KR20180045635A - 뉴럴 네트워크 간소화 방법 및 장치 - Google Patents

뉴럴 네트워크 간소화 방법 및 장치 Download PDF

Info

Publication number
KR20180045635A
KR20180045635A KR1020160140215A KR20160140215A KR20180045635A KR 20180045635 A KR20180045635 A KR 20180045635A KR 1020160140215 A KR1020160140215 A KR 1020160140215A KR 20160140215 A KR20160140215 A KR 20160140215A KR 20180045635 A KR20180045635 A KR 20180045635A
Authority
KR
South Korea
Prior art keywords
layer
loss
neural network
simplified
result
Prior art date
Application number
KR1020160140215A
Other languages
English (en)
Other versions
KR102415506B1 (ko
Inventor
한승주
김정배
한재준
최창규
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020160140215A priority Critical patent/KR102415506B1/ko
Priority to US15/584,611 priority patent/US10755162B2/en
Publication of KR20180045635A publication Critical patent/KR20180045635A/ko
Application granted granted Critical
Publication of KR102415506B1 publication Critical patent/KR102415506B1/ko

Links

Images

Classifications

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

Abstract

뉴럴 네트워크를 간소화하는 장치가 제공된다. 일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는, 뉴럴 네트워크에 포함된 적어도 하나의 레이어를 간소화하여 뉴럴 네트워크에 추가할 수 있고, 추가된 간소화된 레이어마다 간소화된 레이어 및 기존 레이어에 기초한 레이어 손실 및 간소화된 레이어에 기초한 결과 손실을 산출하며, 레이어 손실 및 결과 손실에 기초하여 간소화된 레이어의 파라미터를 트레이닝시킬 수 있다.

