할 컬럼 배선(1522)이 이미 정하여진 경우, 이 컬럼 배선(1522)은 '1'에 대응하는 로우 배선(1512)과의 교차점에 위치하는 시냅스(1530)가 셋 동작시 요구되는 전압(이하, 셋 전압) 이상의 크기를 갖는 전압을 인가받도록 구동되고, 나머지 컬럼 배선(1522)은 나머지 시냅스(1530)가 셋 전압보다 작은 크기의 전압을 인가받도록 구동될 수 있다. 예컨대, 셋 전압의 크기가 Vset이고, '0011'의 데이터를 출력할 컬럼 배선(1522)이 제3 컬럼 배선(1522C)으로 정하여진 경우, 제3 컬럼 배선(1522C)과 제3 및 제4 로우 배선(1512C, 1512D)과의 교차점에 위치하는 제1 및 제2 시냅스(1530A, 1530B)가 Vset 이상의 전압을 인가받도록, 제3 및 제4 로우 배선(1512C, 1512D)에 인가되는 전기적 펄스의 크기는 Vset 이상일 수 있고 제3 컬럼 배선(1522C)에 인가되는 전압은 0V일 수 있다. 그에 따라 제1 및 제2 시냅스(1530A, 1530B)는 저저항 상태가 될 수 있다. 저저항 상태의 제1 및 제2 시냅스(1530A, 1530B)의 전도도는 전기적 펄스의 개수가 증가할수록 점진적으로 증가할 수 있다. 인가되는 전기적 펄스의 크기 및 폭은 실질적으로 일정할 수 있다. 제1 및 제2 시냅스(1530A, 1530B)를 제외한 나머지 시냅스(1530)는 Vset 보다 작은 전압을 인가받도록, 나머지 컬럼 배선 즉, 제1, 제2 및 제4 컬럼 배선(1522A, 1522B, 1522D)에 인가되는 전압은 0V와 Vset 사이의 값 예컨대, 1/2Vset의 값을 가질 수 있다. 그에 따라, 제1 및 제2 시냅스(1530A, 1530B)를 제외한 나머지 시냅스(1530)의 저항 상태는 변화하지 않을 수 있다. 이러한 경우의 전류 또는 전자의 흐름은 점선 화살표로 나타내었다.As an example, when the
다른 일례로서, 특정 데이터를 출력할 컬럼 배선(1522)이 정하여져 있지 않을 수도 있다. 이러한 경우, 특정 데이터에 해당하는 전기적 펄스를 로우 배선(1512)으로 인가하면서 컬럼 배선(1522) 각각에 흐르는 전류를 측정하여 가장 먼저 소정 임계 전류에 도달하는 컬럼 배선(1522) 예컨대, 제3 컬럼 배선(1522C)이 이 특정 데이터를 출력한 컬럼 배선(1522)이 될 수 있다.As another example, the
이상으로 설명한 방식에 의하여, 서로 다른 데이터가 서로 다른 컬럼 배선(1522)에 각각 출력될 수 있다.Using the method described above, different data can be output to
도 16a 내지 도 16b는 일 실시 예에 따른 벡터-행렬 곱셈과 뉴럴 네트워크 장치에서 수행되는 연산을 비교하기 위한 도면이다.16A to 16B are diagrams for comparing vector-matrix multiplication and operations performed in a neural network device according to an embodiment.
도 16a 내지 도 16b는 일 실시 예에 따른 벡터-행렬 곱셈과 뉴럴 네트워크 장치에서 수행되는 연산을 비교하기 위한 도면이다.16A to 16B are diagrams for comparing vector-matrix multiplication and operations performed in a neural network device according to an embodiment.
먼저 도 16a를 참조하면, 입력 피처맵과 커널 간의 컨벌루션 연산은 벡터-행렬 곱셈(vector-matrix multiplication)을 이용하여 수행될 수 있다. 예를 들어, 입력 피처맵의 픽셀 데이터는 행렬 X(1610)로 표현될 수 있고, 커널 값들은 행렬 W(1611)로 표현될 수 있다. 출력 피처맵의 픽셀 데이터는, 행렬 X(1610)와 행렬 W(1611) 간의 곱셈 연산 결과 값인 행렬 Y(1612)로 표현될 수 있다. First, referring to FIG. 16A, the convolution operation between the input feature map and the kernel can be performed using vector-matrix multiplication. For example, pixel data of the input feature map can be expressed as a matrix X (1610), and kernel values can be expressed as a matrix W (1611). Pixel data of the output feature map can be expressed as matrix Y (1612), which is the result of a multiplication operation between matrix X (1610) and matrix W (1611).
도 16b를 참조하면, 뉴럴 네트워크 장치의 코어를 이용하여 벡터 곱셈 연산이 수행될 수 있다. 도 16a와 비교하여 설명하면, 입력 피처맵의 픽셀 데이터는 코어의 입력 값으로 수신될 수 있으며, 입력 값은 전압(1620)일 수 있다. 또한, 커널 값들은 코어의 시냅스 즉, 메모리 셀에 저장될 수 있으며, 메모리 셀에 저장된 커널 값들은 컨덕턴스(1621)일 수 있다. 따라서, 코어의 출력 값은, 전압(1620) 및 컨덕턴스(1621) 간의 곱셈 연산 결과 값인 전류(1622)로 표현될 수 있다.Referring to FIG. 16b, a vector multiplication operation can be performed using the core of a neural network device. In comparison with FIG. 16A, pixel data of the input feature map may be received as an input value of the core, and the input value may be a
도 17은 일 실시 예에 따른 뉴럴 네트워크 장치에서 컨벌루션 연산이 수행되는 예시를 설명하기 위한 도면이다.FIG. 17 is a diagram for explaining an example of a convolution operation being performed in a neural network device according to an embodiment.
