KR20200129457A - 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법 - Google Patents

학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법 Download PDF

Info

Publication number
KR20200129457A
KR20200129457A KR1020190053887A KR20190053887A KR20200129457A KR 20200129457 A KR20200129457 A KR 20200129457A KR 1020190053887 A KR1020190053887 A KR 1020190053887A KR 20190053887 A KR20190053887 A KR 20190053887A KR 20200129457 A KR20200129457 A KR 20200129457A
Authority
KR
South Korea
Prior art keywords
learning
neural network
layer
layers
weight values
Prior art date
Application number
KR1020190053887A
Other languages
English (en)
Inventor
김재곤
고상수
김경영
김병수
하상혁
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 KR1020190053887A priority Critical patent/KR20200129457A/ko
Priority to US16/701,841 priority patent/US11494646B2/en
Priority to CN202010252735.9A priority patent/CN111914989A/zh
Publication of KR20200129457A publication Critical patent/KR20200129457A/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
    • G06N3/04—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
    • G06N3/08—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06N3/0454—
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

본 개시에 따르면, 뉴럴 네트워크 시스템은, 복수의 레이어들에 대한 복수의 횟수의 학습들을 포함하는 학습을 수행하되, 제1 학습의 수행에 따른 제1 웨이트 값들의 분포와 제1 학습과 연속된 제2 학습의 수행에 따른 제2 웨이트 값들의 분포를 레이어 별로 비교함으로써 복수의 레이어들 중 학습을 중단할 레이어를 결정하고, 복수의 레이어들 중 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 제2 학습과 연속된 제3 학습을 수행하도록 구성되는 뉴럴 네트워크 프로세서 및 제1 웨이트 값들의 분포에 대한 제1 분포 정보 및 제2 웨이트 값들의 분포에 대한 제2 분포 정보를 저장하고, 제2 학습이 완료된 때, 제1 분포 정보 및 제2 분포 정보를 뉴럴 네트워크 프로세서에 제공하도록 구성되는 메모리를 포함할 수 있다.

Description

학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법{NEURAL NETWORK SYSTEM FOR PERFORMING LEARNING, LEARNING METHOD THEREOF AND TRANSFER LEARNING METHOD OF NEURAL NETWORK PROCESSOR}
본 개시의 기술적 사상은 뉴럴 네트워크 시스템, 뉴럴 네트워크 시스템의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법에 관한 것으로서, 학습을 수행하기 위한 뉴럴 네트워크 시스템, 뉴럴 네트워크 시스템의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법에 관한 것이다.
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 하나 이상의 뉴럴 네트워크 모델을 이용한 뉴럴 네트워크 장치를 사용하여 입력 데이터를 분석하고 유효한 정보를 추출하는 연구가 활발히 진행되고 있다.
이러한 뉴럴 네트워크는 입력 패턴과 출력 패턴들 간의 사상(mapping)을 생성해낼 수 있는데, 이를 뉴럴 네트워크가 학습 능력이 있다고 표현한다. 또한, 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다.
다시 말해, 뉴럴 네트워크 시스템에 있어서, 뉴럴 네트워크의 학습은 중요한 요소 중 하나이며, 뉴럴 네트워크의 학습에 상당한 시간이 소요되기 때문에, 뉴럴 네트워크의 학습 속도를 증가시키기 위한 기술이 요구되고 있다.
본 개시의 기술적 사상은 뉴럴 네트워크 시스템, 뉴럴 네트워크 시스템의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법에 있어서, 학습 특히, 전이 학습에 소요되는 전체 시간을 줄이고, 전이 학습의 속도를 향상시키기 위한 방법 및 장치를 제공한다.
상기와 같은 목적을 달성하기 위하여, 본 개시의 기술적 사상의 일측면에 따른 뉴럴 네트워크 시스템은, 복수의 레이어들에 대한 복수의 횟수의 학습들을 포함하는 학습을 수행하되, 제1 학습의 수행에 따른 제1 웨이트 값들의 분포와 제1 학습과 연속된 제2 학습의 수행에 따른 제2 웨이트 값들의 분포를 레이어 별로 비교함으로써 복수의 레이어들 중 학습을 중단할 레이어를 결정하고, 복수의 레이어들 중 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 제2 학습과 연속된 제3 학습을 수행하도록 구성되는 뉴럴 네트워크 프로세서 및 제1 웨이트 값들의 분포에 대한 제1 분포 정보 및 제2 웨이트 값들의 분포에 대한 제2 분포 정보를 저장하고, 제2 학습이 완료된 때, 제1 분포 정보 및 제2 분포 정보를 뉴럴 네트워크 프로세서에 제공하도록 구성되는 메모리를 포함할 수 있다.
본 개시의 기술적 사상의 일측면에 따른 복수의 레이어들에 대한 복수의 학습들을 포함하는 뉴럴 네트워크 시스템의 학습 방법은, N번 째 학습에 따른 제1 웨이트들을 메모리에 저장하는 단계, 제1 웨이트들에 포함된 제1 웨이트 값들 및 N-1번 째 학습에 따른 제2 웨이트들에 포함된 제2 웨이트 값들을 기초로 복수의 레이어들 중 학습을 중단할 레이어를 결정하는 단계 및 복수의 레이어들 중 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 N+1번 째 학습을 수행하는 단계를 포함할 수 있다.
본 개시의 기술적 사상의 일측면에 따른 복수의 레이어들에 대한 복수의 학습들을 포함하는 뉴럴 네트워크 프로세서의 전이 학습 방법은, 제1 학습의 수행에 따른 제1 웨이트 값들을 뉴럴 네트워크 프로세서 외부의 메모리에 저장하는 단계, 제1 학습과 연속된 제2 학습의 수행에 따른 제2 웨이트 값들을 메모리에 저장하는 단계, 메모리로부터 제1 웨이트 값들에 대한 제1 분포 정보 및 제2 웨이트 값들에 대한 제2 분포 정보를 수신함으로써, 제1 분포 정보 및 제2 분포 정보를 기초로 복수의 레이어들 중 학습을 중단할 레이어를 결정하는 단계 및 복수의 레이어들 중 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 제3 학습을 수행하는 단계를 포함할 수 있다.
본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템, 뉴럴 네트워크 시스템의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법에 의하면, 이전(previous) 학습에 따른 웨이트 값들의 분포를 현재(current) 학습에 따른 웨이트 값들의 분포와 비교하여 학습을 중단할 레이어를 결정하고, 중단할 레이어를 제외한 레이어들에 대해 다음(next) 학습을 수행함으로써 전이 학습에 소요되는 전체 시간을 줄일 수 있고, 전이 학습의 속도를 향상시킬 수 있다.
나아가, 이로써 뉴럴 네트워크 시스템의 동작 성능을 향상시킬 수 있다.
도 1은 본 개시의 예시적 실시 예에 따른 전자 시스템을 나타낸다.
도 2는 본 개시의 예시적 실시 예에 따른 전자 시스템을 나타낸다.
도 3은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크를 나타낸다.
도 4는 본 개시의 예시적 실시 예에 따른 전이 학습 방법을 나타낸다.
도 5는 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템을 나타낸다.
도 6은 본 개시의 예시적 실시 예에 따른 전이 학습 과정에 따른 결과 값들을 나타낸다.
도 7은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템의 학습 방법 순서도를 나타낸다.
도 8a 및 도 8b는 본 개시의 예시적 실시 예에 따른 웨이트 값들의 분포의 변화를 나타낸다.
도 9a 및 도 9b는 본 개시의 예시적 실시 예에 따른 분포 정보를 나타낸다.
도 10은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템의 학습 방법 순서도를 나타낸다.
도 11은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템의 학습 방법 순서도를 나타낸다.
도 12는 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템을 나타낸다.
도 13은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템을 나타낸다.
도 14는 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템을 나타낸다.
도 15는 본 개시의 예시적 실시 예에 따른 메모리 장치를 나타낸다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대해 상세히 설명한다.
도 1은 본 개시의 예시적 실시 예에 따른 전자 시스템(10)을 나타낸다. 전자 시스템(10)은 뉴럴 네트워크를 기초로 입력 데이터를 실시간으로 분석하여 유효한 정보를 추출하고, 추출된 정보를 기초로 상황을 판단하거나 전자 시스템(10)이 탑재되는 전자 장치의 구성들을 제어할 수 있다. 예를 들어, 전자 시스템(10)은 드론(drone), 첨단 운전자 보조 시스템(Advanced Drivers Assistance System; ADAS) 등과 같은 로봇 장치, 스마트 TV, 스마트 폰, 의료 장치, 모바일 장치, 영상 표시 장치, 계측 장치, IoT(Internet of Things) 장치 등에 적용될 수 있으며, 이외에도 다양한 종류의 전자 장치 중 하나에 탑재될 수 있다. 뉴럴 네트워크가 적용되는 전자 시스템(10)은 뉴럴 네트워크 시스템이라 칭해질 수 있다.