Description

뉴럴 네트워크 간소화 방법 및 장치{DEVICE AND METHOD TO REDUCE NEURAL NETWORK}
이하, 뉴럴 네트워크를 간소화하는 기술이 제공된다.
최근 들어, 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위하여, 인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구가 활발히 진행되고 있다. 이러한 연구 중 하나로, 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링 한 인공 뉴럴 네트워크(artificial neural network)에 대한 연구가 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공 뉴럴 네트워크는 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여 인공 뉴럴 네트워크는 입력 패턴과 출력 패턴들 사이의 사상(mapping)을 생성할 수 있고, 이러한 사상을 생성하는 능력은 인공 뉴럴 네트워크의 학습 능력이라고 표현된다. 또한, 인공 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가진다.
일 실시예에 따르면, 뉴럴 네트워크 간소화 방법은, 뉴럴 네트워크에 포함된 적어도 하나의 레이어가 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계; 상기 적어도 하나의 레이어 및 상기 간소화된 레이어에 기초하여, 상기 간소화된 레이어마다 레이어 손실(layer loss) 및 결과 손실(result loss)을 산출하는 단계; 및 상기 레이어 손실 및 상기 결과 손실에 기초하여, 상기 간소화된 레이어의 파라미터를 결정하는 단계를 포함할 수 있다.
상기 간소화된 레이어의 파라미터를 결정하는 단계는, 상기 레이어 손실 및 상기 결과 손실에 기초하여 네트워크 손실(network loss)을 산출하는 단계; 및 상기 네트워크 손실이 감소되도록 상기 간소화된 레이어의 파라미터를 결정하는 단계를 포함할 수 있다.
뉴럴 네트워크 간소화 방법은, 상기 네트워크 손실이 임계 손실 미만인 경우에 응답하여, 상기 적어도 하나의 레이어를 상기 뉴럴 네트워크로부터 제거하는 단계를 더 포함할 수 있다.
상기 네트워크 손실을 산출하는 단계는, 상기 네트워크 손실이 초기 손실 이상인 경우에 응답하여, 상기 레이어 손실에 적용되는 레이어 가중치를 상기 결과 손실에 적용되는 결과 가중치보다 큰 값으로 결정하는 단계; 및 상기 레이어 가중치, 상기 레이어 손실, 상기 결과 가중치, 및 상기 결과 손실에 기초하여 상기 네트워크 손실을 산출하는 단계를 포함할 수 있다.
뉴럴 네트워크 간소화 방법은, 상기 네트워크 손실이 초기 손실 미만인 경우에 응답하여, 상기 레이어 손실에 적용되는 레이어 가중치를 상기 결과 손실에 적용되는 결과 가중치보다 큰 값으로 결정하는 단계; 및 상기 레이어 가중치, 상기 레이어 손실, 상기 결과 가중치, 및 상기 결과 손실에 기초하여 상기 네트워크 손실을 산출하는 단계를 더 포함할 수 있다.
상기 레이어 손실 및 상기 결과 손실을 산출하는 단계는, 상기 적어도 하나의 레이어의 출력 및 상기 간소화된 레이어의 출력에 기초하여 레이어 손실을 산출하는 단계; 및 상기 간소화된 레이어의 출력 및 트레이닝 데이터의 트레이닝 출력에 기초하여 상기 결과 손실을 산출하는 단계를 포함할 수 있다.
상기 레이어 손실을 산출하는 단계는, 상기 적어도 하나의 레이어의 출력 및 상기 간소화된 레이어의 출력 간의 유사도를 산출하는 단계를 포함하고, 상기 결과 손실을 산출하는 단계는, 상기 간소화된 레이어의 출력 및 상기 트레이닝 출력 간의 유사도를 산출하는 단계를 포함할 수 있다.
뉴럴 네트워크 간소화 방법은, 상기 네트워크 손실이 임계 손실 미만인 경우에 응답하여, 상기 간소화된 레이어의 파라미터를 유지하는 단계; 상기 뉴럴 네트워크의 다른 레이어를 간소화하여 다른 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계; 상기 간소화된 레이어에 기초하여 결과 손실을 재산출하는 단계; 상기 다른 레이어 및 상기 다른 간소화된 레이어에 기초하여, 다른 레이어 손실 및 다른 결과 손실을 산출하는 단계; 및 상기 재산출된 결과 손실, 상기 다른 레이어 손실 및 상기 다른 결과 손실에 기초하여, 상기 다른 간소화된 레이어의 파라미터를 결정하는 단계를 더 포함할 수 있다.
상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는, 상기 뉴럴 네트워크에 포함된 복수의 레이어들의 각각에 대응하는 복수의 간소화된 레이어들을 생성하는 단계; 상기 뉴럴 네트워크에서 상기 복수의 레이어들의 연결 순서에 기초하여, 상기 생성된 복수의 간소화된 레이어들의 각각을 상기 뉴럴 네트워크에 포함된 레이어에 연결하는 단계를 포함할 수 있다.
상기 레이어 손실 및 결과 손실을 산출하는 단계는, 상기 복수의 레이어들의 각각의 출력 및 상기 복수의 간소화된 레이어들의 각각의 출력에 기초하여 동일한 에폭(epoch) 동안 복수의 레이어 손실들을 산출하는 단계; 및 상기 복수의 간소화된 레이어들의 각각의 출력 및 트레이닝 데이터의 트레이닝 출력에 기초하여 복수의 결과 손실들을 산출하는 단계를 포함할 수 있다.
상기 뉴럴 네트워크의 파라미터를 결정하는 단계는, 상기 복수의 레이어 손실들의 가중된 합(weighted sum) 및 상기 복수의 결과 손실들의 가중된 합에 기초하여 네트워크 손실을 산출하는 단계; 및 상기 네트워크 손실이 감소되도록 상기 복수의 간소화된 레이어들의 파라미터를 결정하는 단계를 포함할 수 있다.
상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는, 상기 적어도 하나의 레이어의 파라미터들의 개수를 감소시킴으로써 상기 간소화된 레이어를 생성하는 단계; 및 상기 생성된 간소화된 레이어를, 상기 뉴럴 네트워크에 포함된 다른 레이어에 연결하는 단계를 포함할 수 있다.
상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는, 상기 뉴럴 네트워크에 포함된 복수의 레이어들을 단일 레이어로 간소화하는 단계를 포함할 수 있다.
상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는, 상기 뉴럴 네트워크에 포함된 입력 레이어에 인접하여 연결된 레이어를 간소화하는 단계를 포함할 수 있다.
상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는, 상기 뉴럴 네트워크에 포함된 출력 레이어에 인접하여 연결된 레이어를 간소화하는 단계를 포함할 수 있다.
뉴럴 네트워크 간소화 방법은, 상기 레이어 손실 및 상기 결과 손실에 기초하여 산출된 네트워크 손실이 임계 손실 미만이 될 때까지, 상기 뉴럴 네트워크의 파라미터 결정 및 상기 네트워크 손실의 산출을 반복하는 단계를 더 포함할 수 있다.
뉴럴 네트워크 간소화 방법은, 상기 뉴럴 네트워크에 역전파되는 손실 및 상기 뉴럴 네트워크에 포함된 노드들의 출력 값에 기초한 기울기 하강(gradient descent) 기법을 통하여, 상기 노드들의 파라미터를 결정하는 단계를 더 포함할 수 있다.
뉴럴 네트워크 간소화 방법은, 복수의 노드들로 구성되는 복수의 레이어들을 포함하고, 상기 복수의 레이어들의 각각에 포함된 복수의 노드들을 다른 레이어에 포함된 노드에 연결시키는 연결 가중치들을 포함하는 상기 뉴럴 네트워크를 획득하는 단계를 더 포함할 수 있다.
뉴럴 네트워크 간소화 장치는, 프로세서; 및 상기 프로세서에 의해 실행 가능한 적어도 하나의 명령어를 포함하는 메모리를 포함하고, 상기 적어도 하나의 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는 뉴럴 네트워크에 포함된 적어도 하나의 레이어가 간소화된 레이어를 상기 뉴럴 네트워크에 추가하고, 상기 적어도 하나의 레이어 및 상기 간소화된 레이어에 기초하여, 상기 간소화된 레이어마다 레이어 손실 및 결과 손실을 산출하며, 상기 레이어 손실 및 상기 결과 손실에 기초하여, 상기 간소화된 레이어의 파라미터를 결정할 수 있다.
도 1은 일 실시예에 따른 뉴럴 네트워크 간소화를 개략적으로 설명하는 도면이다.
도 2 및 도 3은 일 실시예에 따른 뉴럴 네트워크 간소화 방법을 도시한 흐름도이다.
도 4 및 도 5는 일 실시예에 따라 뉴럴 네트워크를 순차적으로 간소화하는 과정을 설명하는 도면이다.
도 6 및 도 7은 다른 일 실시예에 따라 뉴럴 네트워크를 일괄적으로 간소화하는 과정을 설명하는 도면이다.
도 8은 일 실시예에 따른 뉴럴 네트워크의 레이어를 간소화하는 예시를 도시한 도면이다.
도 9는 다른 일 실시예에 따라 뉴럴 네트워크에서 간소화의 대상이 되는 레이어를 설명하는 도면이다.
도 10은 일 실시예에 따른 뉴럴 네트워크의 구조를 간략하게 설명하는 도면이다.
도 11은 일 실시예에 따른 뉴럴 네트워크 간소화 장치의 구성을 도시한 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수 개의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 뉴럴 네트워크 간소화를 개략적으로 설명하는 도면이다.
트레이닝 장치는 임의의 입력(예를 들어, 영상 데이터, 소리 데이터 등)으로부터 추상적인 정보(예를 들어, 사람의 신원, 얼굴, 목소리, 음성, 대화 등)를 인식할 수 있도록, 트레이닝 데이터에 기초하여 뉴럴 네트워크(110)를 트레이닝시킬 수 있다. 예를 들어, 트레이닝 장치는 트레이닝 데이터에 기초하여 손실 함수(loss function)(예를 들어, 교차 엔트로피 함수 등)를 이용하여 산출되는 손실이 최소화되도록 뉴럴 네트워크(110)에 포함된 레이어의 파라미터를 트레이닝시킬 수 있다.