뉴럴 네트워크 장치는 입력 피처맵(1710)의 픽셀 데이터를 수신할 수 있고, 뉴럴 네트워크 장치의 코어(1700)는 RCA(Resistive Crossbar Memory Arrays)로 구현될 수 있다.The neural network device can receive pixel data of the
일 실시 예에서 코어(1700)가 NxM 크기의 행렬인 경우(N 및 M은 2 이상의 자연수임), 입력 피처맵(1710)의 픽셀 데이터 개수는 코어(1700)의 열(M)의 개수보다 작거나 같을 수 있다. 입력 피처맵(1710)의 픽셀 데이터는 부동 소수점 포맷 또는 고정 소수점 포맷의 파라미터일 수 있다. 한편, 다른 실시 예에서 입력 피처맵(1710)의 픽셀 데이터 개수는 코어(1700)의 열(M) 수보다 클 수 있으며, 이에 대해서는 도 18에서 상세히 설명하기로 한다. In one embodiment, when the
뉴럴 네트워크 장치는 디지털 신호 형태의 픽셀 데이터를 수신할 수 있으며, DAC(Digital Analog Converter, 1720)를 이용하여, 수신된 픽셀 데이터를 아날로그 신호 형태의 전압으로 변환할 수 있다. 입력 피처맵(1710)의 픽셀 데이터는 1비트, 4비트 및 8비트 해상도(resolution) 등 다양한 비트 해상도 값을 가질 수 있다. 일 실시 예에서, 뉴럴 네트워크 장치는 DAC(1720)를 이용하여 픽셀 데이터를 전압으로 변환한 후, 전압을 코어(1700)의 입력 값(1701)으로 수신할 수 있다.A neural network device can receive pixel data in the form of a digital signal and, using a DAC (Digital Analog Converter, 1720), convert the received pixel data into a voltage in the form of an analog signal. Pixel data of the
또한, 뉴럴 네트워크 장치의 코어(1700)에는 학습된 커널 값들이 저장될 수 있다. 커널 값들은 코어의 메모리 셀에 저장될 수 있으며 메모리 셀에 저장된 커널 값들은 컨덕턴스(1702)일 수 있다. 이 때, 뉴럴 네트워크 장치는 전압(1701)과 컨덕턴스(1702) 간의 벡터 곱셈 연산을 수행함으로써 출력 값을 산출할 수 있으며, 출력 값은 전류(1703)로 표현될 수 있다. 즉, 뉴럴 네트워크 장치는 코어(1700)를 이용하여 입력 피처맵과 커널 간의 컨벌루션 연산 결과와 동일한 결과 값을 출력할 수 있다.Additionally, learned kernel values may be stored in the
코어(1700)에서 출력된 전류(1703)는 아날로그 신호이므로, 전류(1703)를 다른 코어의 입력 데이터로 사용하기 위해 뉴럴 네트워크 장치는 ADC(Analog Digital Converter, 1730)를 이용할 수 있다. 뉴럴 네트워크 장치는 ADC(1730)를 이용하여, 아날로그 신호인 전류(1703)를 디지털 신호로 변환할 수 있다. 일 실시 예에서 뉴럴 네트워크 장치는 ADC(1730)를 이용하여, 입력 피처맵(1710)의 픽셀 데이터와 동일한 비트 해상도를 갖도록 전류(1703)를 디지털 신호로 변환할 수 있다. 예를 들어, 입력 피처맵(1710)의 픽셀 데이터가 1비트 해상도인 경우, 뉴럴 네트워크 장치는 ADC(1730)를 이용하여 전류(1703)를 1비트 해상도의 디지털 신호로 변환할 수 있다.Since the current 1703 output from the
뉴럴 네트워크 장치는 활성화 유닛(1740)을 이용하여, ADC(1730)에서 변환된 디지털 신호에 활성화 함수를 적용할 수 있다. 활성화 함수로는 Sigmoid 함수, Tanh 함수 및 ReLU(Rectified Linear Unit) 함수를 이용할 수 있으나, 디지털 신호에 적용할 수 있는 활성화 함수는 이에 제한되지 않는다.The neural network device can apply an activation function to the digital signal converted by the
활성화 함수가 적용된 디지털 신호는 다른 코어(1750)의 입력 값으로 이용될 수 있다. 활성화 함수가 적용된 디지털 신호가 다른 코어(1750)의 입력 값으로 이용되는 경우, 다른 코어(1750)에서 상술한 과정이 동일하게 적용될 수 있다.The digital signal to which the activation function is applied can be used as an input value for another
도 18은 일 실시 예에 따른 서브 피처맵과 코어가 매칭되는 예시를 설명하기 위한 도면이다.Figure 18 is a diagram for explaining an example of matching a sub-feature map and a core according to an embodiment.
학습 및 추론에 이용되는 입력 피처맵(1810)은 다양한 크기를 가질 수 있는데, 뉴럴 네트워크 장치의 코어(1800)의 크기는 제한적이므로 단일 입력 피처맵(1810)의 픽셀 데이터 개수가 코어(1800)에서 수신할 수 있는 입력 값의 개수보다 많을 수 있다.The
도 18을 참조하면, 입력 피처맵(1810)의 크기는 8x8이고, 코어(1800)의 크기는 16x16이다. 이 경우, 8x8 입력 피처맵(1810)의 픽셀 데이터 개수는 64개(=8x8)이므로 코어(1800)에서 수신할 수 있는 입력 값의 개수 16보다 더 큰 값을 갖는다.Referring to FIG. 18, the size of the
뉴럴 네트워크 장치는 입력 피처맵(1810)의 픽셀 데이터 개수가 코어(1800)의 입력 값의 개수 즉, 열(M)의 개수보다 큰 경우, 입력 피처맵(1810)을 서브 피처맵(1811)으로 분할할 수 있다. 뉴럴 네트워크 장치는 코어(1800)의 크기 정보에 기초하여 입력 피처맵(1810)을 서브 피처맵(1811)으로 분할할 수 있다.If the number of pixel data of the
구체적으로, 입력 피처맵(1810)의 크기가 8x8이고 코어(1800)의 크기가 16x16인 경우, 뉴럴 네트워크 장치는 서브 피처맵들 각각의 픽셀 데이터 개수가 16개가 되도록 입력 피처맵(1810)을 4개의 서브 피처맵들로 분할할 수 있다. 뉴럴 네트워크 장치는 분할된 서브 피처맵들 각각을 별개의 코어들에 매칭시킬 수 있다. 예를 들어, 뉴럴 네트워크 장치는 서브 피처맵(1810)의 'aa'를 코어(1800)의 첫 번째 입력 값 'V1'으로 수신할 수 있고, 서브 피처맵(1810)의 'ab'를 코어(1800)의 두 번째 입력 값 'V2'으로 수신할 수 있으며, 서브 피처맵(1810)의 'dd'를 코어(1800)의 열여섯 번째 입력 값 'V16'으로 수신할 수 있다.Specifically, when the size of the
한편, 도 17에서 상술한 바와 같이, 서브 피처맵(1810)의 픽셀 데이터들은 디지털 신호(예를 들어, 1비트, 4비트 등)일 수 있으며, 뉴럴 네트워크 장치는 DAC(Digital Analog Converter)를 이용하여 픽셀 데이터들을 아날로그 신호로 변환한 후 변환된 값(전압 V)을 코어(1800)의 입력 값으로 수신할 수 있다.Meanwhile, as described above in FIG. 17, the pixel data of the
도 19는 일 실시 예에 따른 코어에서 벡터 곱셈 연산이 수행되는 예시를 설명하기 위한 도면이다.Figure 19 is a diagram for explaining an example of a vector multiplication operation performed in a core according to an embodiment.
도 19은 일 실시 예에 따른 코어에서 벡터 곱셈 연산이 수행되는 예시를 설명하기 위한 도면이다. 도 19에 도시된 입력 피처맵(1910), 커널(1920), 서브 피처맵(1930) 및 코어(1900)의 크기는 예시적인 것이며, 도 19에 도시된 크기로 제한되지 않는다.Figure 19 is a diagram for explaining an example of a vector multiplication operation performed in a core according to an embodiment. The sizes of the
도 19을 참조하면, 도 18에서와 마찬가지로 입력 피처맵(1910)의 크기는 8x8이고, 코어(1900)의 크기는 16x16이다. 8x8 입력 피처맵(1910)의 픽셀 데이터 개수는 64개(=8x8)이므로 코어(1900)에서 수신할 수 있는 입력 값의 개수 16보다 더 큰 값을 갖는다. 뉴럴 네트워크 장치는 서브 피처맵들 각각의 픽셀 데이터 개수가 16개가 되도록 입력 피처맵(1910)을 4개의 서브 피처맵들로 분할할 수 있다.Referring to FIG. 19, as in FIG. 18, the size of the
2x2 크기를 갖는 커널(1920)은 입력 피처맵(1910)에서 2x2 픽셀 크기의 윈도우(또는 타일) 단위로 슬라이딩하면서 커널(1920)과 입력 피처맵(1910) 간의 컨벌루션 연산이 수행된다. 컨벌루션 연산은 입력 피처맵(1910)의 어느 윈도우의 각 픽셀 데이터, 및 원본 커널(1920)에서 대응 위치의 각 엘리먼트의 웨이트 간의 곱셈을 하여 획득된 값들을 모두 합산하여, 출력 피처맵의 각 픽셀 데이터를 구하는 연산을 의미한다. The