전자 시스템(10)은 적어도 하나의 IP 블록(Intellectual Property) 및 뉴럴 네트워크 프로세서(100)를 포함할 수 있다. 예를 들어, 전자 시스템(10)은 제1 IP 블록(IP1) 내지 제3 IP 블록(IP3) 및 뉴럴 네트워크 프로세서(100)를 포함할 수 있다.
전자 시스템(10)은 다양한 종류의 IP 블록들을 포함할 수 있다. 예를 들어, IP 블록들은 프로세싱 유닛(processing unit), 프로세싱 유닛에 포함된 복수의 코어들(cores), MFC(Multi-Format Codec), 비디오 모듈(예컨대, 카메라 인터페이스, JPEG(Joint Photographic Experts Group) 프로세서, 비디오 프로세서, 또는 믹서 등), 3D 그래픽 코어, 오디오 시스템, 드라이버 디스플레이 드라이버, 휘발성 메모리, 비휘발성 메모리(non-volatile memory), 메모리 컨트롤러(memory controller), 입출력 인터페이스 블록(input and output interface block), 또는 캐시 메모리(cache memory) 등을 포함할 수 있다. 제1 IP 블록(IP1) 내지 제3 IP 블록(IP3) 각각은 상기 다양한 종류의 IP 블록들 중 적어도 하나를 포함할 수 있다.
IP 블록들을 연결하기 위한 기술에는 시스템 버스(System Bus)를 기반으로 한 연결 방식이 있다. 예를 들어, 표준 버스 규격으로서, ARM(Advanced RISC Machine) 사의 AMBA(Advanced Microcontroller Bus Architecture) 프로토콜이 적용될 수 있다. AMBA 프로토콜의 버스 타입에는 AHB(Advanced High-Performance Bus), APB(Advanced Peripheral Bus), AXI(Advanced eXtensible Interface), AXI4, ACE(AXI Coherency Extensions) 등이 포함될 수 있다. 전술된 버스 타입들 중 AXI는 IP들 사이의 인터페이스 프로토콜로서, 다중 아웃스탠딩 어드레스(multiple outstanding address) 기능과 데이터 인터리빙(data interleaving) 기능 등을 제공할 수 있다. 이외에도, 소닉사(SONICs Inc.)의 uNetwork 나 IBM사의 CoreConnect, OCP-IP의 오픈 코어 프로토콜(Open Core Protocol) 등 다른 타입의 프로토콜이 시스템 버스에 적용되어도 무방할 것이다.
뉴럴 네트워크 프로세서(100)는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train) 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 뉴럴 네트워크 프로세서(100)는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서를 포함할 수 있다. 또한, 뉴럴 네트워크 프로세서(100)는 뉴럴 네트워크의 모델들에 대응되는 프로그램들을 저장하기 위한 별도의 메모리를 포함할 수도 있다. 뉴럴 네트워크 프로세서(100)는 뉴럴 네트워크 처리 장치(neural network processing device), 뉴럴 네트워크 집적 회로(neural network integrated circuit) 또는 뉴럴 네트워크 처리 유닛(Neural network Processing Unit; NPU) 등으로 달리 호칭될 수 있다.
뉴럴 네트워크 프로세서(100)는 시스템 버스를 통해 적어도 하나의 IP 블록으로부터 다양한 종류의 입력 데이터를 수신할 수 있고, 입력 데이터를 기초로 정보 신호를 생성할 수 있다. 예를 들어, 뉴럴 네트워크 프로세서(100)는 입력 데이터에 뉴럴 네트워크 연산을 수행함으로써 정보 신호를 생성해낼 수 있으며, 뉴럴 네트워크 연산은 컨볼루션 연산을 포함할 수 있다. 뉴럴 네트워크 프로세서(100)가 생성하는 정보 신호는 음성 인식 신호, 사물 인식 신호, 영상 인식 신호, 생체 정보 인식 신호 등과 같은 다양한 종류의 인식 신호들 중 적어도 하나를 포함할 수 있다. 예를 들어, 뉴럴 네트워크 프로세서(100)는 비디오 스트림에 포함되는 프레임 데이터를 입력 데이터로서 수신하고, 프레임 데이터로부터 프레임 데이터가 나타내는 이미지에 포함된 사물에 대한 인식 신호를 생성할 수 있다. 하지만, 이에 제한되는 것은 아니며, 뉴럴 네트워크 프로세서(100)는 다양한 종류의 입력 데이터를 수신할 수 있고, 입력 데이터에 따른 인식 신호를 생성할 수 있다. 이를 위해, 뉴럴 네트워크 프로세서(100)는 뉴럴 네트워크를 학습(learn) 할 수 있는데, 이는 도 3을 참조해 보다 자세히 설명된다.
본 개시의 예시적 실시 예에 따른 전자 시스템(10)에 의하면, 뉴럴 네트워크 프로세서(100)는 전이 학습(transfer learning)을 수행할 수 있다. 전이 학습은 제1 모델에 적용되는 뉴럴 네트워크를 이용해 제2 모델에 적용되는 뉴럴 네트워크를 학습하는 것을 나타낼 수 있다. 예를 들어, 전이 학습은, 일반적인 모델(general model)에 적용되는 뉴럴 네트워크 알고리즘 또는 웨이트들을 이용해 특정 모델(specific model)에 적용될 수 있는 뉴럴 네트워크를 학습하는 것을 포함할 수 있다. 이에 대해서는 도 4를 참조해 보다 자세히 설명된다. 일 실시 예에서, 전이 학습은 복수의 레이어들에 대한 복수의 학습들을 포함할 수 있다. 전이 학습은, 기존의 학습된 모델을 기초로 하여 수행되기 때문에, 복수의 레이어들 중 일부 레이어들에 대응되는 웨이트들은 전체 학습 횟수에 비해 적은 횟수의 학습만으로도 그 값이 포화(saturate)될 수 있다.
본 개시의 예시적 실시 예에 따른 전자 시스템(10)에 의하면, 뉴럴 네트워크 프로세서(100)는 현재 학습에 따른 웨이트 값들 및 이전 학습에 따른 웨이트 값들을 기초로 학습을 중단할 레이어를 결정할 수 있고, 학습 중단이 결정된 레이어를 제외한 레이어들에 대해서만 다음 학습을 수행할 수 있다. 예를 들어, 뉴럴 네트워크 프로세서(100)는 현재 학습에 따른 웨이트 값들의 분포를 이전 학습에 따른 웨이트 값들의 분포와 비교함으로써 학습을 중단할 레이어를 결정할 수 있고, 학습 중단이 결정된 레이어를 제외한 레이어들에 대해서만 다음 학습을 수행할 수 있다. 따라서, 뉴럴 네트워크 프로세서(100)는 다음 학습을 보다 빨리 수행할 수 있고, 이에 따라, 전체 전이 학습 시간이 감소할 수 있다. 나아가, 뉴럴 네트워크 프로세서(100)의 전이 학습 속도가 향상될 수 있다. 뉴럴 네트워크 프로세서(100)의 전이 학습에 대해 이하의 도면들을 참조해 보다 자세히 설명된다.
도 2는 본 개시의 예시적 실시 예에 따른 전자 시스템(10)을 나타낸다. 특히, 도 2는 도 1에 개시된 전자 시스템(10)의 보다 구체적인 실시 예를 나타낸다. 도 2의 전자 시스템(10)에 관해 도 1과 중복되는 설명은 생략한다.
전자 시스템(10)은 뉴럴 네트워크 처리 유닛(Neural network Processing Unit; NPU; 100), RAM(Random Access Memory; 200), 프로세서(300), 메모리(400) 및 센서 모듈(500)을 포함할 수 있다. 뉴럴 네트워크 처리 유닛(100)은 도 1의 뉴럴 네트워크 프로세서(100)에 대응되는 구성일 수 있다.