뉴럴 네트워크(110)는 복수의 레이어들을 포함할 수 있고, 레이어들 각각은 복수의 노드들을 포함할 수 있다. 노드는 뉴런이라고 표현될 수도 있다. 이웃한 레이어들의 뉴런들은 연결선들로 연결될 수 있다. 연결선은 시냅스로 표현될 수 있다. 트레이닝에 따라 연결선들에는 연결 가중치들이 부여될 수 있고, 레이어에 대응하는 파라미터들은 이러한 연결 가중치들을 포함할 수 있다. 프로세서는 레이어의 연결 가중치 및 활성화 함수에 기초하여 레이어에 대한 입력으로부터 레이어의 출력을 산출할 수 있다. 뉴럴 네트워크(110)는 하기 도 10에서 상세히 설명한다.
트레이닝 데이터는 트레이닝 입력과 트레이닝 출력의 쌍을 포함할 수 있다. 예를 들어, 트레이닝 데이터는, 임의의 트레이닝 입력이 주어지는 경우, 그에 대응하는 트레이닝 출력이 맵핑된 데이터를 나타낼 수 있다.
인식 장치는 상술한 추상적인 정보를 인식하기 위해, 트레이닝이 완료된 뉴럴 네트워크(120)를 이용하여, 입력으로부터 출력을 생성할 수 있다. 출력은 뉴럴 네트워크(120)에 기초하여 입력으로부터 인식된 결과를 나타낼 수 있다.
일 실시예에 따르면, 뉴럴 네트워크(120)가 딥 뉴럴 네트워크(DNN, Deep Neural Network)인 경우, 해당 뉴럴 네트워크(120)의 인식률을 개선하기 위해 보다 깊은 레이어가 뉴럴 네트워크(120)에 포함될 수 있다. 뉴럴 네트워크(120)의 레이어가 깊어질 수록, 뉴럴 네트워크(120)의 구조가 차지하는 메모리 크기가 증가할 수 있다. 메모리 크기가 증가할 수록, 해당 뉴럴 네트워크(120)는 모바일 장치에 적용하기 어려울 수 있다. 따라서, 인식률이 유지되면서도 메모리 크기가 감소되는 뉴럴 네트워크 구조가 요구된다.
일 실시에에 따르면, 뉴럴 네트워크(120)의 메모리 크기 및 인식률을 개선하기 위하여, 뉴럴 네트워크 간소화 장치는 트레이닝이 완료된 뉴럴 네트워크(120)에 포함된 각 레이어의 파라미터의 개수 및 복수의 레이어들로 구성되는 레이어 집합의 파라미터의 개수를 감소시킬 수 있다.
일 실시예에 따른 뉴럴 네트워크 간소화 장치는, 도 1에 도시된 바와 같이, 트레이닝이 완료된 뉴럴 네트워크(120)의 일부 레이어(121)가 간소화된 레이어(131)를 생성 및 트레이닝시킴으로써, 간소화된 뉴럴 네트워크(130)를 생성할 수 있다.
도 2 및 도 3은 일 실시예에 따른 뉴럴 네트워크 간소화 방법을 도시한 흐름도이다.
우선, 단계(210)에서 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크에 포함된 적어도 하나의 레이어가 간소화된 레이어를 뉴럴 네트워크에 추가할 수 있다. 일 실시예에 따르면 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어의 파라미터들의 개수를 감소시킴으로써 간소화된 레이어를 생성할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 SVD(Singular Value Decomposition) 기법 및 CPD(Canonical Polyadic Decomposition) 기법 등에 기초하여, 적어도 하나의 레이어의 연결가중치의 개수를 감소시킬 수 있다. 뉴럴 네트워크 간소화 장치는 단일 레이어 뿐 아니라, 복수의 레이어들에 대해서도 파라미터들의 개수를 감소시킬 수 있다.
또한, 뉴럴 네트워크 간소화 장치는 생성된 간소화된 레이어를, 뉴럴 네트워크에 포함된 다른 레이어에 연결할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는, 하기 도 5에 도시된 바와 같이, 간소화된 레이어에 대응하는 기존 레이어의 이전 레이어에 간소화된 레이어를 연결시킬 수 있다. 다만, 이로 한정하는 것은 아니고, 뉴럴 네트워크 간소화 장치는, 하기 도 7에 도시된 바와 같이, 간소화된 레이어의 이전 레이어에 간소화된 레이어를 연결시킬 수도 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 이전 레이어의 출력을 간소화된 레이어의 입력으로 연결할 수 있다.
그리고 단계(220)에서 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어 및 간소화된 레이어에 기초하여, 간소화된 레이어마다 레이어 손실 및 결과 손실을 산출할 수 있다. 일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어의 출력 및 간소화된 레이어의 출력에 기초하여 레이어 손실을 산출할 수 있다. 뉴럴 네트워크 간소화 장치는 간소화된 레이어의 출력 및 트레이닝 데이터의 트레이닝 출력에 기초하여 결과 손실을 산출할 수 있다.
이하, 본 명세서에서, 레이어 손실은 두 레이어의 각 출력에 기초하여 산출되는 손실을 나타낼 수 있다. 결과 손실은 한 레이어의 출력 및 트레이닝 출력에 기초하여 산출되는 손실을 나타낼 수 있다.
예를 들어, 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어의 출력 및 간소화된 레이어의 출력 간의 유사도를 상술한 레이어 손실로서 산출할 수 있다. 레이어 손실은 유클리드 거리(Euclidean distance)에 기초하여 산출될 수 있고, 예를 들어, L1-norm 또는 L2-norm 등이 손실 함수로서 사용될 수 있다. 또한, 뉴럴 네트워크 간소화 장치는 간소화된 레이어의 출력 및 트레이닝 출력 간의 유사도를 상술한 결과 손실로서 산출할 수 있다. 결과 손실은 각 출력이 나타내는 엔트로피 간의 유사한 정도를 나타내는 함수가 사용될 수 있고, 예를 들어, 교차 엔트로피 함수(cross entropy function)가 손실 함수로서 사용될 수 있다.
이어서 단계(230)에서 뉴럴 네트워크 간소화 장치는 레이어 손실 및 결과 손실에 기초하여, 간소화된 레이어의 파라미터를 결정할 수 있다.
일 실시예에 따르면, 도 3에 도시된 바와 같이, 단계(331)에서, 뉴럴 네트워크 간소화 장치는 레이어 손실 및 결과 손실에 기초하여 네트워크 손실(network loss)을 산출할 수 있다. 네트워크 손실은 레이어 가중치가 적용된 레이어 손실 및 결과 가중치가 적용된 결과 손실에 기초하여 산출될 수 있고, 예를 들어, 각 손실에 가중치가 적용된 값의 합(sum)일 수 있다.
단계(332)에서 뉴럴 네트워크 간소화 장치는 네트워크 손실이 감소되도록 간소화된 레이어의 파라미터를 결정할 수 있다.
단계(333)에서 뉴럴 네트워크 간소화 장치는 네트워크 손실이 임계 손실보다 작은 지 여부를 판단할 수 있다. 임계 손실은 뉴럴 네트워크의 인식률이 임계 정확도(threshold accuracy) 이상이 되도록 설정된 손실 값으로서, 뉴럴 네트워크의 네트워크 손실이 임계 값 미만인 경우 뉴럴 네트워크의 인식률은 임계 정확도 이상일 수 있다.
일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는 레이어 손실 및 결과 손실에 기초하여 산출된 네트워크 손실이 임계 손실 미만이 될 때까지, 뉴럴 네트워크의 파라미터 결정 및 네트워크 손실의 산출을 반복할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 네트워크 손실이 임계 손실 미만이 될 때까지 단계(220), 단계(331), 및 단계(332)를 반복할 수 있다.
일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는 2 스텝(step)에 걸쳐 트레이닝을 진행할 수 있다. 뉴럴 네트워크 간소화 장치는 초기에는 레이어 손실이 주로 감소되도록 뉴럴 네트워크의 파라미터를 결정할 수 있고, 이후에는 결과 손실이 주로 감소되도록 뉴럴 네트워크의 파라미터를 결정할 수 있다.
예를 들어, 뉴럴 네트워크 간소화 장치는 네트워크 손실이 초기 손실 이상인 경우에 응답하여, 레이어 손실에 적용되는 레이어 가중치를 결과 손실에 적용되는 결과 가중치보다 큰 값으로 결정할 수 있다. 뉴럴 네트워크 간소화 장치는 레이어 가중치, 레이어 손실, 결과 가중치, 및 결과 손실에 기초하여 네트워크 손실을 산출할 수 있다. 네트워크 손실이 초기 손실 이상인 경우, 현재 트레이닝이 초기 트레이닝인 것으로 분류될 수 있고, 뉴럴 네트워크 간소화 장치는 레이어 손실에 적용되는 레이어 가중치를 보다 크게 설정하여, 네트워크 손실을 산출할 수 있다.
또한, 뉴럴 네트워크 간소화 장치는 네트워크 손실이 초기 손실 미만인 경우에 응답하여, 레이어 손실에 적용되는 레이어 가중치를 결과 손실에 적용되는 결과 가중치보다 큰 값으로 결정할 수 있다. 뉴럴 네트워크 간소화 장치는 레이어 가중치, 레이어 손실, 결과 가중치, 및 결과 손실에 기초하여 네트워크 손실을 산출할 수 있다. 네트워크 손실이 초기 손실 미만인 경우, 현재 트레이닝이 초기 트레이닝 시기를 경과한 것으로 분류될 수 있고, 뉴럴 네트워크 간소화 장치는 결과 손실에 적용되는 결과 가중치는 보다 크게 설정하여, 네트워크 손실을 산출할 수 있다.
이어서, 단계(340)에서 뉴럴 네트워크 간소화 장치는 네트워크 손실이 임계 손실 미만인 경우에 응답하여, 적어도 하나의 레이어를 뉴럴 네트워크로부터 제거할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는, 네트워크 손실이 임계 손실 미만인 경우에 응답하여, 간소화된 레이어에 대한 트레이닝이 종료된 것으로 판단할 수 있다. 뉴럴 네트워크는 간소화된 레이어에 대응하는 적어도 하나의 레이어를 제거함으로써, 간소화된 뉴럴 네트워크를 생성할 수 있다. 결과적으로 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어를 간소화된 레이어로 대체함으로써, 뉴럴 네트워크를 간소화(reduce)할 수 있다.