도 19에서와 같이 입력 피처맵(1910)이 서브 피처맵들로 분할된 경우에도, 서브 피처맵(1930)과 커널(1920) 간의 컨벌루션 연산이 수행된다. 구체적으로, 커널(1920)은 먼저 서브 피처맵(1930)의 제1윈도우(1911a)와 컨벌루션 연산을 수행한다. 즉, 제1윈도우(1911a)의 각 픽셀 데이터(aa, ab, ba 및 bb)는 각각 커널(1920)의 엘리먼트 웨이트(W1, W2, W3 및 W4)와 곱해지고, 곱해진 결과 값들이 모두 합산됨으로써 출력 피처맵의 픽셀 데이터가 산출된다. 마찬가지 방식으로, 커널(1920)은 서브 피처맵(1930)의 제2윈도우(1911b) 내지 제9윈도우(1911c)와 컨벌루션 연산을 수행할 수 있다. 이하에서는 커널의 엘리먼트 웨이트를 커널 값으로 지칭하기로 한다.Even when the
상술한 컨벌루션 연산 과정은 코어(1900)에서 아래와 같이 수행될 수 있다.The above-described convolution operation process can be performed in the
뉴럴 네트워크 장치에서 서브 피처맵(1930)에 포함된 16개의 픽셀 데이터들(aa, ab, ac, ... dd)을 16x16 크기를 갖는 코어(1900)의 입력으로 수신할 수 있다. 또한, 뉴럴 네트워크 장치는 DAC(Digital Analog Converter)를 이용하여 디지털 신호 형태의 픽셀 데이터들을 아날로그 신호 형태의 전압(V1 내지 V16)으로 변환한 후, 전압(V1 내지 V16)을 코어(1900)의 입력으로 수신할 수 있다. 일 실시 예에서, 코어(1900)가 4비트 해상도의 픽셀 데이터를 입력으로 수신하는 경우 DAC 전력 소모 측면에서 바람직할 수 있다.The neural network device may receive 16 pixel data (aa, ab, ac, ... dd) included in the
또한, 뉴럴 네트워크 장치의 코어(1900)에는 커널 값들(W1, W2, W3 및 W4)이 저장될 수 있다. 여기서, 커널 값들(W1, W2, W3 및 W4)은 뉴럴 네트워크에서 학습이 완료된 값들일 수 있다. 구체적으로, 커널 값들(W1, W2, W3 및 W4)은 코어(1900)의 시냅스 즉, 메모리 셀에 저장될 수 있다. 커널 값들(W1, W2, W3 및 W4)은 메모리 셀에 컨덕턴스 값(G1, G2, G3 및 G4)으로 저장될 수 있으며, 커널 값들 W1 내지 W4 각각은 메모리 셀에 저장된 컨덕턴스 값 G1 내지 G4에 대응된다. 한편, 코어(1900)의 메모리 셀들 중에서 컨덕턴스 값(G1, G2, G3 및 G4)이 저장되지 않은 메모리 셀들의 컨덕턴스 값은 '0'일 수 있다.Additionally, kernel values (W1, W2, W3, and W4) may be stored in the
일 실시 예에서 뉴럴 네트워크 장치는 커널 값들을 초기화(initialization)할 수 있다. 초기화된 커널 값들은 코어(1900)의 메모리 셀에 컨덕턴스 값으로 저장될 수 있다. 초기화 방법으로는 가우시안 표준 정규 분포 방식, Xavier 초기화 방식 및 He 초기화 방식 등이 있으나, 이에 제한되지 않는다.In one embodiment, the neural network device may initialize kernel values. The initialized kernel values may be stored as conductance values in the memory cell of the
또한, 뉴럴 네트워크 장치는 초기화된 커널 값들을 분할된 서브 피처맵의 개수의 제곱근으로 나눌 수 있다. 일 실시 예에서 입력 피처맵(1910)이 4개의 서브 피처맵으로 분할된 경우, 뉴럴 네트워크 장치는 초기화된 커널 값들을 로 나눌 수 있다. 뉴럴 네트워크 장치는 나눗셈 연산이 수행된 커널 값들을 코어(1900)의 메모리 셀에 컨덕턴스 값으로 저장할 수 있다. He 초기화 방법을 이용하여 커널 값들을 초기화한 후, 이를 서브 피처맵의 개수의 제곱근으로 나눈 결과 값을 메모리 셀의 컨덕턴스 값으로 이용하는 경우 예측 정확도를 향상시킬 수 있다.Additionally, the neural network device can divide the initialized kernel values by the square root of the number of divided sub-feature maps. In one embodiment, when the
이하에서는 설명의 편의를 위하여 가로 방향의 로우 배선을 위쪽에서부터 순서대로 제1 로우 배선(1901a) 내지 제16 로우 배선(1901p)라 칭하고, 컬럼 배선을 좌측에서부터 순서대로 제1 컬럼 배선(1902a) 내지 제16 컬럼 배선(1902p)라고 칭하기로 한다.Hereinafter, for convenience of explanation, the horizontal row wires will be referred to as
제1 컬럼 배선(1902a) 부분을 살펴보면, 제1 로우 배선(1901a), 제2 로우 배선(1901b), 제5 로우 배선(1901e) 및 제6 로우 배선(1901f)과 교차하는 메모리 셀에는 컨덕턴스 값 G1, G2, G3 및 G4가 각각 저장된다. 또한, 제1 로우 배선(1901a), 제2 로우 배선(1901b), 제5 로우 배선(1901e) 및 제6 로우 배선(1901f) 각각에 대응되는 코어(1900)의 입력 값은 V1, V2, V5 및 V6이다. 전압과 컨덕턴스 간에는 옴의 법칙이 적용되므로, 메모리 셀에 저장된 컨덕턴스 값과 코어의 입력 전압 값 간의 벡터 곱셈 연산 결과, 코어(1900)의 제1 출력 값 I1은 아래의 수학식 1과 같이 산출될 수 있다.Looking at the
커널 값들 W1 내지 W4 각각은 메모리 셀에 저장된 컨덕턴스 값 G1 내지 G4에 대응되며, 코어(1900)의 입력 값 V1, V2, V5 및 V6 각각은 픽셀 데이터 aa, ab, ba 및 bb에 대응된다. 즉, 코어(1900)의 제1 출력 값 I1은 커널(1920) 및 제1윈도우(1911a) 간의 컨벌루션 연산 결과에 대응된다.Each of the kernel values W1 to W4 corresponds to conductance values G1 to G4 stored in the memory cell, and each of the input values V1, V2, V5, and V6 of the
또한, 제2 컬럼 배선(1902b) 부분을 살펴보면, 제2 로우 배선(1901b), 제3 로우 배선(1901c), 제6 로우 배선(1901f) 및 제7 로우 배선(1901e)과 교차하는 메모리 셀에는 컨덕턴스 값 G1, G2, G3 및 G4가 각각 저장된다. 코어(1900)의 제1 출력 값 I1을 산출했을 때와 마찬가지 방식으로, 코어(1900)의 제2 출력 값 I2는 아래의 수학식 2와 같이 산출될 수 있다. 코어(1900)의 제2 출력 값 I2는 커널(1920) 및 제2윈도우(1911b) 간의 컨벌루션 연산 결과에 대응된다.Additionally, looking at the
상술한 과정에 따라, 뉴럴 네트워크 장치는 코어(1900)의 입력 값 및 메모리 셀에 저장된 컨덕턴스 값 간의 벡터 곱셈 연산을 수행함으로써, 제1 출력 값(I1) 내지 제16 출력 값(I16)을 산출할 수 있다.According to the above-described process, the neural network device calculates the first output value I1 to the sixteenth output value I16 by performing a vector multiplication operation between the input value of the
한편, 도 19에서는 커널(1920)과 벡터 곱셈 연산이 수행되는 윈도우(1911a, 1911b, 1911c)가 9개이므로, 제1 컬럼 배선(1902a) 내지 제9 컬럼 배선(1902i) 상의 메모리 셀에만 컨덕턴스 값 G1, G2, G3 및 G4가 저장될 수 있다. 즉, 제10 컬럼 배선(1902j) 내지 제16 컬럼 배선(1902p) 상의 메모리 셀에 저장된 컨덕턴스 값은 전부 '0'일 수 있으며, 이 때 코어(1900)의 제10 출력 값 I10 내지 제16 출력 값 I16은 0이 된다.Meanwhile, in FIG. 19, since there are 9
코어(1900)에서 산출된 출력 값(I1 내지 I16)은 아날로그 신호이므로, 뉴럴 네트워크 장치는 ADC(Analog Digital Converter)를 이용하여 출력 값(I1 내지 I16)을 디지털 신호로 변환할 수 있다. 또한, 뉴럴 네트워크 장치는 ADC에서 변환된 디지털 신호에 활성화 함수를 적용한 후 이를 이용하여 다른 코어의 입력 값을 산출할 수 있다.Since the output values (I1 to I16) calculated by the
도 20은 일 실시 예에 따른 복수의 코어에서 산출된 출력 값들을 합성하는 방법을 설명하기 위한 도면이다. Figure 20 is a diagram for explaining a method of combining output values calculated from a plurality of cores according to an embodiment.