RAM(200)은 프로그램들, 데이터, 또는 명령들(instructions)을 일시적으로 저장할 수 있다. 예컨대, 메모리(400)에 저장된 프로그램들 및/또는 데이터는 프로세서(300)의 제어 또는 부팅 코드에 따라 RAM(200)에 일시적으로 로딩될 수 있다. RAM(200)은 DRAM(Dynamic RAM) 또는 SRAM(Static RAM) 등의 메모리를 이용해 구현될 수 있다.
프로세서(300)는 전자 시스템(10)의 전반적인 동작을 제어할 수 있으며, 일 예로서 프로세서(300)는 중앙 프로세싱 유닛(Central Processing Unit; CPU)일 수 있다. 프로세서(300)는 하나의 프로세서 코어(Single Core)를 포함하거나, 복수의 프로세서 코어들(Multi-Core)을 포함할 수 있다. 프로세서(300)는 RAM(200) 및 메모리(400)에 저장된 프로그램들 및/또는 데이터를 처리 또는 실행할 수 있다. 예를 들어, 프로세서(300)는 메모리(400)에 저장된 프로그램들을 실행함으로써 전자 시스템(10)의 기능들을 제어할 수 있다.
메모리(400)는 데이터를 저장하기 위한 저장 장소로서, 예를 들어, OS(Operating System), 각종 프로그램들 및 각종 데이터를 저장할 수 있다. 메모리(400)는 DRAM일 수 있으나, 이에 한정되는 것은 아니다. 메모리(400)는 휘발성 메모리(volatile memory) 또는 비휘발성 메모리(non-volatile memory) 중 적어도 하나를 포함할 수 있다. 비휘발성 메모리는 ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM), EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리, PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FRAM(Ferroelectric RAM) 등을 포함할 수 있다. 휘발성 메모리는 DRAM(Dynamic RAM), SRAM(Static RAM), SDRAM(Synchronous DRAM), PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FeRAM(Ferroelectric RAM) 등을 포함할 수 있다. 또한 일 실시 예에 있어서, 메모리(400)는 HDD(Hard Disk Drive), SSD(Solid State Drive), CF(Compact Flash), SD(Secure Digital), Micro-SD(Micro Secure Digital), Mini-SD(Mini Secure Digital), xD(extreme digital) 또는 Memory Stick 중 적어도 하나를 포함할 수도 있다.
센서 모듈(500)은 전자 시스템(10) 주변의 정보를 수집할 수 있다. 센서 모듈(500)은 전자 시스템(10) 외부로부터 이미지 신호를 센싱 또는 수신할 수 있고, 센싱 또는 수신된 이미지 신호를 이미지 데이터, 즉 이미지 프레임으로 변환할 수 있다. 이를 위해, 센서 모듈(500)은 센싱 장치, 예컨대 촬상 장치, 이미지 센서, 라이더(LIDAR; light detection and ranging) 센서, 초음파 센서, 적외선 센서 등 다양한 종류의 센싱 장치들 중 적어도 하나를 포함하거나, 또는 상기 장치로부터 센싱 신호를 수신할 수 있다. 일 실시 예에서, 센서 모듈(500)은 이미지 프레임을 뉴럴 네트워크 처리 유닛(100)에 제공할 수 있다. 예를 들어, 센서 모듈(500)은 이미지 센서를 포함할 수 있으며, 전자 시스템(10)의 외부 환경을 촬영함으로써 비디오 스트림을 생성하고, 비디오 스트림의 연속되는 이미지 프레임들을 뉴럴 네트워크 처리 유닛(100)에 순차적으로 제공할 수 있다.
본 개시의 예시적 실시 예에 따른 전자 시스템(10)에 의하면, 뉴럴 네트워크 프로세싱 유닛(100)은 전이 학습(transfer learning)을 수행할 수 있다. 전이 학습은 제1 모델에 적용되는 뉴럴 네트워크를 이용해 제2 모델에 적용되는 뉴럴 네트워크를 학습하는 것을 나타낼 수 있다. 예를 들어, 전이 학습은, 일반적인 모델(general model)에 적용되는 뉴럴 네트워크 알고리즘 또는 웨이트들을 이용해 특정 모델(specific model)에 적용될 수 있는 뉴럴 네트워크를 학습하는 것을 포함할 수 있다. 이에 대해서는 도 4를 참조해 보다 자세히 설명된다. 일 실시 예에서, 전이 학습은 복수의 레이어들에 대한 복수의 학습들을 포함할 수 있다. 전이 학습은, 기존의 학습된 모델을 기초로 하여 수행되기 때문에, 복수의 레이어들 중 일부 레이어들에 대응되는 웨이트들은 전체 학습 횟수에 비해 적은 횟수의 학습만으로도 그 값이 포화(saturate)될 수 있다.
본 개시의 예시적 실시 예에 따른 전자 시스템(10)에 의하면, 뉴럴 네트워크 프로세싱 유닛(100)은 현재 학습에 따른 웨이트 값들 및 이전 학습에 따른 웨이트 값들을 기초로 학습을 중단할 레이어를 결정할 수 있고, 학습 중단이 결정된 레이어를 제외한 레이어들에 대해서만 다음 학습을 수행할 수 있다. 예를 들어, 뉴럴 네트워크 프로세싱 유닛(100)은 현재 학습에 따른 웨이트 값들의 분포를 이전 학습에 따른 웨이트 값들의 분포와 비교함으로써 학습을 중단할 레이어를 결정할 수 있고, 학습 중단이 결정된 레이어를 제외한 레이어들에 대해서만 다음 학습을 수행할 수 있다. 따라서, 뉴럴 네트워크 프로세싱 유닛(100)은 다음 학습을 보다 빨리 수행할 수 있고, 이에 따라, 전체 전이 학습 시간이 감소할 수 있다. 나아가, 뉴럴 네트워크 프로세싱 유닛(100)의 전이 학습 속도가 향상될 수 있다. 뉴럴 네트워크 프로세싱 유닛(100)의 전이 학습에 대해 이하의 도면들을 참조해 보다 자세히 설명된다.
도 3은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크(1000)를 나타낸다. 뉴럴 네트워크(1000)는 입력 레이어(1100), 히든 레이어들(1220, 1240) 및 출력 레이어(1300)를 포함할 수 있다. 뉴럴 네트워크(1000)는 수신되는 입력 데이터(I1, I2)를 기초로 연산을 수행하고, 수행 결과를 기초로 출력 데이터(O1, O2)를 생성할 수 있다. 도 3은 뉴럴 네트워크(1000)가 2개의 히든 레이어들을 포함하는 것을 도시하지만, 이는 예시적인 것에 불과하며 이에 제한되지 않는다. 예를 들어, 뉴럴 네트워크(1000)는 1개의 히든 레이어를 포함할 수도 있고, 3개 이상의 히든 레이어들을 포함할 수도 있다.
뉴럴 네트워크(1000)에 포함된 레이어들(1100, 1220, 1240, 1300) 각각은 복수의 뉴런들(neurons)을 포함할 수 있다. 뉴런은, 프로세싱 엘리먼트(Processing Element, PE), 유닛(unit) 또는 유사한 용어들로 알려진, 복수의 인공 노드(artificial node)들에 해당될 수 있다. 예를 들어, 도 3에 도시된 바와 같이, 입력 레이어(1100)는 2개의 뉴런들을 포함할 수 있고, 제1 히든 레이어(1220) 및 제2 히든 레이어(1240) 각각은 3개의 뉴런들을 포함할 수 있고, 출력 레이어(1300)는 2개의 뉴런들을 포함할 수 있다. 다만, 이는 예시적인 것에 불과할 뿐 뉴럴 네트워크(1000)에 포함되는 레이어들(1100, 1220, 1240, 1300) 각각은 다양한 개수의 뉴런들을 포함할 수 있다.
뉴럴 네트워크(1000)에 포함된 레이어들(1100, 1220, 1240, 1300) 각각에 포함된 뉴런들은 서로 연결되어 데이터를 교환할 수 있다. 하나의 뉴런은 다른 뉴런들로부터 데이터를 수신하여 연산할 수 있고, 연산 결과를 또 다른 뉴런들로 출력할 수 있다.