일 실시예에 따른 뉴럴 네트워크 간소화 장치는 인식률 향상을 위해 더욱 깊은 구조를 가지는 뉴럴 네트워크가 차지하는 메모리의 크기를 줄일 수 있고, 간소화된 뉴럴 네트워크는 모바일 장치에 적용될 수 있다. 아울러, 간소화로 인해, 뉴럴 네트워크를 이용한 인식 속도 및 인증 속도 등이 개선될 수 있다.
도 4 및 도 5는 일 실시예에 따라 뉴럴 네트워크를 순차적으로 간소화하는 과정을 설명하는 도면이다.
도 5에 도시된 뉴럴 네트워크는 5개의 레이어를 포함할 수 있다. 다른 예를 들면, 뉴럴 네트워크는 복수의 레이어를 포함하는 레이어 모듈이 5개로 구성된 것일 수 있다. 레이어 모듈은 복수의 레이어가 집합된 것을 나타낼 수 있다. 다만, 레이어의 갯수 또는 레이어 모듈의 갯수를 5개로 한정하는 것은 아니고, n개(여기서, n은 1이상의 정수)일 수 있다. 하기에서는, 뉴럴 네트워크(510)의 인식률을 유지하면서, 레이어 또는 레이어 모듈에 대응하는 파라미터의 갯수를 감소시키는 과정을 설명한다.
일 실시예에 따르면, 최초로 생성된 뉴럴 네트워크(501)는 레이어에 대응하는 파라미터들이 초기화된 상태일 수 있다. 예를 들어, 트레이닝 장치는 뉴럴 네트워크(501)을 트레이딩 데이터에 기초하여 트레이닝시킬 수 있다. 트레이닝 장치에 의한 트레이닝이 종료된 뉴럴 네트워크(510)는, 인식 장치가 입력으로부터 출력을 생성하는데 사용할 수 있다.
일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는 도 2의 단계(210)에서 적어도 하나의 레이어(521)가 간소화된 레이어(522)를 생성하여 뉴럴 네트워크(520)에 추가할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 간소화된 레이어(522)를 적어도 하나의 레이어(521)의 이전 레이어에 연결할 수 있다. 여기서, 뉴럴 네트워크 간소화 장치는 도 2의 단계(220)에서 적어도 하나의 레이어(521) 및 간소화된 레이어(522)에 기초하여, 레이어 손실(Loss2) 및 결과 손실(Loss1)을 산출할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어(521)의 이전 레이어의 출력을 간소화된 레이어(522)로 바이패스(bypass)시킬 수 있고, 바이패스된 출력을 간소화된 레이어(522)의 입력으로서 이용하여 간소화된 레이어(522)의 출력을 산출할 수 있다.
뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어(521)의 출력 및 간소화된 레이어(522)의 출력의 L-norm (예를 들어, L1 or L2 Distance)을 손실 함수로서 이용할 수 있다. 두 레이어의 출력을 비교함으로써, 뉴럴 네트워크 간소화 장치는 트레이닝되어야 하는 간소화된 레이어에 이미 트레이닝된 적어도 하나의 레이어의 특성을 빠르게 반영할 수 있다. 또한 뉴럴 네트워크 간소화 장치는 간소화된 레이어의 출력 및 트레이닝 출력에 대한 교차 엔트로피 함수(Cross-Entropy Function) 등을 손실 함수로서 이용할 수 있다. 도 5에 도시된 뉴럴 네트워크(520)의 네트워크 손실은 하기 수학식 1과 같이 나타낼 수 있다.
Figure pat00001
Figure pat00002
은 결과 손실에 적용되는 결과 가중치를 나타낼 수 있고,
Figure pat00003
은 레이어 손실에 적용되는 레이어 가중치를 나타낼 수 있다. 예를 들어, Loss1은 교차 엔트로피 함수(Cross-Entropy Function)일 수 있고, Loss2는 L2-norm일 수 있다. 뉴럴 네트워크 간소화 장치는 트레이닝 초기에
Figure pat00004
로 결과 가중치 및 레이어 가중치를 조정할 수 있다. 예를 들어, 트레이닝 초기에는, 뉴럴 네트워크 간소화 장치가 적어도 하나의 레이어(521) 및 간소화된 레이어(522)가 최대한 유사해지도록, 간소화된 레이어(522)를 트레이닝 시킬 수 있다.
간소화된 레이어에 대응하는 파라미터가 일정 이상 트레이닝 된 경우(예를 들어, 네트워크 손실이 초기 손실 미만인 경우),
Figure pat00005
로 결과 가중치 및 레이어 가중치를 조정할 수 있다. 초기 트레이닝이 경과한 이후에는, 뉴럴 네트워크 간소화 장치는 간소화된 레이어(522)의 인식률이 증가되도록 간소화된 레이어(522)를 트레이닝시킬 수 있다.
여기서, 뉴럴 네트워크 간소화 장치는 레이어 손실(Loss2) 및 결과 손실(Loss1)에 기초하여 뉴럴 네트워크(520)를 트레이닝 시킬 수 있다. 네트워크 손실이 임계 손실 미만인 경우, 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어(521)가 간소화된 레이어(532)를 포함하는 뉴럴 네트워크(530)를 생성할 수 있다. 여기서, 뉴럴 네트워크 간소화 장치는 적어도 하나의 레이어(521)를 제거할 수 있다.
우선, 단계(450)에서 뉴럴 네트워크 간소화 장치는 네트워크 손실이 임계 손실 미만인 경우에 응답하여, 간소화된 레이어(532)의 파라미터를 유지할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 하기 단계들(470 내지 490)에서 다른 레이어(541)를 간소화하여 트레이닝시키는 동안, 간소화된 레이어(532)의 파라미터를 고정할 수 있다.
그리고 단계(460)에서 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(540)의 다른 레이어(541)를 간소화하여 다른 간소화된 레이어(542)를 뉴럴 네트워크에 추가할 수 있다. 일 실시예에 따르면, 예를 들어, 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(540)의 다른 레이어(541)는 단계(340)에서 트레이닝이 종료된 간소화된 레이어(532)의 이전 레이어를 간소화의 대상이 되는 다른 레이어(541)로 선택할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(540)의 다른 레이어(541)의 이전 레이어에 다른 간소화된 레이어(542)를 연결할 수 있다.
이어서 단계(470)에서 뉴럴 네트워크 간소화 장치는 간소화된 레이어에 기초하여 결과 손실(Loss1-1)을 재산출할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(540)의 간소화된 레이어(532)의 출력 및 트레이닝 데이터의 트레이닝 출력 간의 결과 손실(Loss1-1)을 산출할 수 있다.
그리고 단계(480)에서 뉴럴 네트워크 간소화 장치는 다른 레이어(541) 및 다른 간소화된 레이어(542)에 기초하여, 다른 레이어 손실(Loss2) 및 다른 결과 손실(Loss1-2)을 산출할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 다른 레이어(541)의 출력 및 다른 간소화된 레이어(542)의 출력에 기초하여 다른 레이어 손실(Loss2)을 산출할 수 있고, 다른 간소화된 레이어(542)의 출력 및 트레이닝 출력에 기초하여 다른 결과 손실(Loss1-2)을 산출할 수 있다.
이어서 단계(490)에서 뉴럴 네트워크 간소화 장치는 재산출된 결과 손실(Loss1-1), 다른 레이어 손실(Loss2) 및 다른 결과 손실(Loss1-2)에 기초하여, 다른 간소화된 레이어의 파라미터를 결정할 수 있다.
일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는 상술한 단계들(450 내지 490)을 반복함으로써, 뉴럴 네트워크의 출력 레이어에 인접한 레이어로부터 입력 레이어에 인접한 레이어의 순서로, 뉴럴 네트워크에 포함된 각 레이어들에 대응하는 파라미터를 감소시킴으로써, 모든 레이어에 대해 간소화가 완료된 뉴럴 네트워크(550)를 생성할 수 있다. 모든 레이어에 대해 간소화가 완료된 뉴럴 네트워크(550)는 인식 장치에 탑재될 수 있고, 간소화되기 전의 뉴럴 네트워크(510)와 비슷한 정도의 인식률을 가지면서도, 메모리 크기가 감소될 수 있고 인식 속도가 증가할 수 있다.
일 실시예에 따르면, 뉴럴 네트워크(530)는 뉴럴 네트워크(510)에 비해 메모리 크기가 작고, 빠른 인식 속도를 나타낼 수 있다. 또한, 뉴럴 네트워크(550)는 뉴럴 네트워크(530)보다 메모리 크기가 더 작고, 더 빠른 인식 속도를 나타낼 수 있다. 최종적으로 간소화가 완료된 뉴럴 네트워크(550)는 간소화되기 이전의 뉴럴 네트워크(510)보다 작은 메모리 크기 및 간소화되기 이전의 뉴럴 네트워크(510)와 유사하거나 동등한 인식률을 나타낼 수 있다.
도 6 및 도 7은 다른 일 실시예에 따라 뉴럴 네트워크를 일괄적으로 간소화하는 과정을 설명하는 도면이다.
우선, 단계(611)에서 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(510)에 포함된 복수의 레이어들의 각각에 대응하는 복수의 간소화된 레이어들을 생성할 수 있다. 예를 들어, 트레이닝된 뉴럴 네트워크(510)에 포함된 모든 레이어들의 각각에 대해, 뉴럴 네트워크 간소화 장치는 간소화된 레이어들을 생성할 수 있다. 도 7에 도시된 바와 같이, 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(510)의 한 레이어(721)에 대해서, 그에 대응하는 간소화된 레이어(722)를 생성할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 각 레이어에 SVD 및 CPD 등과 같이 파라미터를 표현하는 행렬의 차원을 감소시키는 기법을 적용함으로써, 각 레이어에 대응하는 간소화된 레이어를 생성할 수 있다.