도 20을 참조하면, 입력 피처맵(2010)의 크기는 4x4이고, 제1 내지 제5 코어(2001 내지 2005)의 크기는 4x4이다. 4x4 입력 피처맵(2010)의 픽셀 데이터 개수는 16개(=4x4)이므로, 제1 내지 제5 코어(2001 내지 2005)에서 수신할 수 있는 입력 값의 개수 4보다 더 큰 값을 갖는다. 뉴럴 네트워크 장치는 제1 내제 제4 서브 피처맵들(2011 내지 2014) 각각의 픽셀 데이터 개수가 4개가 되도록 입력 피처맵(2010)을 4개의 서브 피처맵들로 분할할 수 있다.Referring to FIG. 20, the size of the input feature map 2010 is 4x4, and the size of the first to fifth cores 2001 to 2005 is 4x4. Since the number of pixel data of the 4x4 input feature map 2010 is 16 (=4x4), it has a value greater than 4, the number of input values that can be received from the first to fifth cores 2001 to 2005. The neural network device may divide the input feature map 2010 into four sub-feature maps so that the number of pixel data in each of the first internal fourth
제1 서브 피처맵(2011)의 픽셀 데이터 'aa, ab, ba, bb'는 제1 코어(2001)의 입력으로 수신될 수 있다. 뉴럴 네트워크 장치는 DAC(Digital Analog Converter)를 이용하여 디지털 신호 형태의 픽셀 데이터들 'aa, ab, ba, bb'를 아날로그 신호 형태의 전압으로 변환한 후, 전압을 제1 코어(2001)의 입력으로 수신할 수 있다. 마찬가지 방식으로, 뉴럴 네트워크 장치는 제2 내지 제4 서브 피처맵(2012 내지 2014) 각각의 픽셀 데이터들을 아날로그 신호로 변환한 후 제2 내지 제4 코어(2002 내지 2004)의 입력으로 수신할 수 있다.Pixel data 'aa, ab, ba, bb' of the first
한편, 도 19에서 상술한 바와 같이, 제1 내지 제5 코어(2001 내지 2005)의 메모리 셀에는 초기화된 커널 값들이 컨덕턴스 값으로 저장될 수 있다. 일 실시 예에서 커널 값들의 초기화 방법으로는 He 초기화 방법이 이용될 수 있다. 뉴럴 네트워크 장치는 He 초기화 방법을 이용하여 커널 값들을 초기화한 후, 이를 서브 피처맵의 개수의 제곱근으로 나눈 결과 값을 메모리 셀의 컨덕턴스 값으로 저장할 수 있다.Meanwhile, as described above with reference to FIG. 19 , initialized kernel values may be stored as conductance values in the memory cells of the first to fifth cores 2001 to 2005. In one embodiment, the He initialization method may be used as an initialization method for kernel values. The neural network device can initialize kernel values using the He initialization method, divide them by the square root of the number of sub-feature maps, and store the resulting value as the conductance value of the memory cell.
뉴럴 네트워크 장치는 제1 내지 제4 코어(2001 내지 2004)의 메모리 셀에 저장된 컨덕턴스 값과 입력 전압 값 간의 벡터 곱셈 연산을 수행한다. 벡터 곱셈 연산이 수행된 결과, 제1 내지 제4 코어(2001 내지 2004)의 출력 값이 산출된다. 이 때, 제1 내지 제4 코어(2001 내지 2004) 각각은, 제1 내지 제4 서브 피처맵(2011 내지 2014)의 픽셀 데이터를 입력으로 수신하고 있으므로, 뉴럴 네트워크 장치는 제1 내지 제4 코어(2001 내지 2004) 각각에서 산출된 출력 값들을 합성(merge)할 수 있다. 뉴럴 네트워크 장치는 합성된 출력 값들을 새로운 코어의 입력 값으로 전송할 수 있다.The neural network device performs a vector multiplication operation between the conductance value stored in the memory cells of the first to fourth cores 2001 to 2004 and the input voltage value. As a result of performing the vector multiplication operation, output values of the first to fourth cores 2001 to 2004 are calculated. At this time, since each of the first to fourth cores (2001 to 2004) receives pixel data of the first to fourth sub-feature maps (2011 to 2014) as input, the neural network device receives the pixel data of the first to fourth cores (2001 to 2004) as input. (2001 to 2004) The output values calculated from each can be merged. A neural network device can transmit synthesized output values as input values of a new core.
일 실시 예에서 뉴럴 네트워크 장치는 제1 내지 제4 코어(2001 내지 2004) 각각에서 산출된 출력 값들 중에서, 각 코어에서 동일한 순서를 갖는 컬럼 배선의 출력 값들을 합성할 수 있다. 예를 들어, 뉴럴 네트워크 장치는, 제1 코어(2001)의 첫 번째 컬럼 배선의 출력 값 I1, 제2 코어(2002)의 첫 번째 컬럼 배선의 출력 값 I2, 제3 코어(2003)의 첫 번째 컬럼 배선의 출력 값 I3 및 제4 코어(2004)의 첫 번째 컬럼 배선의 출력 값 I4를 합성할 수 있다. 뉴럴 네트워크 장치는 출력 값 I1 내지 I4를 합성한 후, 합성된 출력 값들을 제5 코어(2005)의 입력 값 V1으로 전송할 수 있다.In one embodiment, the neural network device may synthesize output values of column wiring having the same order in each core among output values calculated from each of the first to fourth cores 2001 to 2004. For example, the neural network device includes the output value I1 of the first column wiring of the first core (2001), the output value I2 of the first column wiring of the second core (2002), and the output value I2 of the first column wiring of the third core (2003). The output value I3 of the column wiring and the output value I4 of the first column wiring of the fourth core (2004) can be combined. The neural network device may synthesize output values I1 to I4 and then transmit the synthesized output values as the input value V1 of the fifth core (2005).
또한, 뉴럴 네트워크 장치는 제1 내지 제4 코어(2001 내지 2004)에서 산출된 출력 값 I1 내지 I4 각각에 웨이트 값 W1 내지 W4를 곱한 후, 웨이트 값이 곱해진 출력 값들을 합성할 수 있다. 즉, 제5 코어(2005)의 입력 값 V1은 아래의 수학식 3과 같이 산출될 수 있다.Additionally, the neural network device may multiply each of the output values I1 to I4 calculated from the first to fourth cores 2001 to 2004 by the weight values W1 to W4, and then synthesize the output values multiplied by the weight values. That is, the input value V1 of the fifth core (2005) can be calculated as in
여기서 웨이트 값 W1 내지 W4는 커널 값과 다른 값일 수 있으며, 뉴럴 네트워크에서 학습을 통해 결정된 값일 수 있다. 일 실시 예에서 웨이트 값 W1 내지 W4는 '1'일 수 있으나, 이에 제한되지 않는다.Here, the weight values W1 to W4 may be different from the kernel value and may be values determined through learning in a neural network. In one embodiment, the weight values W1 to W4 may be '1', but are not limited thereto.
마찬가지 방식으로, 뉴럴 네트워크 장치는 제1 내지 제4 코어(2001 내지 2004)에서 산출된 나머지 출력 값들을 합성한 후, 합성된 출력 값들을 제5 코어(2005)의 입력 값으로 전송할 수 있다.In the same manner, the neural network device may synthesize the remaining output values calculated from the first to fourth cores 2001 to 2004 and then transmit the synthesized output values as input values of the fifth core 2005.