뉴런들 각각의 입력 및 출력은 입력 액티베이션(activation) 및 출력 액티베이션으로 지칭될 수 있다. 즉, 액티베이션은 한 뉴런의 출력임과 동시에, 다음 레이어에 포함된 뉴런들의 입력에 해당되는 파라미터일 수 있다. 한편, 뉴런들 각각은 이전 레이어에 포함된 뉴런들로부터 수신된 액티베이션들, 웨이트(weight)들(W11, W12, W13, W21, W22, W23) 및 바이어스에 기초하여 출력 액티베이션을 결정할 수 있다. 일 실시 예에서, 웨이트들(W11, W12, W13, W21, W22, W23) 각각은 복수의 웨이트 값들을 엘리먼트들을 포함하는 웨이트 매트릭스(matrix)일 수 있다. 웨이트 및 바이어스는 각 뉴런에서의 출력 액티베이션을 계산하기 위해 이용되는 파라미터들로서, 웨이트는 뉴런들 간의 연결 관계에 할당되는 값이며, 바이어스는 개개의 뉴런에 관련된 가중치를 나타낼 수 있다.
이와 같이, 뉴런들이 액티베이션을 결정하기 위하여, 즉, 레이어들(1100, 1220, 1240, 1300)의 출력을 결정하기 위하여, 레이어들(1100, 1220, 1240, 1300)은 적어도 하나의 연산들을 포함할 수 있다.
뉴럴 네트워크(1000)의 일반 학습은 복수의 학습들을 포함하는데, 초기 웨이트들(W11, W12, W13, W21, W22, W23)은 랜덤 값(random value)들을 가질 수 있다. 뉴럴 네트워크(1000)는 1회의 학습을 수행할 때마다, 출력 데이터(O1, O2)를 이용해 역전파(back propagation) 방식을 통해 웨이트들(W11, W12, W13, W21, W22, W23)을 수정할 수 있다. 이와 같은 1회의 학습을 1 에폭(epoch)이라 칭할 수 있다. 복수의 학습들을 수행함으로써 학습된 뉴럴 네트워크(1000)는 학습된 웨이트들(W11, W12, W13, W21, W22, W23)을 포함할 수 있다. 설명의 편의를 위해, 이와 같이 학습된 웨이트들(W11, W12, W13, W21, W22, W23)을 생성하는 것을, 뉴럴 네트워크(1000)의 학습 동작을 통해 웨이트들(W11, W12, W13, W21, W22, W23)을 학습시킨다고 표현하기로 한다.
뉴럴 네트워크(1000)의 전이 학습도 비슷한 과정을 거쳐 웨이트들(W11, W12, W13, W21, W22, W23)을 학습시킬 수 있다. 다만, 전이 학습의 경우, 초기 웨이트들(W11, W12, W13, W21, W22, W23)이 랜덤 값을 갖는 것이 아닌, 기 학습된 다른 웨이트들에 대응되는 값들을 가질 수 있다.
도 4는 본 개시의 예시적 실시 예에 따른 전이 학습 방법을 나타낸다. 전이 학습은 제1 모델에 적용되는 뉴럴 네트워크를 이용해 제2 모델에 적용되는 뉴럴 네트워크를 학습하는 것을 나타낼 수 있다. 예를 들어, 전이 학습은, 일반적인 모델(general model)에 적용되는 뉴럴 네트워크 알고리즘 또는 웨이트들을 이용해 특정 모델(specific model)에 적용될 수 있는 뉴럴 네트워크를 학습하는 것을 포함할 수 있다.
즉, 일반적인 모델에 따라 기 학습된 웨이트들(W_G11, W_G12)을 이용해 특정 모델에 적용되는 웨이트들(W_S11, W_S12)을 얻어내는 과정을 전이 학습(Transfer Learning)이라 할 수 있다. 다시 말해, 전이 학습은 기 학습된 웨이트들(W_G11, W_G12)을 초기 웨이트들로 하여 복수의 레이어들에 대한 복수의 학습들을 수행함으로써 특정 모델에 적용되는 웨이트들(W_S11, W_S12)을 얻어내는 과정을 나타낼 수 있다.
이해를 위해, 예를 들면, 일반적인 모델로서 강아지의 형상을 인식하도록 학습된 모델을 가정한다. 강아지의 형상을 인식하도록 학습된 모델에 따른 웨이트들이 존재하는 경우, 상기 웨이트들을 이용해서 구체적인 강아지의 세부적인 종을 인식하는 모델을 학습시킬 수 있다. 예를 들어, 치와와라는 강아지의 세부적인 종을 인식하는 모델을 학습하기 위해, 뉴럴 네트워크 시스템은 강아지 형상을 인식하도록 학습된 모델에 대응되는 웨이트들을 이용해 전이 학습을 수행할 수 있다.
도 5는 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템(20)을 나타낸다. 도 5의 뉴럴 네트워크 시스템(20)은 도 1의 전자 시스템(10) 및 도 2의 전자 시스템(10)에 대응되는 개념일 수 있다. 뉴럴 네트워크 시스템(20)은 뉴럴 네트워크 프로세서(100) 및 메모리(200)를 포함할 수 있다. 뉴럴 네트워크 프로세서(100)는 도 1의 뉴럴 네트워크 프로세서(100) 및 도 2의 뉴럴 네트워프 프로세싱 유닛(100)에 대응되는 개념일 수 있다. 도 5의 메모리(200)는 도 2의 RAM(200)에 대응되는 개념일 수 있고, 실시 예에 따라 도 2의 메모리(400)에 대응되는 개념일 수도 있지만 이에 제한되지는 않는다. 예를 들어, 도 5의 메모리(200)는 도 2의 RAM(200) 및 메모리(400)를 포함하는 개념일 수 있다.
뉴럴 네트워크 프로세서(100)는 전이 학습 회로(120) 및 전이 학습 제어기(140)를 포함할 수 있다.
전이 학습 회로(120)는 뉴럴 네트워크 프로세서(100)의 전이 학습을 수행할 수 있다. 이를 위해, 전이 학습 회로(120)는 복수의 레이어들에 대한 복수의 학습들을 수행할 수 있다. 전이 학습 회로(120)는 복수의 레이어들에 대해 1회의 학습을 수행함에 따라 웨이트들을 업데이트 할 수 있다. 예를 들어, 전이 학습 회로(120)는, N번 째 학습(단, N은 자연수)을 수행함에 따라 출력되는 출력 데이터들을 기초로 웨이트들을 업데이트 할 수 있다. 전이 학습 회로(120)는, 업데이트 된 웨이트들을 N번 째 학습의 결과(Res_N)로서 출력할 수 있다. 전이 학습 회로(120)는 N번 째 학습의 결과(Res_N)를 메모리(200)가 저장하도록 메모리(200)에 N번 째 학습의 결과(Res_N)를 제공할 수 있다.
전이 학습 회로(120)는 다양한 형태로 구현될 수 있으며, 실시 예에 따라 전이 학습 회로(120)는 하드웨어 형태로 구현되거나 소프트웨어 형태로 구현될 수 있다. 예를 들어, 전이 학습 회로(120)가 하드웨어 형태로 구현되는 경우, 전이 학습 회로(120)는 전이 학습을 수행하기 위한 회로들을 포함할 수 있다. 또한 예를 들어, 전이 학습 회로(120)가 소프트웨어의 형태로 구현되는 경우, 메모리(200) 내에 저장된 프로그램(또는 인스트럭션들)가 뉴럴 네트워크 프로세서(100) 또는 다른 적어도 하나의 프로세서에 의해 실행됨으로써 전이 학습이 수행될 수 있다. 하지만 상기 실시 예들에만 한정되는 것도 아니며, 전이 학습 회로(120)는 펌웨어와 같이 소프트웨어와 하드웨어가 결합된 형태로 구현될 수도 있다.
전이 학습 제어기(140)는 전이 학습 회로(120)의 전이 학습을 제어할 수 있다. 일 실시 예에서, 전이 학습 제어기(140)는, 현재 학습에 따른 웨이트 값들의 분포와 이전 학습에 따른 웨이트 값들의 분포를 비교함으로써 다음 학습에서 학습을 중단할 레이어를 결정할 수 있다. 전이 학습 제어기(140)는, 다음 학습에서 전이 학습 회로(120)가 복수의 레이어들 중 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 학습을 수행하도록, 전이 학습 회로(120)를 제어할 수 있다. 예를 들어, N번 째 학습이 종료된 뒤, 전이 학습 제어기(140)는, (N-1)번 째 학습에 따른 웨이트 값들의 분포에 관한 분포 정보(Info_DB_N-1) 및 N번 째 학습에 따른 웨이트 값들의 분포에 관한 분포 정보(Info_DB_N)를 메모리(200)로부터 수신할 수 있다. 전이 학습 제어기(140)는, 분포 정보들(Info_DB_N-1, Info_DB_N)을 기초로 학습을 중단할 레이어를 결정할 수 있다. 학습 중단을 결정하는 방법에 대해서는 이하의 도면들을 통해 보다 자세히 설명된다.