그리고 단계(612)에서 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(510)에서 복수의 레이어들의 연결 순서에 기초하여, 생성된 복수의 간소화된 레이어들의 각각을 뉴럴 네트워크(510)에 포함된 레이어에 연결할 수 있다. 연결 순서는 뉴럴 네트워크(510)의 입력 레이어로부터 출력 레이어까지 레이어가 연결된 순서를 나타낼 수 있다. 뉴럴 네트워크 간소화 장치는 이미 트레이닝되었던 네트워크(510)의 입력 레이어로부터 출력 레이어까지의 연결 순서에 기초하여, 간소화된 레이어들을 연결 순서에 따라 연결함으로써, 간소화된 레이어들을 포함하는 뉴럴 네트워크(720)를 생성할 수 있다.
이어서 단계(621)에서 뉴럴 네트워크 간소화 장치는 복수의 레이어들의 각각의 출력 및 복수의 간소화된 레이어들의 각각의 출력에 기초하여 동일한 에폭(epoch) 동안 복수의 레이어 손실들을 산출할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(720)에서 한 레이어(721)의 출력 및 해당 레이어에 대응하는 간소화된 레이어(722)의 출력 간의 레이어 손실(Loss2-3)을 산출할 수 있다. 도 5에서는 5개의 레이어 및 5개의 간소화된 레이어가 연결 순서에 따라 연결된 것으로 도시되어 있고, 뉴럴 네트워크 간소화 장치는 각 레이어 및 해당 레이어에 대응하는 간소화된 레이어에 대하여 레이어 손실들(Loss2-1, Loss2-2, Loss2-3, Loss2-4, Loss2-5)를 산출할 수 있다. 다만, 레이어 및 간소화된 레이어의 갯수를 상술한 바로 한정하는 것은 아니고, 설계에 따라 뉴럴 네트워크의 깊이는 변경될 수 있다.
본 명세서에서 에폭은 뉴럴 네트워크의 트레이닝 단위를 나타낼 수 있고, 하나의 에폭은 주어진 기준 데이터의 전체를 이용하여 뉴럴 네트워크를 1회 트레이닝시킨 것을 나타낼 수 있다. 일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는 동일한 에폭 동안 각 레이어 및 각 간소화된 레이어 간의 출력에 기초하여 복수의 레이어 손실들을 산출함으로써, 복수의 간소화된 레이어들을 동일한 에폭 동안 트레이닝시킬 수 있다.
그리고 단계(622)에서 뉴럴 네트워크 간소화 장치는 복수의 간소화된 레이어들의 각각의 출력 및 트레이닝 데이터의 트레이닝 출력에 기초하여 복수의 결과 손실들(Loss1-1, Loss1-2, Loss1-3, Loss1-4, Loss1-5)을 산출할 수 있다.
이어서 단계(631)에서 뉴럴 네트워크 간소화 장치는 복수의 레이어 손실들의 가중된 합 및 복수의 결과 손실들의 가중된 합에 기초하여 네트워크 손실을 산출할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 하기 수학식 2에 따라 네트워크 손실(Losstotal)을 산출할 수 있다.
Figure pat00006
상술한 수학식 2에서,
Figure pat00007
은 i번째 간소화된 레이어의 출력 및 트레이닝 출력 간의 결과 손실 Loss1-i에 대한 i번째 결과 가중치를 나타낼 수 있다.
Figure pat00008
은 i번째 레이어의 출력 및 i번째 간소화된 레이어의 출력 간의 i번째 레이어 손실 Loss2-j에 대한 j번째 레이어 가중치를 나타낼 수 있다. 여기서, i, j는 1이상의 정수일 수 있다. 예를 들어, 결과 손실 Loss1-i은 교차 엔트로피 함수를 나타낼 수 있고, 레이어 손실 Loss2-j은 L2-norm을 나타낼 수 있다.
그리고 단계(632)에서 뉴럴 네트워크 간소화 장치는 네트워크 손실이 감소되도록 복수의 간소화된 레이어들의 파라미터를 결정할 수 있다. 초기 트레이닝에서, 뉴럴 네트워크 간소화 장치는
Figure pat00009
<<
Figure pat00010
로 결과 가중치 및 레이어 가중치를 조정할 수 있다. 이와 같이 초기 트레이닝에서 뉴럴 네트워크 간소화 장치는 레이어 손실을 주로 고려할 수 있고, 뉴럴 네트워크 간소화 장치는 레이어 및 간소화된 레이어에 대해 동일한 입력이 주어지는 경우 동일한 출력이 산출되도록, 간소화된 레이어의 파라미터를 결정할 수 있다.
이후, 네트워크 손실이 초기 손실 미만이 된 경우, 뉴럴 네트워크 간소화 장치는
Figure pat00011
>>
Figure pat00012
로 결과 가중치 및 레이어 가중치를 조정할 수 있다. 초기 트레이닝이 경과된 이후에는, 뉴럴 네트워크 간소화 장치는 결과 손실을 주로 고려할 수 있고, 간소화된 레이어의 출력과 트레이닝 출력 간의 손실이 최소화되도록 간소화된 레이어의 파라미터를 결정할 수 있다.
간소화가 완료된 뉴럴 네트워크(730)는 기 트레이닝되었던 뉴럴 네트워크(510)와 비슷한 인식률을 가지면서도, 보다 작은 메모리 크기를 가질 수 있다.
도 8은 일 실시예에 따른 뉴럴 네트워크의 레이어를 간소화하는 예시를 도시한 도면이다.
일 실시예에 따르면 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(510)에 포함된 복수의 레이어들(811, 812)을 단일 레이어(820)로 간소화할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(510)에 포함된 복수의 레이어들(811, 812)을 포함하는 레이어 모듈(810)을 간소화한 레이어(820)를 생성할 수 있다. 뉴럴 네트워크 간소화 장치는 복수의 레이어들(811, 812)에 대응하는 파라미터의 갯수를 감소시킴으로써 단일 레이어(820)를 생성할 수 있다. 간소화된 레이어(820)의 트레이닝이 완료되면, 뉴럴 네트워크 간소화 장치는 간소화된 단일 레이어(820)를 포함하고, 기존의 복수 레이어들(811, 812)이 제외된 뉴럴 네트워크(830)를 생성할 수 있다.
도 8에서 레이어 모듈(810)은 2개의 레이어들(811, 812)을 포함하는 것으로 도시되었으나, 이로 한정하는 것은 아니고 설계에 따라 하나의 레이어 모듈(810)이 포함하는 레이어의 갯수는 달라질 수 있다. 또한, 복수의 레이어들(811, 812)의 집합을 레이어 모듈(810)이라고 표현하였으나, 이로 한정하는 것은 아니고, 개별 레이어가 내부에 복수의 레이어들을 포함하는 구조일 수도 있다.
도 9는 다른 일 실시예에 따라 뉴럴 네트워크에서 간소화의 대상이 되는 레이어를 설명하는 도면이다.
일 실시예에 따르면, 뉴럴 네트워크 간소화 장치가 뉴럴 네트워크에 포함된 출력 레이어에 인접하여 연결된 레이어를 간소화할 수 있다. 예를 들어, 도 1 내지 도 8에서는, 뉴럴 네트워크 간소화 장치가 뉴럴 네트워크(510)에서 출력 레이어에 인접한 레이어를 간소화하거나, 출력 레이어로부터 입력 레이어의 순서로 뉴럴 네트워크(510)에 포함된 레이어들을 간소화하는 예시를 설명하였다.
출력 레이어에 인접한 레이어가 간소화되어 적은 파라미터 갯수를 가지면, 뉴럴 네트워크가 차지하는 메모리 크기가 감소될 수 있다.
다만, 이로 한정하는 것은 아니고, 도 9에서는, 뉴럴 네트워크 간소화 장치가 뉴럴 네트워크(510)에서 입력 레이어에 인접한 레이어를 간소화하거나, 입력 레이어로부터 출력 레이어의 순서로 뉴럴 네트워크(510)에 포함된 레이어들을 간소화하는 과정을 설명한다.
도 9에 도시된 바와 같이, 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크에 포함된 입력 레이어에 인접하여 연결된 레이어(911)를 간소화할 수 있다. 예를 들어, 뉴럴 네트워크 간소화 장치는 입력 레이어의 다음 레이어(912)를 간소화할 수 있고, 다음 레이어가 간소화된 레이어(912)에 대응하는 파라미터를 트레이닝할 수 있다. 간소화된 레이어(912)에 대한 트레이닝이 완료되면, 뉴럴 네트워크 간소화 장치는 입력 레이어에 인접한 레이어(911)가 간소화된 레이어(912)를 포함하는 뉴럴 네트워크(930)를 생성할 수 있다.
입력 레이어에 인접한 레이어(911)가 간소화되어 적은 파라미터 갯수를 가지면, 입력에 소요되는 시간이 감소될 수 있다.
일 실시예에 따르면, 뉴럴 네트워크 간소화 장치는, 뉴럴 네트워크에 대해 요구사양(required specification)에 따라, 입력 레이어에 인접한 레이어 및 출력 레이어에 인접한 레이어 중에서 적어도 하나를 선택하여 간소화할 수 있다.
예를 들어, 요구사양이 미리 정한 인식 속도를 요구하는 경우, 뉴럴 네트워크 간소화 장치는 입력 레이어에 연결된 레이어부터 우선적으로 간소화할 수 있고, 뉴럴 네트워크의 인식 속도가 미리 정한 인식 속도 이상이 될 때까지 입력 레이어로부터 출력 레이어의 방향으로 순차적으로 레이어를 간소화할 수 있다. 또한, 뉴럴 네트워크 간소화 장치는 미리 인식 속도에 기초하여 간소화하고자 하는 레이어의 갯수를 결정하고, 결정된 갯수에 대응하는 레이어를 선택하며, 선택된 레이어를 간소화할 수 있다. 뉴럴 네트워크 간소화 장치는 입력 레이어로부터 출력 레이어의 방향으로, 간소화할 레이어를 순차적으로 선택할 수 있다.
다른 예를 들어, 요구사양이 미리 정한 메모리 크기를 요구하는 경우, 뉴럴 네트워크 간소화 장치는 출력 레이어에 연결된 레이어부터 우선적으로 간소화할 수 있고, 뉴럴 네트워크의 메모리 크기가 미리 정한 메모리 크기 미만이 될 때까지 출력 레이어로부터 입력 레이어의 방향으로 순차적으로 레이어를 간소화할 수 있다. 또한, 뉴럴 네트워크 간소화 장치는 미리 정한 메모리 크기에 기초하여 간소화하고자 하는 레이어의 갯수를 결정하고, 결정된 갯수에 대응하는 레이어를 선택하며, 선택된 레이어를 간소화할 수 있다. 뉴럴 네트워크 간소화 장치는 출력 레이어로부터 입력 레이어의 방향으로 간소화할 레이어를 순차적으로 선택할 수 있다.
다만, 간소화할 레이어의 선택을 상술한 바로 한정하는 것은 아니고, 뉴럴 네트워크 간소화 장치는 일부 레이어를 건너 뛰거나, 무작위로 일부 레이어를 선택할 수도 있다.
도 10은 일 실시예에 따른 뉴럴 네트워크의 구조를 간략하게 설명하는 도면이다.