한편, 제1 내지 제4 코어(2001 내지 2004)에서 산출된 출력 값들(또는 산출된 출력 값에 웨이트 값이 곱해진 결과 값들)은 아날로그 신호 형태(전류 값)이므로, 뉴럴 네트워크 장치는 ADC(Analog Digital Converter)를 이용하여 출력 값들을 디지털 신호로 변환할 수 있다. 또한, 뉴럴 네트워크 장치는 ADC에서 디지털 신호로 변환된 출력 값들에 ReLU 함수를 적용할 수 있다. 뉴럴 네트워크 장치는 활성화 함수가 적용된 출력 값들을 합성한 후, 합성된 출력 값들을 제5 코어(2005)의 입력 값으로 전송할 수 있다.Meanwhile, since the output values calculated from the first to fourth cores (2001 to 2004) (or the result values of the calculated output values multiplied by the weight value) are in the form of analog signals (current values), the neural network device uses an ADC (Analog The output values can be converted into digital signals using a digital converter. Additionally, the neural network device can apply the ReLU function to the output values converted to digital signals from the ADC. The neural network device may synthesize output values to which an activation function is applied and then transmit the synthesized output values as input values of the fifth core (2005).
상술한 바와 같이, 입력 피처맵의 픽셀 데이터 개수가 코어의 입력 값의 개수보다 많은 경우, 입력 피처맵을 서브 피처맵으로 분할한 후 분할된 서브 피처맵들 각각을 별개의 코어들에 매칭시킬 수 있다. 뉴럴 네트워크 장치는 입력 피처맵을 상기와 같이 분할함으로써, DAC(Digital Analog Converter) 전력, ADC(Analog Digital Converter) 전력 및 칩 전력(Chip Power)의 소모량을 줄일 수 있으며, 나아가, 칩 면적을 줄일 수 있다.As described above, if the number of pixel data of the input feature map is greater than the number of input values of the core, the input feature map can be divided into sub-feature maps and each of the divided sub-feature maps can be matched to separate cores. there is. By dividing the input feature map as described above, the neural network device can reduce the consumption of DAC (Digital Analog Converter) power, ADC (Analog Digital Converter) power, and chip power, and further reduce chip area. there is.
도 21은 일 실시 예에 따른 뉴럴 네트워크 장치에서 뉴럴 네트워크를 구현하는 방법을 설명하는 흐름도이다.Figure 21 is a flowchart explaining a method of implementing a neural network in a neural network device according to an embodiment.
도 21는 일 실시 예에 따른 뉴럴 네트워크 장치에서 뉴럴 네트워크를 구현하는 방법을 설명하는 흐름도이다. 도 21에 도시된, 뉴럴 네트워크 장치에서 뉴럴 네트워크를 구현하는 방법은, 앞서 설명된 도면들에서 설명된 실시 예들에 관련되므로, 이하 생략된 내용이라 할지라도, 앞서 도면들에서 설명된 내용들은 도 21의 방법에도 적용될 수 있다.Figure 21 is a flowchart explaining a method of implementing a neural network in a neural network device according to an embodiment. The method of implementing a neural network in a neural network device shown in FIG. 21 is related to the embodiments described in the previously described drawings, so even if the contents are omitted below, the contents described in the previous drawings are included in FIG. 21 It can also be applied to the method of .
도 21를 참조하면, 단계 s2110에서 뉴럴 네트워크 장치는, 뉴럴 네트워크 장치를 구성하는 코어의 크기 정보에 기초하여 입력 피처맵을 서브 피처맵으로 분할할 수 있다. 입력 피처맵 및 코어의 크기는 행렬로 표현될 수 있는데, 입력 피처맵을 구성하는 픽셀 데이터 개수가 코어의 입력 값의 개수(열의 개수)보다 클 수 있다. 이 경우, 뉴럴 네트워크 장치는 분할된 서브 피처맵의 픽셀 데이터 개수가 코어의 입력 값의 개수와 갖거나 작아지도록 입력 피처맵을 복수의 서브 피처맵들로 분할할 수 있다.Referring to FIG. 21, in step s2110, the neural network device may divide the input feature map into sub-feature maps based on size information of the core constituting the neural network device. The size of the input feature map and core can be expressed as a matrix, and the number of pixel data constituting the input feature map may be larger than the number of input values (number of columns) of the core. In this case, the neural network device may divide the input feature map into a plurality of sub-feature maps so that the number of pixel data of the divided sub-feature map is equal to or smaller than the number of input values of the core.
단계 s2120에서 뉴럴 네트워크 장치는 서브 피처맵의 픽셀 데이터를 코어의 입력 값으로 수신할 수 있다.In step s2120, the neural network device may receive pixel data of the sub-feature map as an input value of the core.
서브 피처맵의 픽셀 데이터는 디지털 신호이므로, 픽셀 데이터를 코어의 입력 값으로 수신하기 위해 뉴럴 네트워크 장치는 DAC(Digital Analog Converter)를 이용하여 픽셀 데이터를 아날로그 신호(전압)로 변환할 수 있다. 한편, 일 실시 예에서 서브 피처맵의 픽셀 데이터는 4비트 해상도(resolution)의 디지털 신호일 수 있다.Since the pixel data of the sub-feature map is a digital signal, in order to receive the pixel data as the input value of the core, the neural network device can convert the pixel data into an analog signal (voltage) using a DAC (Digital Analog Converter). Meanwhile, in one embodiment, the pixel data of the sub-feature map may be a digital signal with 4-bit resolution.
단계 s2130에서 뉴럴 네트워크 장치는 서브 피처맵에 적용될 커널 값들을, 코어를 구성하는 메모리 셀들에 저장할 수 있다.In step s2130, the neural network device may store kernel values to be applied to the sub-feature map in memory cells constituting the core.
커널 값들은 코어의 메모리 셀에 저장될 수 있으며, 메모리 셀에 저장된 커널 값들은 컨덕턴스일 수 있다. 커널 값들은 별도의 뉴럴 네트워크에서 학습된 값들일 수 있으며, 별도의 뉴럴 네트워크 학습 시에 입력 피처맵 대신 분할된 서브 피처맵이 입력 데이터로 이용될 수 있다.Kernel values may be stored in a memory cell of the core, and the kernel values stored in the memory cell may be conductance. Kernel values may be values learned in a separate neural network, and when learning a separate neural network, a segmented sub-feature map may be used as input data instead of an input feature map.
한편, 뉴럴 네트워크 장치는 He 초기화 방법을 이용하여 학습된 커널 값들을 초기화한 후, 이를 서브 피처맵의 개수의 제곱근으로 나눈 결과 값을 메모리 셀의 컨덕턴스 값으로 저장할 수 있다.Meanwhile, the neural network device can initialize the learned kernel values using the He initialization method, divide them by the square root of the number of sub-feature maps, and store the resulting value as the conductance value of the memory cell.
단계 s2140에서 뉴럴 네트워크 장치는 입력 값과, 메모리 셀들에 저장된 커널 값들 간의 벡터 곱셈 연산을 수행함으로써 코어의 출력 값을 산출할 수 있다.In step s2140, the neural network device may calculate the output value of the core by performing a vector multiplication operation between the input value and the kernel values stored in the memory cells.
전압과 컨덕턴스 간에는 옴의 법칙이 적용되므로, 뉴럴 네트워크 장치는 메모리 셀에 저장된 커널 값(컨덕턴스)과 코어의 입력 값(전압) 간의 벡터 곱셈 연산을 수행함으로써, 코어의 출력 값(전류)를 산출할 수 있다.Since Ohm's law applies between voltage and conductance, the neural network device calculates the output value (current) of the core by performing a vector multiplication operation between the kernel value (conductance) stored in the memory cell and the input value (voltage) of the core. You can.
단계 s2150에서 뉴럴 네트워크 장치는 분할된 서브 피처맵 각각에 대응하는 코어에서 산출된 출력 값들을 합성(merge)할 수 있다.In step s2150, the neural network device may merge output values calculated from the core corresponding to each divided sub-feature map.