메모리(200)는, 전이 학습 회로(120)로부터 제공되는 전이 학습에 따른 학습 결과들을 저장할 수 있다. 예를 들어, N번 째 학습이 종료된 뒤, 메모리(200)는 전이 학습 회로(120)로부터 제공되는 N번 째 학습의 결과(Res_N)를 메모리(200) 내에 저장할 수 있다. 일 실시 예에서, 메모리(200)는 DRAM(Dynamic RAM) 메모리일 수 있다.
메모리(200)는, 웨이트 값들의 분포에 대한 정보를 나타내는 분포 정보(Info_DB; Distribution Information)를 저장할 수 있다. 일 실시 예에서, 메모리(200)는, 웨이트들이 메모리(200)에 저장될 때, 메모리(200) 내 로직 회로를 통해 분포 정보(Info_DB)를 얻어낼 수 있고, 얻어낸 분포 정보(Info_DB)를 저장할 수 있다. 다시 말해, 메모리(200)는 PIM(Processing In Memory)의 형태로 구현되어, 웨이트들로부터 분포 정보(Info_DB)를 직접 얻어낼 수 있다. 메모리(200)는 얻어낸 분포 정보(Info_DB)를 뉴럴 네트워크 프로세서(100)에 제공할 수 있다.
본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 프로세서(100) 및 메모리(200)로 구성된 뉴럴 네트워크 시스템은, 이전 웨이트 값들의 분포와 현재 웨이트 값들의 분포를 비교함으로써 웨이트 값이 포화(saturate)된 레이어에 대한 이후 학습을 중단시킴으로써 전이 학습 전체에 소요되는 시간을 줄일 수 있으며, 이로써 전이 학습의 속도를 향상시킬 수 있다.
도 6은 본 개시의 예시적 실시 예에 따른 전이 학습 과정에 따른 결과 값들(Res_N-1, Res_N)을 나타낸다. 특히, 도 6은 (N-1)번 째 학습이 수행된 뒤의 제N-1 학습 결과(Res_N-1) 및 N번 째 학습이 수행된 뒤의 제N 학습 결과(Res_N)를 나타낸다(단, N은 2 이상의 자연수). 또한, 특히 설명의 편의를 위해, 도 6은, 뉴럴 네트워크가 도 3의 뉴럴 네트워크(1000)인 경우를 가정한다. 다만, 이는 예시적인 것일 뿐, 본 개시의 기술적 사상이 이와 같은 레이어의 개수, 뉴런의 개수에 한정되지 않는다. 도 6은 도 5를 함께 참조하여 설명된다.
제N-1 학습 결과(Res_N-1)는 제1 히든 레이어에 대한 제N-1 학습 결과(Res_N-1_L1) 및 제2 히든 레이어에 대한 제N-1 학습 결과(Res_N-1_L2)를 포함할 수 있다. 제1 히든 레이어에 대한 제N-1 학습 결과(Res_N-1_L1)는 웨이트들(W11_N-1, W12_N-1, W13_N-1)을 포함할 수 있고, 제2 히든 레이어에 대한 제N-1 학습 결과(Res_N-1_L2)는 웨이트들(W21_N-1, W22_N-1, W23_N-1)을 포함할 수 있다. 웨이트들(W11_N-1, W12_N-1, W13_N-1, W21_N-1, W22_N-1, W23_N-1)을 대표하여 하나의 웨이트(W11_N-1)에 대해 설명하면, 웨이트(W11_N-1)는 복수의 웨이트 값들(w111, w112, w113, w114, w115, w116, w117, w118, w119)을 포함할 수 있으며, 웨이트 값의 개수는 예시적이다. 여기서 복수의 웨이트 값들(w111, w112, w113, w114, w115, w116, w117, w118, w119)은 복수의 웨이트 엘리먼트들(w111, w112, w113, w114, w115, w116, w117, w118, w119)이라 칭해질 수 있다.
마찬가지로, 제N 학습 결과(Res_N)는 제1 히든 레이어에 대한 제N 학습 결과(Res_N_L1) 및 제2 히든 레이어에 대한 제N 학습 결과(Res_N_L2)를 포함할 수 있다. 제1 히든 레이어에 대한 제N 학습 결과(Res_N_L1)는 웨이트들(W11_N, W12_N, W13_N)을 포함할 수 있고, 제2 히든 레이어에 대한 제N 학습 결과(Res_N_L2)는 웨이트들(W21_N, W22_N, W23_N)을 포함할 수 있다. 웨이트들(W11_N, W12_N, W13_N, W21_N, W22_N, W23_N)을 대표하여 하나의 웨이트(W11_N)에 대해 설명하면, 웨이트(W11_N)는 복수의 웨이트 값들(w111', w112', w113', w114', w115', w116', w117', w118', w119')을 포함할 수 있으며, 웨이트 값의 개수는 예시적이다. 여기서 복수의 웨이트 값들(w111', w112', w113', w114', w115', w116', w117', w118', w119')은 복수의 웨이트 엘리먼트들(w111', w112', w113', w114', w115', w116', w117', w118', w119')이라 칭해질 수 있다.
이와 같이, 학습 결과에 포함된 웨이트들 및 웨이트들에 포함된 웨이트 값들은 학습 단계가 진행함에 따라 업데이트 될 수 있다.
하지만, 기 학습된 뉴럴 네트워크의 웨이트 값들을 이용하는 전이 학습에서, 특정 레이어에 포함된 웨이트 값들은 적은 횟수의 학습 만으로도 포화 상태에 이를 수 있다. 웨이트 값이 포화 상태에 이른 레이어에 대해서까지 학습을 진행하는 것은 비효율적일 수 있다. 이에 따라, 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템은 이하에서 설명하는 바와 같이, 웨이트 값이 포화된 레이어에 대한 학습을 중단함으로써 전이 학습에 소요되는 시간을 줄일 수 있다.
도 7은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템의 학습 방법 순서도를 나타낸다. 특히, 도 7은 뉴럴 네트워크 시스템의 전이 학습 방법 순서도를 나타낼 수 있다. 도 7은 도 5를 함께 참조하여 설명된다.
뉴럴 네트워크 시스템(20)은, N번 째 학습이 종료됨에 따라, N번 째 학습 수행 후의 웨이트들을 저장할 수 있다(S120). 예를 들어, 뉴럴 네트워크 프로세서(100)는 복수의 레이어들에 대한 복수의 학습들을 포함하는 전이 학습을 수행할 수 있는데, 복수의 학습들 중 N번 째 학습(단, N은 자연수)을 수행한 뒤, N번 째 학습 수행에 따른 웨이트들을 메모리(200)에 제공할 수 있고, 메모리(200)는 N번 째 학습의 수행에 따른 웨이트들을 메모리(200) 내에 저장할 수 있다.
뉴럴 네트워크 시스템(20)은, N번 째 학습 수행 후의 웨이트 값들의 제1 분포 정보를 (N-1)번 째 학습 수행 후의 웨이트 값들의 제2 분포 정보와 비교함으로써 학습을 중단할 레이어를 결정할 수 있다(S140). 일 실시 예에서, 메모리(200)는 N번 째 학습 수행에 따른 제1 웨이트 값들의 제1 분포 정보 및 (N-1)번 째 학습 수행에 따른 제2 웨이트 값들의 제2 분포 정보를 뉴럴 네트워크 프로세서(100)에 제공할 수 있고, 뉴럴 네트워크 프로세서(100)는 제1 분포 정보 및 제2 분포 정보를 기초로 학습을 중단할 레이어를 결정할 수 있다. 학습을 중단할 레이어를 결정하는 방법에 대해서는 도 10 및 도 11을 참조해 보다 자세히 설명된다. 또한 일 실시 예에서, 메모리(200)는 N번 째 학습 수행에 따른 제1 웨이트 값들의 제1 분포 정보 및 (N-1)번 째 학습 수행에 따른 제2 웨이트 값들의 제2 분포 정보를 별도의 프로세서에 제공할 수 있고, 프로세서는 제1 분포 정보 및 제2 분포 정보를 기초로 학습을 중단할 레이어를 결정한 뒤, 학습 중단이 결정된 레이어에 대한 정보를 뉴럴 네트워크 프로세서(100)에 제공할 수 있다. 이와 관련된 실시 예는 도 14를 참조해 설명된다.