일 실시예에 따른 뉴럴 네트워크(1000)는 복수의 노드들로 구성되는 복수의 레이어들을 포함할 수 있다. 또한, 뉴럴 네트워크(1000)는 복수의 레이어들의 각각에 포함된 복수의 노드들을 다른 레이어에 포함된 노드에 연결시키는 연결 가중치들을 포함할 수 있다. 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크(1000)를 메모리에 저장된 내부 데이터베이스로부터 획득하거나, 통신부를 통해 외부 서버로부터 수신하여 획득할 수 있다.
예를 들어, 뉴럴 네트워크(1000)는 연결선(edge)으로 연결된 많은 수의 인공 뉴런들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 인식 모델을 나타낼 수 있다. 뉴럴 네트워크(1000)는 소프트웨어, 하드웨어, 또는 이들의 조합으로 구현될 수 있다. 뉴럴 네트워크(1000)는 인공(artificial) 뉴럴 네트워크라고 지칭될 수 있다.
뉴럴 네트워크(1000)는 생물학적인 뉴런의 기능을 단순화시킨 인공 뉴런들을 이용한다. 인공 뉴런은 노드(node)라고 지칭될 수 있다. 인공 뉴런들은 연결 가중치(connection weight)를 가지는 연결선을 통해 상호 연결될 수 있다. 연결 가중치는 연결선이 갖는 특정한 값으로, 시냅스 가중치(synapse weight) 또는 연결 강도라고 지칭될 수 있다.
뉴럴 네트워크(1000)는 복수의 레이어들을 포함할 수 있다. 예를 들어, 뉴럴 네트워크(1000)는 입력 레이어(input layer)(1010), 히든 레이어(hidden layer)(1020), 출력 레이어(output layer)(1030)을 포함할 수 있다. 입력 레이어(1010)는 트레이닝 또는 인식을 수행하기 위한 입력을 수신하여 히든 레이어(1020)에 전달할 수 있고, 출력 레이어(1030)는 히든 레이어(1020)로부터 수신한 신호에 기초하여 뉴럴 네트워크(1000)의 출력을 생성할 수 있다. 히든 레이어(1020)는 입력 레이어(1010)와 출력 레이어(1030) 사이에 위치하고, 입력 레이어(1010)를 통해 전달된 트레이닝 데이터의 트레이닝 입력을 예측하기 쉬운 값으로 변화시킬 수 있다.
입력 레이어(1010), 히든 레이어(1020) 및 출력 레이어(1030)는 복수 개의 노드들을 포함할 수 있다. 입력 레이어(1010)에 포함된 노드는 입력 노드(input node)라고 지칭되고, 히든 레이어(1020)에 포함된 노드는 히든 노드(hidden node)라고 지칭되며, 출력 레이어(1030)에 포함된 노드는 출력 노드(output node)라고 지칭될 수 있다.
입력 레이어(1010)에 포함된 입력 노드들과 히든 레이어(1020)에 포함된 히든 노드들은 연결 가중치를 가지는 연결선들을 통해 서로 연결될 수 있다. 히든 레이어(1020)에 포함된 히든 노드들과 출력 레이어(1030)에 포함된 출력 노드들은 연결 가중치를 가지는 연결선들을 통해 서로 연결될 수 있다.
도면에 도시하지 않았으나, 뉴럴 네트워크는 복수 개의 히든 레이어들을 포함할 수 있다. 복수 개의 히든 레이어들을 포함하는 뉴럴 네트워크는 깊은 뉴럴 네트워크(deep neural network)라고 지칭될 수 있다. 깊은 뉴럴 네트워크를 학습시키는 것은 깊은 학습(deep learning)이라고 지칭될 수 있다. 히든 레이어(1020)에 제1 히든 레이어, 제2 히든 레이어, 및 제3 히든 레이어가 포함되는 경우를 가정하면, 제1 히든 레이어에 속한 히든 노드의 출력은 제2 히든 레이어에 속한 히든 노드들에 연결될 수 있다. 제2 히든 레이어에 속한 히든 노드의 출력은 제3 히든 레이어에 속한 히든 노드들에 연결될 수 있다. 상술한 도 1 내지 도 9에서, 뉴럴 네트워크 간소화 장치는 주로 히든 레이어들에 포함된 히든 노드들 간의 연결선들의 갯수를 감소시킴으로써, 각 히든 레이어를 간소화할 수 있다.
예를 들어, 트레이닝 장치, 인식 장치, 및 뉴럴 네트워크 간소화 장치는, 각 히든 레이어에 이전 히든 레이어에 포함된 이전 히든 노드들의 출력들을 연결 가중치를 가지는 연결선들을 통해 입력할 수 있고, 이전 히든 노드들의 출력들에 연결 가중치가 적용된 값들 및 활성화 함수에 기초하여 히든 레이어에 포함된 히든 노드들의 출력을 생성할 수 있다. 일 예시에 따르면, 다음 히든 노드로 출력를 발화하기 위하여, 활성화 함수의 결과는 현재 히든 노드의 임계 값을 초과해야 한다. 이 경우, 노드는 입력 벡터들을 통하여 특정 임계 활성화 강도에 도달하기 전에는 다음 노드로 신호를 발화하지 않고, 비활성화 상태를 유지할 수 있다.
일 실시예에 따른 트레이닝 장치 및 뉴럴 네트워크 간소화 장치는 감독 학습(supervised learning)을 통해 뉴럴 네트워크(1000)를 학습시킬 수 있다. 트레이닝 장치 및 뉴럴 네트워크 간소화 장치는 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 조합으로 구현될 수 있다. 감독 학습은 트레이닝 데이터의 트레이닝 입력 그에 대응하는 트레이닝 출력을 함께 뉴럴 네트워크(1000)에 입력하고, 트레이닝 데이터의 트레이닝 출력에 대응하는 출력 데이터가 출력되도록 연결선들의 연결 가중치를 업데이트하는 기법이다. 도 10은 뉴럴 네트워크의 구조를 노드 구조로 표현하였으나, 실시예들은 이러한 노드 구조에 국한되지 않는다. 메모리 스토리지에 뉴럴 네트워크를 저장하기 위하여 다양한 데이터 구조가 이용될 수 있다.
일 실시예에 따르면, 트레이닝 장치 및 뉴럴 네트워크 간소화 장치는 뉴럴 네트워크에 역전파되는 손실 및 뉴럴 네트워크에 포함된 노드들의 출력 값에 기초한 기울기 하강(gradient descent) 기법을 통하여, 노드들의 파라미터를 결정할 수 있다. 예를 들어, 트레이닝 장치 및 뉴럴 네트워크 간소화 장치는 손실 역 전파 학습(back-propagation learning)을 통해 노드들 사이의 연결 가중치를 업데이트할 수 있다. 손실 역 전파 학습은, 주어진 트레이닝 데이터에 대해 포워드 계산(forward computation)을 통하여 손실을 추정한 후, 출력 레이어(1030)에서 시작하여 히든 레이어(1020) 및 입력 레이어(1010)를 향하는 역 방향으로 추정한 손실을 전파하면서, 손실을 줄이는 방향으로 연결 가중치를 업데이트하는 방법이다. 뉴럴 네트워크(1000)의 처리는 입력 레이어(1010), 히든 레이어(1020), 및 출력 레이어(1030)의 방향으로 진행되지만, 손실 역 전파 트레이닝에서 연결 가중치의 업데이트 방향은 출력 레이어(1030), 히든 레이어(1020), 및 입력 레이어(1010)의 방향으로 진행될 수 있다. 하나 또는 그 이상의 프로세서는 뉴럴 네트워크를 원하는 방향으로 처리하기 위하여, 레이어 또는 일련의 계산 데이터를 저장하는 버퍼 메모리를 이용할 수 있다.
트레이닝 장치 및 뉴럴 네트워크 간소화 장치는 현재 설정된 연결 가중치들이 얼마나 최적에 가까운지를 측정하기 위한 목적 함수(objective function)를 정의하고, 목적 함수의 결과에 기초하여 연결 가중치들을 계속 변경하고, 트레이닝을 반복적으로 수행할 수 있다. 예를 들어, 목적 함수는 뉴럴 네트워크(1000)가 트레이닝 데이터의 트레이닝 입력에 기초하여 실제 출력한 출력 값과 출력되기로 원하는 기대 값 사이의 손실을 계산하기 위한 손실 함수일 수 있다. 트레이닝 장치 및 뉴럴 네트워크 간소화 장치는 손실 함수의 값을 줄이는 방향으로 연결 가중치들을 업데이트할 수 있다.
도 11은 일 실시예에 따른 뉴럴 네트워크 간소화 장치의 구성을 도시한 블록도이다.
뉴럴 네트워크 간소화 장치(1100)는 프로세서(1110) 및 메모리(1120)를 포함한다.
프로세서(1110)는 단수 형태로 기재되었으나, 프로세서(1110)는 복수의 프로세서들 또는 코어들을 포함할 수 있다. 예를 들어, 프로세서(1110)는 복수의 멀티 코어 프로세서(1110)들을 포함하는 컴퓨팅 장치 내에서 동작할 수 있다. 일 예로, 멀티 코어 프로세서(1110)는 GPGPU(general purpose graphic processing unit)일 수 있다. 다른 예로, 멀티 코어 프로세서(1110)들 각각은 FPGA(field-programmable gate array)이거나, 맞춤형(customizable) 멀티 코어 프로세서(1110)일 수 있다. 또 다른 예로, 프로세서(1110)는 PCI-E(peripheral component interconnect express) 버스와 같은 내부 버스를 통하여 데이터를 교환할 수 있다. 또 다른 예로, 프로세서(1110)는 단일 코어 프로세서(1110)일 수 있다.
일 실시예에 따라 적어도 하나의 명령어가 프로세서(1110)에서 실행되면, 프로세서(1110)는 뉴럴 네트워크에 포함된 적어도 하나의 레이어가 간소화된 레이어를 뉴럴 네트워크에 추가하고, 적어도 하나의 레이어 및 간소화된 레이어에 기초하여, 간소화된 레이어마다 레이어 손실 및 결과 손실을 산출하며, 레이어 손실 및 결과 손실에 기초하여, 간소화된 레이어의 파라미터를 결정할 수 있다.
메모리(1120)는 프로세서(1110)에 의해 실행 가능한 적어도 하나의 명령어를 포함할 수 있다. 또한, 메모리(1120)는 뉴럴 네트워크 및 간소화된 뉴럴 네트워크, 및 트레이닝 데이터 중 적어도 하나를 저장할 수 있다.
도 1 내지 도 10에서 상술한 동작들은 뉴럴 네트워크 간소화 장치(1100)의 프로세서(1110)에 의해 수행될 수 있으나, 이로 한정하는 것은 아니고, 다른 장치에 의해 수행될 수도 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.　　
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
1100: 뉴럴 네트워크 간소화 장치
1110: 프로세서
1120: 메모리