뉴럴 네트워크 장치는 복수의 코어들 각각에서 산출된 출력 값들 중에서, 각 코어에서 동일한 순서를 갖는 컬럼 배선의 출력 값들을 합성할 수 있다. 또한, 뉴럴 네트워크 장치는 복수의 코어들 각각에서 산출된 출력 값들 각각에 웨이터 값을 곱한 후, 웨이트 값이 곱해진 출력 값들을 합성할 수 있다. 여기서 웨이트 값 W1 내지 W4는 커널 값과 다른 값일 수 있다.The neural network device may synthesize the output values of the column wiring having the same order in each core among the output values calculated from each of the plurality of cores. Additionally, the neural network device may multiply each output value calculated from each of the plurality of cores by a waiter value and then synthesize the output values multiplied by the weight value. Here, the weight values W1 to W4 may be different from the kernel value.
단계 s2160에서 뉴럴 네트워크 장치는 합성된 출력 값들을 새로운 코어의 입력 값으로 전송할 수 있다. In step s2160, the neural network device may transmit the synthesized output values as input values of a new core.
코어에서 산출된 출력 값들(또는 산출된 출력 값에 웨이트 값이 곱해진 결과 값들)은 아날로그 신호 형태(전류)이므로, 뉴럴 네트워크 장치는 ADC(Analog Digital Converter)를 이용하여 출력 값들을 디지털 신호로 변환할 수 있다. 또한, 뉴럴 네트워크 장치는 ADC에서 디지털 신호로 변환된 출력 값들에 ReLU 함수를 적용할 수 있다. 뉴럴 네트워크 장치는 활성화 함수가 적용된 출력 값들을 합성한 후, 합성된 출력 값들을 새로운 코어의 입력 값으로 전송할 수 있다.Since the output values calculated from the core (or the results obtained by multiplying the calculated output value by the weight value) are in the form of an analog signal (current), the neural network device converts the output values into digital signals using an ADC (Analog Digital Converter). can do. Additionally, the neural network device can apply the ReLU function to the output values converted to digital signals from the ADC. The neural network device can synthesize output values to which an activation function is applied and then transmit the synthesized output values as input values of a new core.
뉴럴 네트워크 장치는 합성된 출력 값들을 새로운 코어의 입력 값으로 전송한 후, 단계 s2120 내지 단계 s2150을 수행할 수 있다.The neural network device may transmit the synthesized output values as input values of a new core and then perform steps s2120 to s2150.
도 22는 일 실시 예에 따른 뉴럴 네트워크 장치 및 메모리를 도시한 블록도이다.Figure 22 is a block diagram illustrating a neural network device and memory according to an embodiment.
도 22을 참조하면, 뉴럴 네트워크 장치(100)는 프로세서(120) 및 온-칩 메모리(on-chip memory, 2210)를 포함할 수 있다. 도 22에 도시된 뉴럴 네트워크 장치(100)에는 본 실시 예들과 관련된 구성요소들만이 도시되어 있다. 따라서, 뉴럴 네트워크 장치(100)에는 도 22에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.Referring to FIG. 22, the
뉴럴 네트워크 장치(100)는 스마트폰, 드론, 태블릿 디바이스, AR(Augmented Reality) 디바이스, IoT(Internet of Things) 디바이스, 자율주행 자동차, 로보틱스, 의료기기 등 저전력 뉴럴네트워크 구동이 필요한 디지털 시스템에 탑재될 수 있으나, 이에 제한되지 않는다.The
뉴럴 네트워크 장치(100)는 복수의 온-칩 메모리(2210)를 포함할 수 있으며, 온-칩 메모리(2210) 각각은 복수의 코어들로 구성될 수 있다. 코어는 복수의 프리 시냅틱 뉴런(presynaptic neuron), 복수의 포스트 시냅틱 뉴런(postsynaptic neuron), 및 복수의 프리 시냅틱 뉴런과 복수의 포스트 시냅틱 뉴런 사이의 각각의 연결을 제공하는 시냅스 즉, 메모리 셀을 포함할 수 있다. 일 실시 예에서 코어는 RCA(Resistive Crossbar Memory Arrays)로 구현될 수 있다.The
외부 메모리(2220)는 뉴럴 네트워크 장치(100)에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 외부 메모리(2220)는 뉴럴 네트워크 장치(100)에서 처리된 데이터들 및 처리될 데이터들을 저장할 수 있다. 또한, 외부 메모리(2220)는 뉴럴 네트워크 장치(100)에 의해 구동될 애플리케이션들, 드라이버들 등을 저장할 수 있다. 외부 메모리(2220)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.The
프로세서(120)는 뉴럴 네트워크 장치(100)를 구동하기 위한 전반적인 기능들을 제어하는 역할을 한다. 예를 들어, 프로세서(120)는 뉴럴 네트워크 장치(100) 내의 온-칩 메모리(2210)에 저장된 프로그램들을 실행함으로써, 뉴럴 네트워크 장치(100)를 전반적으로 제어한다. 프로세서(120)는 뉴럴 네트워크 장치(100) 내에 구비된 CPU(central processing unit), GPU(graphics processing unit), AP(application processor) 등으로 구현될 수 있으나, 이에 제한되지 않는다. 프로세서(120)는 외부 메모리(2220)로부터 각종 데이터들을 리드/라이트(read/write)하고, 리드/라이트된 데이터를 이용하여 뉴럴 네트워크 장치(100)를 실행한다.The
프로세서(120)는 코어의 크기 정보에 기초하여 입력 피처맵을 서브 피처맵으로 분할할 수 있고, 분할된 서브 피처맵의 픽셀 데이터를 코어의 입력 값으로 수신할 수 있다. 프로세서(120)는 DAC(Digital Analog Converter)를 이용하여 픽셀 데이터를 아날로그 신호(전압)로 변환할 수 있다. The
프로세서(120)는 서브 피처맵에 적용될 커널 값들을, 코어를 구성하는 메모리 셀들에 저장할 수 있다. 커널 값들은 코어의 메모리 셀에 저장될 수 있으며, 메모리 셀에 저장된 커널 값들은 컨덕턴스일 수 있다. 또한, 프로세서(120)는 입력 값과, 메모리 셀들에 저장된 커널 값들 간의 벡터 곱셈 연산을 수행함으로써 코어의 출력 값을 산출할 수 있다. The
프로세서(120)는 분할된 서브 피처맵 각각에 대응하는 코어에서 산출된 출력 값들을 합성(merge)할 수 있다. 구체적으로, 뉴럴 네트워크 장치는 복수의 코어들 각각에서 산출된 출력 값들 각각에 웨이터 값을 곱한 후, 웨이트 값이 곱해진 출력 값들을 합성할 수 있다. 한편, 코어에서 산출된 출력 값들(또는 산출된 출력 값에 웨이트 값이 곱해진 결과 값들)은 아날로그 신호 형태(전류)이므로, 프로세서(120)는 ADC(Analog Digital Converter)를 이용하여 출력 값들을 디지털 신호로 변환할 수 있다. 또한, 프로세서(120)는 ADC에서 디지털 신호로 변환된 출력 값들에 ReLU 함수를 적용할 수 있다. The
프로세서(120)는 활성화 함수가 적용된 출력 값들을 합성한 후, 합성된 출력 값들을 새로운 코어의 입력 값으로 전송할 수 있다.The
본 실시 예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다. Devices according to the present embodiments include a processor, memory for storing and executing program data, permanent storage such as a disk drive, a communication port for communicating with an external device, and a user such as a touch panel, keys, buttons, etc. It may include an interface device, etc. Methods implemented as software modules or algorithms may be stored on a computer-readable recording medium as computer-readable codes or program instructions executable on the processor. Here, computer-readable recording media include magnetic storage media (e.g., ROM (read-only memory), RAM (random-access memory), floppy disk, hard disk, etc.) and optical read media (e.g., CD-ROM). ), DVD (Digital Versatile Disc), etc. The computer-readable recording medium is distributed among computer systems connected to a network, so that computer-readable code can be stored and executed in a distributed manner. The media may be readable by a computer, stored in memory, and executed by a processor.