일 실시 예에서, 상기 N이 '1'인 경우, 즉, 첫 번째 학습의 수행이 종료된 경우, S140 단계에서, 뉴럴 네트워크 시스템(20)은 (N-1)번 째 학습 수행 후의 웨이트 값들 대신 초기 웨이트 값들의 분포 정보를 첫 번째 학습 수행 후의 웨이트 값들의 제1 분포 정보와 비교할 수 있다. 다시 말해, 0번째 학습 수행 후의 웨이트 값들이란 개념이 존재하지 않으므로, S140 단계를 적용함에 있어서, 0번 째 학습 수행 후의 웨이트 값들 대신 초기 웨이트 값들을 이용해 S140 단계를 적용할 수 있다.
뉴럴 네트워크 시스템(20)은, 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 N+1번 째 학습을 수행할 수 있다(S160).
본 개시의 예시적 실시 예에 따른 전이 학습 방법에 따르면, 이와 같이 웨이트 값이 포화된 레이어에 대한 추가적인 학습을 중단함으로써 전이 학습에 소요되는 시간을 줄일 수 있고, 전체 전이 학습 속도를 향상시킬 수 있다.
도 8a 및 도 8b는 본 개시의 예시적 실시 예에 따른 웨이트 값들의 분포의 변화를 나타낸다. 도 8a 및 도 8b는 (N-1)번 째 학습 후의 웨이트 값들의 분포 및 N번 째 학습 후의 웨이트 값들의 분포를 나타낼 수 있다. 특히, 도 8a 및 도 8b는 어느 특정 레이어에 대한 분포를 도시하는 것일 수 있다. 도 8a 및 도 8b는 도 5 및 도 7을 함께 참조하여 설명된다.
도 8a를 참조하면, 특정 히든 레이어의 경우, N번 째 학습을 거치면서, 웨이트 값들의 분포가 변화할 수 있다. 도 8a와 같이, 학습에 따른 웨이트 값들의 분포의 변화가 상당한 경우, 뉴럴 네트워크 시스템(20)은, S140 단계에서 이러한 히든 레이어는 학습을 중단시킬 레이어로 결정하지 않을 수 있다.
반면, 도 8b를 참조하면, 다른 특정 히든 레이어의 경우, N번 째 학습을 거친 뒤에도, 웨이트 값들의 분포가 실질적으로 변화하지 않을 수 있다. 도 8b와 같이, 학습에 따른 웨이트 값들의 분포의 변화가 거의 없는 경우, 뉴럴 네트워크 시스템(20)은, S140 단계에서 이러한 히든 레이어를 학습을 중단시킬 레이어로 결정할 수 있다.
도 9a 및 도 9b는 본 개시의 예시적 실시 예에 따른 분포 정보(Info_DB)를 나타낸다. 도 9a 및 도 9b는 N번 째 학습에 따른 웨이트 값들에 대한 분포 정보를 나타낼 수 있다. 도 9a 및 도 9b는 뉴럴 네트워크가 K개(K는 자연수)의 히든 레이어를 포함하는 경우를 도시하며, 도 9a 및 도 9b는 도 5를 함께 참조하여 설명된다.
도 9a를 참조하면, 분포 정보(Info_DB)는 복수의 레이어들에 대응되는 웨이트 값들의 히스토그램 정보(histogram information)들을 포함할 수 있다.
각각의 레이어에 대응되는 히스토그램 정보는, 도 9a의 좌측과 같이, 웨이트 값들 각각에 대응되는 웨이트 값들의 개수에 관한 정보를 포함할 수 있다. 구체적으로는, 예를 들어, 제1 레이어에 대한 히스토그램 정보는, 복수의 웨이트 값들(wv_1, wv_2, …, wv_M, M은 자연수)에 대응되는 개수들(c_11, c_12, …, c_1M)을 포함할 수 있다. 다시 말해, 예를 들어, 제1 레이어 내에 제1 웨이트 값(wv_1)이 제1 개수(c_11) 만큼 존재하고, 제1 레이어 내에 제2 웨이트 값(wv_2)이 제2 개수(c_12) 만큼 존재할 수 있다.
마찬가지로, 예를 들어, 제2 레이어에 대한 히스토그램 정보는, 복수의 웨이트 값들(wv_1, wv_2, …, wv_M, M은 자연수)에 대응되는 개수들(c_21, c_22, …, c_2M)을 포함할 수 있다. 다시 말해, 예를 들어, 제2 레이어 내에 제1 웨이트 값(wv_1)이 제1 개수(c_21) 만큼 존재하고, 제2 레이어 내에 제2 웨이트 값(wv_2)이 제2 개수(c_22) 만큼 존재할 수 있다.
마찬가지로, 예를 들어, 제K 레이어에 대한 히스토그램 정보는, 복수의 웨이트 값들(wv_1, wv_2, …, wv_M, M은 자연수)에 대응되는 개수들(c_K1, c_K2, …, c_KM)을 포함할 수 있다. 다시 말해, 예를 들어, 제K 레이어 내에 제1 웨이트 값(wv_1)이 제1 개수(c_K1) 만큼 존재하고, 제K 레이어 내에 제2 웨이트 값(wv_2)이 제2 개수(c_K2) 만큼 존재할 수 있다. 도 5의 뉴럴 네트워크 프로세서(100)는 이와 같은 히스토그램 정보를 기초로 다음 학습을 중단할 레이어를 결정할 수 있다. 이에 대해서는 도 10을 참조해 보다 자세히 설명된다.
도 9b를 참조하면, 분포 정보(Info_DB)는 복수의 레이어들에 대응되는 웨이트 값들의 통계 정보를 포함할 수 있다. 통계 정보는, 웨이트 값들을 이용해 통계 처리된 값을 나타낼 수 있다. 일 실시 예에서, 통계 정보는, 레이어 별 웨이트 값들에 대한 평균 값, 분산 값, 표준편차 값, 최대값 및 최소값과 같은 다양한 통계 정보들 중 적어도 하나를 포함할 수 있다. 도 9b는 일 실시 예로서, 통계 정보가 평균 값 및 표준편차 값을 포함하는 경우를 도시한다.
도 9b를 참조하면, 예를 들어, 제1 레이어에 대응되는 웨이트 값들의 평균은 제1 평균 값(m_1)을 가질 수 있고, 제1 레이어에 대응되는 표준편차는 제1 표준편차 값(S_1)을 가질 수 있다. 마찬가지로, 제2 레이어에 대응되는 웨이트 값들의 평균은 제2 평균 값(m_2)을 가질 수 있고, 제2 레이어에 대응되는 표준편차는 제2 표준편차 값(S_2)을 가질 수 있다. 마찬가지로, 제K 레이어에 대응되는 웨이트 값들의 평균은 제K 평균 값(m_K)을 가질 수 있고, 제K 레이어에 대응되는 표준편차는 제K 표준편차 값(S_K)을 가질 수 있다. 도 5의 뉴럴 네트워크 프로세서(100)는 이와 같은 통계 정보를 기초로 다음 학습을 중단할 레이어를 결정할 수 있다. 이에 대해서는 도 11을 참조해 보다 자세히 설명된다.
도 10은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템의 학습 방법 순서도를 나타낸다. 도 10은 특히, 분포 정보가 도 9a와 같은 히스토그램 정보를 포함하는 경우에 대응되는 전이 학습 방법의 순서도일 수 있다. 또한, 특히 도 10은 도 7의 S140 단계의 세부적인 방법의 순서도를 나타낼 수 있다. 도 10은 도 5를 함께 참조하여 설명된다.
뉴럴 네트워크 시스템(20)은, 제1 분포 정보에 포함된 제1 히스토그램 정보에서 제2 분포 정보에 포함된 제2 히스토그램 정보를 감산할 수 있다(S142). 예를 들어, 뉴럴 네트워크 시스템(20)은, 레이어 별로 모든 웨이트 값들에 대해 동일한 웨이트 값에 대응되는 제1 히스토그램 정보에 따른 제1 개수(counts)에서 제2 히스토그램 정보에 따른 제2 개수를 감산할 수 있다. 뉴럴 네트워크 시스템(20)은, 모든 웨이트 값들에 대해 위와 같은 감산 연산을 함으로써 레이어 별로 감산 히스토그램 정보를 획득할 수 있다.
뉴럴 네트워크 시스템(20)은, 감산된 히스토그램 정보에 포함된 값들의 절대값들을 합산함으로써 차이 지표 값을 레이어 별로 획득할 수 있다(S144). 차이 지표 값이 크다는 것은, (N-1)번 째 학습에 따른 웨이트 값들과 N번 째 학습에 따른 웨이트 값들의 차이가 크다는 것을 의미하고, 차이 지표 값이 작다는 것은, (N-1)번 째 학습에 따른 웨이트 값들과 N번 째 학습에 따른 웨이트 값들의 차이가 작다는 것을 의미할 수 있다.