Claims (20)

  1. 뉴럴 네트워크에 포함된 적어도 하나의 레이어가 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계;
    상기 적어도 하나의 레이어 및 상기 간소화된 레이어에 기초하여, 상기 간소화된 레이어마다 레이어 손실(layer loss) 및 결과 손실(result loss)을 산출하는 단계; 및
    상기 레이어 손실 및 상기 결과 손실에 기초하여, 상기 간소화된 레이어의 파라미터를 결정하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  2. 제1항에 있어서,
    상기 간소화된 레이어의 파라미터를 결정하는 단계는,
    상기 레이어 손실 및 상기 결과 손실에 기초하여 네트워크 손실(network loss)을 산출하는 단계; 및
    상기 네트워크 손실이 감소되도록 상기 간소화된 레이어의 파라미터를 결정하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  3. 제2항에 있어서,
    상기 네트워크 손실이 임계 손실 미만인 경우에 응답하여, 상기 적어도 하나의 레이어를 상기 뉴럴 네트워크로부터 제거하는 단계
    를 더 포함하는 뉴럴 네트워크 간소화 방법.
  4. 제2항에 있어서,
    상기 네트워크 손실을 산출하는 단계는,
    상기 네트워크 손실이 초기 손실 이상인 경우에 응답하여, 상기 레이어 손실에 적용되는 레이어 가중치를 상기 결과 손실에 적용되는 결과 가중치보다 큰 값으로 결정하는 단계; 및
    상기 레이어 가중치, 상기 레이어 손실, 상기 결과 가중치, 및 상기 결과 손실에 기초하여 상기 네트워크 손실을 산출하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  5. 제2항에 있어서,
    상기 네트워크 손실이 초기 손실 미만인 경우에 응답하여, 상기 레이어 손실에 적용되는 레이어 가중치를 상기 결과 손실에 적용되는 결과 가중치보다 큰 값으로 결정하는 단계; 및
    상기 레이어 가중치, 상기 레이어 손실, 상기 결과 가중치, 및 상기 결과 손실에 기초하여 상기 네트워크 손실을 산출하는 단계
    를 더 포함하는 뉴럴 네트워크 간소화 방법.
  6. 제1항에 있어서,
    상기 레이어 손실 및 상기 결과 손실을 산출하는 단계는,
    상기 적어도 하나의 레이어의 출력 및 상기 간소화된 레이어의 출력에 기초하여 레이어 손실을 산출하는 단계; 및
    상기 간소화된 레이어의 출력 및 트레이닝 데이터의 트레이닝 출력에 기초하여 상기 결과 손실을 산출하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  7. 제6항에 있어서,
    상기 레이어 손실을 산출하는 단계는,
    상기 적어도 하나의 레이어의 출력 및 상기 간소화된 레이어의 출력 간의 유사도를 산출하는 단계
    를 포함하고,
    상기 결과 손실을 산출하는 단계는,
    상기 간소화된 레이어의 출력 및 상기 트레이닝 출력 간의 유사도를 산출하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  8. 제1항에 있어서,
    상기 네트워크 손실이 임계 손실 미만인 경우에 응답하여, 상기 간소화된 레이어의 파라미터를 유지하는 단계;
    상기 뉴럴 네트워크의 다른 레이어를 간소화하여 다른 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계;
    상기 간소화된 레이어에 기초하여 결과 손실을 재산출하는 단계;
    상기 다른 레이어 및 상기 다른 간소화된 레이어에 기초하여, 다른 레이어 손실 및 다른 결과 손실을 산출하는 단계; 및
    상기 재산출된 결과 손실, 상기 다른 레이어 손실 및 상기 다른 결과 손실에 기초하여, 상기 다른 간소화된 레이어의 파라미터를 결정하는 단계
    를 더 포함하는 뉴럴 네트워크 간소화 방법.
  9. 제1항에 있어서,
    상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는,
    상기 뉴럴 네트워크에 포함된 복수의 레이어들의 각각에 대응하는 복수의 간소화된 레이어들을 생성하는 단계;
    상기 뉴럴 네트워크에서 상기 복수의 레이어들의 연결 순서에 기초하여, 상기 생성된 복수의 간소화된 레이어들의 각각을 상기 뉴럴 네트워크에 포함된 레이어에 연결하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  10. 제9항에 있어서,
    상기 레이어 손실 및 결과 손실을 산출하는 단계는,
    상기 복수의 레이어들의 각각의 출력 및 상기 복수의 간소화된 레이어들의 각각의 출력에 기초하여 동일한 에폭(epoch) 동안 복수의 레이어 손실들을 산출하는 단계; 및
    상기 복수의 간소화된 레이어들의 각각의 출력 및 트레이닝 데이터의 트레이닝 출력에 기초하여 복수의 결과 손실들을 산출하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  11. 제10항에 있어서,
    상기 뉴럴 네트워크의 파라미터를 결정하는 단계는,
    상기 복수의 레이어 손실들의 가중된 합(weighted sum) 및 상기 복수의 결과 손실들의 가중된 합에 기초하여 네트워크 손실을 산출하는 단계; 및
    상기 네트워크 손실이 감소되도록 상기 복수의 간소화된 레이어들의 파라미터를 결정하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  12. 제1항에 있어서,
    상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는,
    상기 적어도 하나의 레이어의 파라미터들의 개수를 감소시킴으로써 상기 간소화된 레이어를 생성하는 단계; 및
    상기 생성된 간소화된 레이어를, 상기 뉴럴 네트워크에 포함된 다른 레이어에 연결하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  13. 제1항에 있어서,
    상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는,
    상기 뉴럴 네트워크에 포함된 복수의 레이어들을 단일 레이어로 간소화하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  14. 제1항에 있어서,
    상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는,
    상기 뉴럴 네트워크에 포함된 입력 레이어에 인접하여 연결된 레이어를 간소화하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  15. 제1항에 있어서,
    상기 간소화된 레이어를 상기 뉴럴 네트워크에 추가하는 단계는,
    상기 뉴럴 네트워크에 포함된 출력 레이어에 인접하여 연결된 레이어를 간소화하는 단계
    를 포함하는 뉴럴 네트워크 간소화 방법.
  16. 제1항에 있어서,
    상기 레이어 손실 및 상기 결과 손실에 기초하여 산출된 네트워크 손실이 임계 손실 미만이 될 때까지, 상기 뉴럴 네트워크의 파라미터 결정 및 상기 네트워크 손실의 산출을 반복하는 단계
    를 더 포함하는 뉴럴 네트워크 간소화 방법.
  17. 제1항에 있어서,
    상기 뉴럴 네트워크에 역전파되는 손실 및 상기 뉴럴 네트워크에 포함된 노드들의 출력 값에 기초한 기울기 하강(gradient descent) 기법을 통하여, 상기 노드들의 파라미터를 결정하는 단계
    를 더 포함하는 뉴럴 네트워크 간소화 방법.
  18. 제1항에 있어서,
    복수의 노드들로 구성되는 복수의 레이어들을 포함하고, 상기 복수의 레이어들의 각각에 포함된 복수의 노드들을 다른 레이어에 포함된 노드에 연결시키는 연결 가중치들을 포함하는 상기 뉴럴 네트워크를 획득하는 단계
    를 더 포함하는 뉴럴 네트워크 간소화 방법.
  19. 하드웨어와 결합되어 제1항 내지 제18항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  20. 프로세서; 및
    상기 프로세서에 의해 실행 가능한 적어도 하나의 명령어를 포함하는 메모리
    를 포함하고,
    상기 적어도 하나의 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는 뉴럴 네트워크에 포함된 적어도 하나의 레이어가 간소화된 레이어를 상기 뉴럴 네트워크에 추가하고, 상기 적어도 하나의 레이어 및 상기 간소화된 레이어에 기초하여, 상기 간소화된 레이어마다 레이어 손실 및 결과 손실을 산출하며, 상기 레이어 손실 및 상기 결과 손실에 기초하여, 상기 간소화된 레이어의 파라미터를 결정하는,
    뉴럴 네트워크 간소화 장치.
KR1020160140215A 2016-10-26 2016-10-26 뉴럴 네트워크 간소화 방법 및 장치 KR102415506B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160140215A KR102415506B1 (ko) 2016-10-26 2016-10-26 뉴럴 네트워크 간소화 방법 및 장치
US15/584,611 US10755162B2 (en) 2016-10-26 2017-05-02 Method and apparatus to reduce neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160140215A KR102415506B1 (ko) 2016-10-26 2016-10-26 뉴럴 네트워크 간소화 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180045635A true KR20180045635A (ko) 2018-05-04
KR102415506B1 KR102415506B1 (ko) 2022-07-01