본 실시 예에서 설명하는 특정 실행들은 예시들로서, 어떠한 방법으로도 기술적 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다.The specific implementations described in this embodiment are examples and do not limit the technical scope in any way. For the sake of brevity of the specification, descriptions of conventional electronic components, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connections or connection members of lines between components shown in the drawings exemplify functional connections and/or physical or circuit connections, and in actual devices, various functional connections or physical connections may be replaced or added. Can be represented as connections, or circuit connections.
Claims (21)
적어도 하나의 프로그램이 저장된 메모리; 및
상기 적어도 하나의 프로그램을 실행함으로써 뉴럴 네트워크를 구동하여 제 1 입력 및 제 2 입력을 포함하는 입력 데이터에 대한 연산을 수행하는 프로세서를 포함하고,
상기 프로세서는,
서로 다른 딜레이 타임을 갖고 이미지 데이터를 나타내는 복수개의 데이터 스트림을 복수개의 입력단으로부터 수신하고,
상기 복수개의 데이터 스트림으로부터 상기 제 1 입력 및 상기 제 2 입력을 수신하고,
상기 제 1 입력과 복수개의 커널 간의 연산을 수행하여 제 1 결과를 획득하고, 상기 제 1 입력이 수신된 시점에서 제 1 인터벌(interval)만큼 딜레이된 시점에 수신된 상기 제 2 입력과 상기 복수개의 커널 간의 연산을 수행하여 제 2 결과를 획득하고, 상기 제 1 결과와 상기 제 2 결과를 이용하여 상기 입력 데이터에 대한 출력 데이터를 획득하는 장치.In a neural network device,
a memory in which at least one program is stored; and
A processor configured to drive a neural network by executing the at least one program to perform an operation on input data including a first input and a second input,
The processor,
Receiving a plurality of data streams representing image data with different delay times from a plurality of input terminals,
Receiving the first input and the second input from the plurality of data streams,
A first result is obtained by performing an operation between the first input and a plurality of kernels, and the second input and the plurality of kernels are received at a time delayed by a first interval from the time the first input is received. A device that obtains a second result by performing an inter-kernel operation and obtains output data for the input data using the first result and the second result.
상기 뉴럴 네트워크 장치는 뉴로모픽 하드웨어를 포함하고,
상기 뉴로모픽 하드웨어는 상기 제 1 입력과 상기 제 2 입력을 이용하여 CNN(Convolution Neural Network) 매핑을 수행하는 장치.According to claim 1,
The neural network device includes neuromorphic hardware,
The neuromorphic hardware is a device that performs CNN (Convolution Neural Network) mapping using the first input and the second input.
상기 입력 데이터는 이미지 데이터를 포함하고,
상기 제 1 입력은 상기 이미지 데이터의 제 1 영역에 대한 데이터를 포함하고, 상기 제 2 입력은 상기 이미지 데이터의 제 2 영역에 대한 데이터를 포함하는 장치.According to claim 1,
The input data includes image data,
The first input includes data for a first region of the image data, and the second input includes data for a second region of the image data.
상기 제 1 영역과 상기 제 2 영역은 일부 중첩되고 상호 인접한 장치.According to claim 3,
The device wherein the first area and the second area partially overlap and are adjacent to each other.
상기 프로세서는
상기 제 2 입력이 유효한 입력인지 여부를 결정하고,
상기 제 2 입력이 유효한 입력인 경우, 상기 제 2 입력과 상기 복수개의 커널 간의 연산을 수행하여 상기 제 2 결과를 획득하는 장치.According to claim 4,
The processor is
determine whether the second input is a valid input;
When the second input is a valid input, a device that obtains the second result by performing an operation between the second input and the plurality of kernels.
상기 프로세서는
상기 제 2 입력이 상기 제 2 영역을 구성하는 픽셀 데이터인 경우 상기 제 2 입력을 상기 유효한 입력으로 결정하는 장치.According to claim 5,
The processor is
A device for determining the second input as the valid input when the second input is pixel data constituting the second area.
상기 제 1 입력은 제 1 사이클 동안 수신되고,
상기 제 2 입력은 상기 제 1 사이클보다 상기 제 1 인터벌만큼 딜레이된 제 2 사이클 동안 수신되는 장치.According to claim 1,
the first input is received during a first cycle,
The device wherein the second input is received during a second cycle delayed from the first cycle by the first interval.
상기 프로세서는
상기 제 1 입력과 상기 복수개의 커널 간의 연산 결과들을 더하여 상기 제 1 결과를 획득하고, 상기 제 2 입력과 상기 복수개의 커널 간의 연산 결과들을 더하여 상기 제 2 결과를 획득하는 장치.According to claim 1,
The processor is
A device for obtaining the first result by adding the operation results between the first input and the plurality of kernels, and obtaining the second result by adding the operation results between the second input and the plurality of kernels.
상기 프로세서는 상기 제 2 입력이 수신된 시점에서 제 2 인터벌만큼 딜레이된 시점에 상기 입력 데이터에 포함되는 제 3 입력을 수신하고,
상기 제 3 입력과 상기 복수개의 커널 간의 연산을 수행하여 제 3 결과를 획득하고,
상기 제 1 결과, 상기 제 2 결과 및 상기 제 3 결과를 이용하여 상기 출력 데이터를 획득하는 장치.According to claim 1,
The processor receives a third input included in the input data at a time delayed by a second interval from the time the second input is received,
Obtaining a third result by performing an operation between the third input and the plurality of kernels,
An apparatus for obtaining the output data using the first result, the second result, and the third result.
상기 뉴럴 네트워크 장치가 포함하는 프로세서를 이용하여, 서로 다른 딜레이 타임을 갖고 이미지 데이터를 나타내는 복수개의 데이터 스트림을 복수개의 입력단으로부터 수신하는 단계;
상기 복수개의 데이터 스트림으로부터 상기 제 1 입력 및 상기 제 2 입력을 수신하는 단계;
상기 제 1 입력과 복수개의 커널 간의 연산을 수행하여 제 1 결과를 획득하는 단계;
상기 제 1 입력이 수신된 시점에서 제 1 인터벌(interval)만큼 딜레이된 시점에 수신된 상기 제 2 입력과 상기 복수개의 커널 간의 연산을 수행하여 제 2 결과를 획득하는 단계; 및
상기 제 1 결과와 상기 제 2 결과를 이용하여 상기 입력 데이터에 대한 출력 데이터를 획득하는 단계를 포함하는 방법.In a method for a neural network device to perform an operation on input data including a first input and a second input,
Receiving a plurality of data streams representing image data with different delay times from a plurality of input terminals using a processor included in the neural network device;
receiving the first input and the second input from the plurality of data streams;
Obtaining a first result by performing an operation between the first input and a plurality of kernels;
Obtaining a second result by performing an operation between the second input received at a time delayed by a first interval from the time the first input is received and the plurality of kernels; and
A method comprising obtaining output data for the input data using the first result and the second result.
상기 뉴럴 네트워크 장치는 뉴로모픽 하드웨어를 포함하고,
상기 뉴로모픽 하드웨어는 상기 제 1 입력과 상기 제 2 입력을 이용하여 CNN(Convolution Neural Network) 매핑을 수행하는 방법.According to claim 11,
The neural network device includes neuromorphic hardware,
A method in which the neuromorphic hardware performs CNN (Convolution Neural Network) mapping using the first input and the second input.
상기 입력 데이터는 이미지 데이터를 포함하고,
상기 제 1 입력은 상기 이미지 데이터의 제 1 영역에 대한 데이터를 포함하고, 상기 제 2 입력은 상기 이미지 데이터의 제 2 영역에 대한 데이터를 포함하는 방법.According to claim 11,
The input data includes image data,
The method of claim 1, wherein the first input includes data for a first region of the image data, and the second input includes data for a second region of the image data.