뉴럴 네트워크 시스템(20)은, 획득된 차이 지표 값이 임계 값 이하인 레이어들을 학습을 중단할 레이어로 결정할수 있다(S146). 여기서 임계 값은 사전 결정된 값으로서, 불변 값일 수도 있고 가변 값일 수도 있다.
도 11은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템의 학습 방법 순서도를 나타낸다. 도 11은 특히, 분포 정보가 도 9b와 같은 히스토그램 정보를 포함하는 경우에 대응되는 전이 학습 방법의 순서도일 수 있다. 또한, 특히 도 11은 도 7의 S140 단계의 세부적인 방법의 순서도를 나타낼 수 있다. 도 10은 도 5를 함께 참조하여 설명된다.
뉴럴 네트워크 시스템(20)은, 레이어 별로 제1 분포 정보에 포함된 제1 통계 정보와 제2 분포 정보에 포함된 제2 통계 정보를 비교할 수 있다(S141). 예를 들어, 제1 통계 정보 및 제2 통계 정보는, 도 9b를 참조해 설명한 바와 같이, 평균 값, 분산 값, 표준편차 값, 최대값 및 최소값 중 적어도 하나를 포함할 수 있다.
뉴럴 네트워크 시스템(20)은, 제1 통계 정보와 제2 통계 정보의 차이가 임계 값 이하인 레이어들을 학습을 중단할 레이어로 결정할 수 있다(S143). 예를 들어, 뉴럴 네트워크 시스템(20)은, 제1 통계 정보에 포함된 평균 값과 제2 통계 정보에 포함된 평균 값의 차이가 임계 값 이하인 레이어들을 학습을 중단할 레이어로 결정할 수 있다. 또한 예를 들어, 뉴럴 네트워크 시스템(20)은, 제1 통계 정보에 포함된 표준편차 값과 제2 통계 정보에 포함된 표준편차 값의 차이가 임계 값 이하인 레이어들을 학습을 중단할 레이어로 결정할 수 있다. 여기서 임계 값은 사전 결정된 값으로서, 불변 값일 수도 있고 가변 값일 수도 있다. 하지만, 이에 제한되지 않으며, 예를 들어, 뉴럴 네트워크 시스템(20)은, 평균 값의 차이가 제1 임계 값 이하이고, 표준편차 값의 차이가 제2 임계 값 이하인 레이어들을 학습을 중단할 레이어로 결정할 수 있다.
도 12는 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템(20)을 나타낸다. 도 12의 뉴럴 네트워크 시스템(20)에 관해 도 1 내지 도 11을 참조한 설명과 중복되는 설명은 생략한다.
메모리(200)는 메모리 장치(210) 및 전이 학습 매니저(220)를 포함할 수 있다. 메모리 장치(210)는 데이터들이 저장되는 공간을 나타낼 수 있다.
뉴럴 네트워크 프로세서(100)는 N번 째 학습이 종료된 뒤, N번 째 학습의 결과(Res_N)를 메모리(200)에 제공할 수 있고, 메모리(200)는 N번 째 학습의 결과(Res_N)를 메모리(200) 내 메모리 장치(210)에 저장할 수 있다.
이 때, 전이 학습 매니저(220)는, N번 째 학습의 결과(Res_N)에 포함된 웨이트 값들을 이용해 상기 웨이트 값들의 분포 정보(Info_DB)를 생성할 수 있다. 분포 정보(Info_DB)는 도 9a와 같이 히스토그램 정보를 포함할 수도 있고, 도 9b와 같이 통계 정보를 포함할 수도 있다. 전이 학습 매니저(220)는 생성된 분포 정보(Info_DB)를 저장하고 있을 수 있다. N번 째 학습이 종료된 뒤, 전이 학습 매니저(220)는 내부에 저장된 (N-1)번 째 학습에 따른 웨이트 값들의 분포 정보(Info_DB_N-1) 및 N번 째 학습에 따른 웨이트 값들의 분포 정보(Info_DB_N)를 뉴럴 네트워크 프로세서(100)에 제공할 수 있다. 전이 학습 매니저(220)는, 전이 학습 관리 회로라 칭해질 수 있다.
전이 학습 매니저(220)는, 메모리(200) 내에 구현될 수 있으며, 예를 들어, 메모리(200) 내 로직 회로 영역에 구현될 수 있다. 또는, 도 15와 같이, 버퍼 다이 영역에 형성될 수 있다. 이와 같이, 프로세싱 동작을 수행하는 구성이 메모리(200)에 포함될 수 있는데, 이러한 메모리(200)는 PIM(Processin In Memory)의 형태로 구현되었다고 칭해질 수 있다.
도 13은 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템(30)을 나타낸다. 도 13의 뉴럴 네트워크 시스템(30)에 관해 도 1 내지 도 12를 참조한 설명과 중복되는 설명은 생략한다. 특히, 도 13의 뉴럴 네트워크 시스템(30)에 관해서는 도 12의 뉴럴 네트워크 시스템(20)과의 차이점을 중심으로 설명한다.
메모리(200)는 제1 메모리 장치(210_1), 제1 메모리 장치(210_1)에 대응되는 제1 전이 학습 매니저(220_1), 제2 메모리 장치(210_2), 제2 메모리 장치(210_2)에 대응되는 제2 전이 학습 매니저(220_2), 제3 메모리 장치(210_3), 제3 메모리 장치(210_3)에 대응되는 제3 전이 학습 매니저(220_3) 및 메인 프로세서(230)를 포함할 수 있다. 메모리 장치의 개수는 설명의 편의를 위한 예시적인 것일 뿐, 이에 제한되지 않는다.
메인 프로세서(230)는 메모리(200) 내의 다양한 동작들을 제어하는 기능을 수행할 수 있다.
설명의 편의를 위해, 뉴럴 네트워크가 도 3과 같은 뉴럴 네트워크인 경우를 가정한다. 제1 히든 레이어에 대한 웨이트들을 메모리(200)에 저장하는 경우를 가정한다. 일 실시 예에서, 메모리(200)는 웨이트(W11)를 제1 메모리 장치(210_1)에 저장할 수 있고, 웨이트(W12)는 제2 메모리 장치(210_2)에 저장할 수 있고, 웨이트(W13)는 제3 메모리 장치(210_3)에 저장할 수 있다. 또한, 각각의 웨이트들을 저장하는 과정에서, 각각의 메모리 장치에 대응되는 전이 학습 매니저에서 각각의 웨이트에 포함된 웨이트 값들에 대한 분포 정보를 얻어내고, 이를 저장할 수 있다.
일 실시 예에서는, 웨이트(W11) 및 웨이트(W12)는 그룹화되어 제1 메모리 장치(210_1)에 저장되고, 웨이트(W13)는 제2 메모리 장치(210_2)에 저장될 수 있다.
이 때, 각각의 웨이트들에 대한 어드레싱(addressing)은 외부 프로세서(예컨대, CPU)에 의해 결정될 수도 있고, 메인 프로세서(230)의 제어에 의해 결정될 수도 있고, 각각의 전이 학습 매니저(220_1, 220_2, 220_3) 내에 저장된 그룹 아이디(Group ID)에 의해 결정될 수도 있다.
도 14는 본 개시의 예시적 실시 예에 따른 뉴럴 네트워크 시스템(40)을 나타낸다. 도 14의 뉴럴 네트워크 시스템(40)에 관해 도 1 내지 도 13을 참조한 설명과 중복되는 설명은 생략한다. 특히, 도 14의 뉴럴 네트워크 시스템(40)에 관해서는 도 12의 뉴럴 네트워크 시스템(20)과의 차이점을 중심으로 설명한다.
도 12와 달리, N번 째 학습이 종료된 뒤, 전이 학습 매니저(220)는 분포 정보들(Info_DB_N-1, Info_DB_N)을 뉴럴 네트워크 프로세서(100)가 아닌 별도의 프로세서(300)에 제공할 수 있다. 이에 따라, 도 7의 S140 단계에 대응되는 동작으로서, 학습을 중단할 레이어를 결정하는 동작을 프로세서(300)가 수행할 수도 있다. 프로세서(300)는 학습 중단이 결정된 레이어에 관한 정보를 나타내는 레이어 정보(Info_Layer)를 뉴럴 네트워크 프로세서(100)에 제공할 수 있다. 뉴럴 네트워크 프로세서(100)는, 프로세서(300)로부터 제공되는 레이어 정보(Info_Layer)를 기초로, (N+1)번 째 학습에서, 학습 중단이 결정된 레이어를 제외한 나머지 레이어들에 대해 학습을 수행할 수 있다.