Family

ID=61970384

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160140215A KR102415506B1 (ko) 2016-10-26 2016-10-26 뉴럴 네트워크 간소화 방법 및 장치

Country Status (2)

Country Link
US (1) US10755162B2 (ko)
KR (1) KR102415506B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019245186A1 (ko) * 2018-06-19 2019-12-26 삼성전자주식회사 전자 장치 및 그의 제어 방법
KR20200023695A (ko) * 2018-08-21 2020-03-06 재단법인 아산사회복지재단 연산량을 줄이는 학습 시스템
KR20200028801A (ko) * 2018-09-07 2020-03-17 서울대학교산학협력단 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치
WO2020101948A1 (en) * 2018-11-12 2020-05-22 Advanced Micro Devices, Inc. Dynamic precision scaling at epoch granularity in neural networks
KR20200072586A (ko) * 2018-11-30 2020-06-23 서울대학교산학협력단 딥러닝 기반의 이미지 개인정보 가공장치 시스템, 장치 및 그 방법
WO2020149511A1 (ko) * 2019-01-17 2020-07-23 삼성전자주식회사 전자 장치 및 이의 제어 방법
WO2021080149A1 (ko) * 2019-10-22 2021-04-29 삼성전자 주식회사 스케일러블 딥 러닝 네트워크를 구동하는 전자 장치, 사용자 단말 및 방법
KR20220094564A (ko) * 2020-12-29 2022-07-06 국민대학교산학협력단 딥러닝 모델 서빙 최적화를 위한 모델 자동 경량화 방법 및 장치, 이를 이용한 클라우드 추론 서비스 제공 방법

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018033137A1 (zh) * 2016-08-19 2018-02-22 北京市商汤科技开发有限公司 在视频图像中展示业务对象的方法、装置和电子设备
US11195094B2 (en) * 2017-01-17 2021-12-07 Fujitsu Limited Neural network connection reduction
DE102017213247A1 (de) * 2017-06-30 2019-01-03 Conti Temic Microelectronic Gmbh Wissenstransfer zwischen verschiedenen Deep-Learning Architekturen
CN108229647A (zh) * 2017-08-18 2018-06-29 北京市商汤科技开发有限公司 神经网络结构的生成方法和装置、电子设备、存储介质
US11556775B2 (en) * 2017-10-24 2023-01-17 Baidu Usa Llc Systems and methods for trace norm regularization and faster inference for embedded models
WO2019210237A1 (en) * 2018-04-27 2019-10-31 Alibaba Group Holding Limited Method and system for performing machine learning
GB2577732B (en) * 2018-10-04 2022-02-23 Advanced Risc Mach Ltd Processing data in a convolutional neural network
JP7189000B2 (ja) * 2018-12-12 2022-12-13 日立Astemo株式会社 情報処理装置、車載制御装置、車両制御システム
JP6708292B1 (ja) * 2019-08-30 2020-06-10 トヨタ自動車株式会社 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置
CN111291886B (zh) * 2020-02-28 2022-02-18 支付宝(杭州)信息技术有限公司 神经网络模型的融合训练方法及装置
KR20240031784A (ko) * 2022-09-01 2024-03-08 삼성전자주식회사 음성 인식 모델을 학습시키기 위한 전자 장치 및 이의 제어 방법

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5288645A (en) * 1992-09-04 1994-02-22 Mtm Engineering, Inc. Hydrogen evolution analyzer
US8234228B2 (en) 2008-02-07 2012-07-31 Nec Laboratories America, Inc. Method for training a learning machine having a deep multi-layered network with labeled and unlabeled training data
US8700552B2 (en) 2011-11-28 2014-04-15 Microsoft Corporation Exploiting sparseness in training deep neural networks
US9262724B2 (en) 2012-07-13 2016-02-16 International Business Machines Corporation Low-rank matrix factorization for deep belief network training with high-dimensional output targets
US9728184B2 (en) 2013-06-18 2017-08-08 Microsoft Technology Licensing, Llc Restructuring deep neural network acoustic models
WO2015180042A1 (en) 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning deep face representation
US9846836B2 (en) 2014-06-13 2017-12-19 Microsoft Technology Licensing, Llc Modeling interestingness with deep neural networks
US10346726B2 (en) 2014-12-15 2019-07-09 Samsung Electronics Co., Ltd. Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image
WO2017048195A1 (en) * 2015-09-17 2017-03-23 Nanyang Technological University Computer system incorporating an adaptive model, and methods for training the adaptive model
WO2017176384A2 (en) * 2016-02-24 2017-10-12 Sri International Low precision neural networks using subband decomposition
WO2017156547A1 (en) * 2016-03-11 2017-09-14 Magic Leap, Inc. Structure learning in convolutional neural networks
KR102459855B1 (ko) * 2016-06-14 2022-10-27 삼성전자주식회사 심층 신경망용 가속기
US20190188567A1 (en) * 2016-09-30 2019-06-20 Intel Corporation Dynamic neural network surgery

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Song Han et al., DEEP COMPRESSION: COMPRESSING DEEP NEURAL NETWORKS WITH PRUNING, TRAINED QUANTIZATION AND HUFFMAN CODING, arXiv:1510.00149v5, 1-14pages (2016. 2. 15.)* *
Yongqiang Wang et al., SMALL-FOOTPRINT HIGH-PERFORMANCE DEEP NEURAL NETWORK-BASED SPEECH RECOGNITION USING SPLIT-VQ, 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICAS* *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019245186A1 (ko) * 2018-06-19 2019-12-26 삼성전자주식회사 전자 장치 및 그의 제어 방법
KR20200003310A (ko) * 2018-06-19 2020-01-09 삼성전자주식회사 전자 장치 및 그의 제어 방법
KR20200023695A (ko) * 2018-08-21 2020-03-06 재단법인 아산사회복지재단 연산량을 줄이는 학습 시스템
KR20200028801A (ko) * 2018-09-07 2020-03-17 서울대학교산학협력단 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치
WO2020101948A1 (en) * 2018-11-12 2020-05-22 Advanced Micro Devices, Inc. Dynamic precision scaling at epoch granularity in neural networks
KR20200072586A (ko) * 2018-11-30 2020-06-23 서울대학교산학협력단 딥러닝 기반의 이미지 개인정보 가공장치 시스템, 장치 및 그 방법
WO2020149511A1 (ko) * 2019-01-17 2020-07-23 삼성전자주식회사 전자 장치 및 이의 제어 방법
WO2021080149A1 (ko) * 2019-10-22 2021-04-29 삼성전자 주식회사 스케일러블 딥 러닝 네트워크를 구동하는 전자 장치, 사용자 단말 및 방법
KR20220094564A (ko) * 2020-12-29 2022-07-06 국민대학교산학협력단 딥러닝 모델 서빙 최적화를 위한 모델 자동 경량화 방법 및 장치, 이를 이용한 클라우드 추론 서비스 제공 방법
WO2022145564A1 (ko) * 2020-12-29 2022-07-07 국민대학교산학협력단 딥러닝 모델 서빙 최적화를 위한 모델 자동 경량화 방법 및 장치, 이를 이용한 클라우드 추론 서비스 제공 방법

Also Published As

Publication number Publication date
US10755162B2 (en) 2020-08-25
KR102415506B1 (ko) 2022-07-01
US20180114110A1 (en) 2018-04-26

Similar Documents

Publication Publication Date Title
KR20180045635A (ko) 뉴럴 네트워크 간소화 방법 및 장치
KR102492318B1 (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR20200045128A (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR102563752B1 (ko) 뉴럴 네트워크를 위한 트레이닝 방법, 뉴럴 네트워크를 이용한 인식 방법 및 그 장치들
US11574195B2 (en) Operation method
KR20180027887A (ko) 뉴럴 네트워크에 기초한 인식 장치 및 뉴럴 네트워크의 트레이닝 방법
KR102483639B1 (ko) 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치
Nakkiran et al. Compressing deep neural networks using a rank-constrained topology
JP6901633B2 (ja) カプセルニューラルネットワーク
CN106953862B (zh) 网络安全态势的感知方法和装置及感知模型训练方法和装置
KR102410820B1 (ko) 뉴럴 네트워크를 이용한 인식 방법 및 장치 및 상기 뉴럴 네트워크를 트레이닝하는 방법 및 장치
Abe Neural networks and fuzzy systems: theory and applications
CN113408743A (zh) 联邦模型的生成方法、装置、电子设备和存储介质
KR20160112186A (ko) 뉴럴 네트워크에서 이벤트에 기반한 학습 방법 및 장치
KR20160102690A (ko) 신경망 학습 방법 및 장치, 및 인식 방법 및 장치
KR20180048058A (ko) 객체의 속성에 기반하여 객체를 인식 및 트레이닝하는 방법 및 장치
KR101738825B1 (ko) 비연속적으로 확률 뉴런을 가지는 딥러닝 모델 및 지식 전파에 기반한 학습 방법 및 그 시스템
US10853575B2 (en) System and method for faster interfaces on text-based tasks using adaptive memory networks
KR20200128938A (ko) 모델 학습 방법 및 장치
CN108229677B (zh) 用于使用循环模型执行识别和训练循环模型的方法和设备
KR20210083624A (ko) 신경망의 데이터 입력 및 출력을 제어하는 제어 방법 및 장치
KR102090109B1 (ko) 학습 및 추론 장치 및 그 방법
KR20220052844A (ko) 뉴럴 네트워크의 제공
CN115204350A (zh) 脉冲神经网络的训练方法和训练装置
Roberts Neural networks for Lorenz map prediction: A trip through time

Legal Events

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