상기 제 1 영역과 상기 제 2 영역은 일부 중첩되고 상호 인접한 방법.According to claim 13,
The first area and the second area partially overlap and are adjacent to each other.
상기 제 2 결과를 획득하는 단계는
상기 제 2 입력이 유효한 입력인지 여부를 결정하는 단계; 및
상기 제 2 입력이 유효한 입력인 경우, 상기 제 2 입력과 상기 복수개의 커널 간의 연산을 수행하여 상기 제 2 결과를 획득하는 단계를 포함하는 방법.According to claim 14,
The step of obtaining the second result is
determining whether the second input is a valid input; and
When the second input is a valid input, performing an operation between the second input and the plurality of kernels to obtain the second result.
상기 제 2 입력이 상기 유효한 입력인지 여부를 결정하는 단계는
상기 제 2 입력이 상기 제 2 영역을 구성하는 픽셀 데이터인 경우 상기 제 2 입력을 상기 유효한 입력으로 결정하는 단계를 포함하는 방법.According to claim 15,
The step of determining whether the second input is the valid input is
A method comprising determining the second input as the valid input when the second input is pixel data constituting the second area.
상기 제 1 입력은 제 1 사이클 동안 수신되고,
상기 제 2 입력은 상기 제 1 사이클보다 상기 제 1 인터벌만큼 딜레이된 제 2 사이클 동안 수신되는 방법.According to claim 11,
the first input is received during a first cycle,
The method wherein the second input is received during a second cycle delayed from the first cycle by the first interval.
상기 제 1 결과를 획득하는 단계는 상기 제 1 입력과 상기 복수개의 커널 간의 연산 결과들을 더하여 상기 제 1 결과를 획득하고,
상기 제 2 결과를 획득하는 단계는 상기 제 2 입력과 상기 복수개의 커널 간의 연산 결과들을 더하여 상기 제 2 결과를 획득하는 방법.According to claim 11,
The step of obtaining the first result includes obtaining the first result by adding operation results between the first input and the plurality of kernels,
In the step of obtaining the second result, the second result is obtained by adding operation results between the second input and the plurality of kernels.
상기 프로세서를 이용하여, 상기 제 2 입력이 수신된 시점에서 제 2 인터벌만큼 딜레이된 시점에 상기 입력 데이터에 포함되는 제 3 입력을 수신하는 단계;
상기 제 3 입력과 상기 복수개의 커널 간의 연산을 수행하여 제 3 결과를 획득하는 단계; 및
상기 제 1 결과, 상기 제 2 결과 및 상기 제 3 결과를 이용하여 상기 출력 데이터를 획득하는 단계를 더 포함하는 방법.According to claim 11,
Using the processor, receiving a third input included in the input data at a time delayed by a second interval from the time the second input is received;
Obtaining a third result by performing an operation between the third input and the plurality of kernels; and
The method further includes obtaining the output data using the first result, the second result, and the third result.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/170,081 US11521046B2 (en) | 2017-11-08 | 2018-10-25 | Time-delayed convolutions for neural network device and method |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762583171P | 2017-11-08 | 2017-11-08 | |
US201762583116P | 2017-11-08 | 2017-11-08 | |
US62/583,116 | 2017-11-08 | ||
US62/583,171 | 2017-11-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190052587A KR20190052587A (en) | 2019-05-16 |
KR102578826B1 true KR102578826B1 (en) | 2023-09-15 |
Family
ID=66672087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180005250A KR102578826B1 (en) | 2017-11-08 | 2018-01-15 | Neural network device and operation method of the same |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102578826B1 (en) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210014902A (en) * | 2019-07-31 | 2021-02-10 | 삼성전자주식회사 | Processor and control method thereof |
CN112418389A (en) * | 2019-08-23 | 2021-02-26 | 北京希姆计算科技有限公司 | Data processing method and device, electronic equipment and computer readable storage medium |
KR102374525B1 (en) * | 2019-09-06 | 2022-03-16 | 주식회사 하이퍼커넥트 | Keyword Spotting Apparatus, Method and Computer Readable Recording Medium Thereof |
KR102503403B1 (en) * | 2020-01-09 | 2023-02-23 | 포항공과대학교 산학협력단 | Pseudo vector matrix multiplication neural network by controlling weights with conductance and puse width |
CN116530996B (en) * | 2023-06-26 | 2023-08-29 | 广东技术师范大学 | Low-measurement-load-oriented electrocardiographic data abnormality early warning method and system |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101709085B1 (en) * | 2015-12-16 | 2017-02-23 | 서강대학교산학협력단 | Shot Boundary Detection method and apparatus using Convolutional Neural Networks |
US20180373981A1 (en) | 2017-06-21 | 2018-12-27 | TuSimple | Method and device for optimizing neural network |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160133924A (en) * | 2015-05-14 | 2016-11-23 | 한국전자통신연구원 | Apparatus and method for convolution operation |
KR102325602B1 (en) * | 2015-07-06 | 2021-11-12 | 삼성전자주식회사 | Device and method to process data in parallel |
KR101803471B1 (en) * | 2016-02-15 | 2017-12-01 | 성균관대학교 산학협력단 | Deep learning system and learning method using of convolutional neural network based image patterning |
KR20170117861A (en) * | 2016-04-14 | 2017-10-24 | 에스케이하이닉스 주식회사 | Neural Network Systems |
KR20170118520A (en) * | 2016-04-15 | 2017-10-25 | 삼성전자주식회사 | Interface neural network |
-
2018
- 2018-01-15 KR KR1020180005250A patent/KR102578826B1/en active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101709085B1 (en) * | 2015-12-16 | 2017-02-23 | 서강대학교산학협력단 | Shot Boundary Detection method and apparatus using Convolutional Neural Networks |
US20180373981A1 (en) | 2017-06-21 | 2018-12-27 | TuSimple | Method and device for optimizing neural network |
Also Published As
Publication number | Publication date |
---|---|
KR20190052587A (en) | 2019-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102578826B1 (en) | Neural network device and operation method of the same | |
US11521046B2 (en) | Time-delayed convolutions for neural network device and method | |
KR102662349B1 (en) | Superpixel methods for convolutional neural networks | |
US11055608B2 (en) | Convolutional neural network | |
Cheng et al. | TIME: A training-in-memory architecture for RRAM-based deep neural networks | |
JP7399517B2 (en) | Memristor-based neural network parallel acceleration method, processor, and device | |
CN112825153A (en) | Data processing method in neural network system and neural network system | |
US20200117986A1 (en) | Efficient processing of convolutional neural network layers using analog-memory-based hardware | |
KR20200069901A (en) | A method for slicing a neural network and a neuromorphic apparatus | |
US20210319293A1 (en) | Neuromorphic device and operating method of the same | |
KR102618546B1 (en) | 2-dimensional array based neuromorphic processor and operating method for the same | |
KR20220010362A (en) | Neural network apparatus and operating method of the same | |
US20210383203A1 (en) | Apparatus and method with neural network | |
US20210365765A1 (en) | Neuromorphic device and method | |
JP2021197176A (en) | Neural network apparatus performing floating-point operations and operating method of the same | |
CN112668381A (en) | Method and apparatus for recognizing image | |
CN114241245A (en) | Image classification system based on residual error capsule neural network | |
US11054997B2 (en) | Artificial neural networks in memory | |
Sun et al. | Quaternary synapses network for memristor-based spiking convolutional neural networks | |
JP2021082818A (en) | Nonvolatile memory element and operation method for the same | |
KR102650660B1 (en) | Neuromorphic apparatus and method for processing multi-bits neuromorphic operation thereof | |
KR20230090849A (en) | Neural network apparatus and electronic system including the same | |
Liu et al. | ReRAM-based Circuit and System Design for Future Storage and Computing | |
Zhang et al. | 1S-1R array: Pure-memristor circuit for binary neural networks | |
KR102311659B1 (en) | Apparatus for computing based on convolutional neural network model and method for operating the same |
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 |