도 15는 본 개시의 예시적 실시 예에 따른 메모리(2200)를 나타낸다. 메모리(2200)는 도 12 내지 도 14의 메모리(200)에 대응될 수 있다. 도 15는, 서로 독립된 인터페이스를 갖는 다수의 채널들을 포함함으로써 증가된 대역폭(bandwidth)을 갖는 HBM(High Bandwidth Memory) 형태의 메모리(2200)가 개시된다.
메모리(2200)는 다수 개의 레이어들을 포함할 수 있다. 일 예로서, 메모리(2200)는 버퍼 다이(2210)와 버퍼 다이(2210) 상에 적층된 적어도 하나의 코어 다이(2220)를 포함할 수 있다. 예컨대, 제1 코어 다이(2221)가 제1 채널(CH1) 및 제3 채널(CH3)을 포함하고, 제2 코어 다이(2222)가 제2 채널(CH2) 및 제4 채널(CH4)을 포함하며, 제3 코어 다이(2223)가 제5 채널(CH5) 및 제7 채널(CH7)을 포함하며, 제4 코어 다이(2224)가 제6 채널(CH6) 및 제8 채널(CH8)을 포함할 수 있다.
버퍼 다이(2210)는 메모리 컨트롤러와 통신하고, 메모리 컨트롤러로부터 커맨드, 어드레스 및 데이터를 수신할 수 있으며, 수신된 커맨드, 어드레스 및 데이터를 적어도 하나의 코어 다이(2220)로 제공할 수 있다. 버퍼 다이(2210)는 그 외면에 형성된 범프 등의 도전 수단을 통해 메모리 컨트롤러와 통신할 수 있다. 버퍼 다이(2210)는 커맨드, 어드레스 및 데이터를 버퍼링하며, 이에 따라 메모리 컨트롤러는 버퍼 다이(2210)의 로드(load) 만을 구동함으로써 적어도 하나의 코어 다이(2220)와 인터페이스 할 수 있다.
또한, 메모리(2200)는 레이어들을 관통하는 다수 개의 스루 실리콘 비아(TSV; 2230)들을 포함할 수 있다. TSV(2230)들은 다수의 채널들(CH1~CH8)에 대응하여 배치될 수 있으며, 각각의 채널이 128 비트의 대역폭(bandwidth)을 갖는 경우, TSV(2230)들은 1024 비트의 데이터 입출력을 위한 구성들을 포함할 수 있다.
버퍼 다이(2210)는 TSV 영역(2212), 물리(PHY) 영역(2213) 및 다이렉트 억세스 영역(DA, 2214)을 포함할 수 있다. TSV 영역(2212)은 적어도 하나의 코어 다이(2220)와의 통신을 위한 TSV(2230)가 형성되는 영역이다. 또한, 물리(PHY) 영역(2213)은 외부의 메모리 컨트롤러와의 통신을 위해 다수의 입출력 회로를 포함하는 영역으로서, 메모리 컨트롤러로부터의 각종 신호들은 물리(PHY) 영역(2213)을 통해 TSV 영역(2212)으로 제공되고, 또한 TSV(2230)를 통해 적어도 하나의 코어 다이(2220)로 제공될 수 있다.
본 개시의 예시적 실시 예에 따르면, 도 12 내지 도 14에 개시된 전이 학습매니저(2240)는 버퍼 다이(2210)에 구현될 수 있다. 전이 학습 매니저(2240)는, 도 12 내지 도 14를 참조해 설명된 전이 학습 매니저(220)에 대응되는 구성일 수 있다.
한편, 다이렉트 억세스 영역(DA, 2214)은 메모리(2200)에 대한 테스트 모드에서 메모리(2200)의 외면에 배치되는 도전 수단을 통해 외부의 테스터와 직접 통신할 수 있다. 테스터로부터 제공되는 각종 신호들은 다이렉트 억세스 영역(DA, 2214) 및 TSV 영역(2212)을 통해 적어도 하나의 코어 다이(2220)로 제공될 수 있다. 또는, 변형 가능한 실시예로서, 테스터로부터 제공되는 각종 신호들은 다이렉트 억세스 영역(DA, 2214), 물리(PHY) 영역(2213) 및 TSV 영역(2212)을 통해 적어도 하나의 코어 다이(2220)로 제공될 수도 있다.
이상에서와 같이 도면과 명세서에서 예시적인 실시 예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시 예들이 설명되었으나, 이는 단지 본 개시의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 개시의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 개시의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (10)

  1. 복수의 레이어들에 대한 복수의 횟수의 학습들을 포함하는 학습을 수행하되, 제1 학습의 수행에 따른 제1 웨이트 값들의 분포와 상기 제1 학습과 연속된 제2 학습의 수행에 따른 제2 웨이트 값들의 분포를 레이어 별로 비교함으로써 상기 복수의 레이어들 중 학습을 중단할 레이어를 결정하고, 상기 복수의 레이어들 중 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 상기 제2 학습과 연속된 제3 학습을 수행하도록 구성되는 뉴럴 네트워크 프로세서; 및
    상기 제1 웨이트 값들의 분포에 대한 제1 분포 정보 및 상기 제2 웨이트 값들의 분포에 대한 제2 분포 정보를 저장하고, 상기 제2 학습이 완료된 때, 상기 제1 분포 정보 및 상기 제2 분포 정보를 상기 뉴럴 네트워크 프로세서에 제공하도록 구성되는 메모리를 포함하는 뉴럴 네트워크 시스템.
  2. 제1항에 있어서,
    상기 제1 분포 정보는, 상기 복수의 레이어들에 대한 상기 제1 웨이트 값들의 제1 히스토그램 정보들(histogram informations)을 포함하고, 상기 제2 분포 정보는, 상기 복수의 레이어들에 대한 상기 제2 웨이트 값들의 제2 히스토그램 정보들을 포함하고,
    상기 뉴럴 네트워크 프로세서는,
    상기 제1 히스토그램 정보들 및 상기 제2 히스토그램 정보들의 레이어 별 차이를 기초로 상기 복수의 레이어들 중 학습을 중단할 레이어를 결정하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 시스템.
  3. 제1항에 있어서,
    상기 제1 분포 정보는, 상기 복수의 레이어들에 대한 상기 제1 웨이트 값들의 제1 통계 정보들을 포함하고, 상기 제2 분포 정보는, 상기 복수의 레이어들에 대한 상기 제2 웨이트 값들의 제2 통계 정보들을 포함하고,
    상기 뉴럴 네트워크 프로세서는,
    상기 제1 통계 정보들 및 상기 제2 통계 정보들의 레이어 별 차이를 기초로 상기 복수의 레이어들 중 학습을 중단할 레이어를 결정하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 시스템.
  4. 복수의 레이어들에 대한 복수의 학습들을 포함하는 뉴럴 네트워크 시스템의 학습 방법으로서,
    N번 째 학습에 따른 제1 웨이트들을 메모리에 저장하는 단계;
    상기 제1 웨이트들에 포함된 제1 웨이트 값들 및 N-1번 째 학습에 따른 제2 웨이트들에 포함된 제2 웨이트 값들을 기초로 상기 복수의 레이어들 중 학습을 중단할 레이어를 결정하는 단계; 및
    상기 복수의 레이어들 중 학습 중단이 결정된 레이어를 제외한 레이어들에 대해 N+1번 째 학습을 수행하는 단계를 포함하는 뉴럴 네트워크 시스템의 학습(learning) 방법.
  5. 제4항에 있어서,
    상기 학습을 중단할 레이어를 결정하는 단계는,
    상기 제1 웨이트 값들의 제1 분포 정보를 상기 제2 웨이트 값들의 제2 분포 정보와 레이어 별로 비교함으로써 상기 복수의 레이어들 중 학습을 중단할 레이어를 결정하는 것을 특징으로 하는 뉴럴 네트워크 시스템의 학습 방법.
  6. 제5항에 있어서,
    상기 제1 분포 정보는, 상기 복수의 레이어들에 대한 상기 제1 웨이트 값들의 제1 히스토그램 정보들을 포함하고, 상기 제2 분포 정보는, 상기 복수의 레이어들에 대한 상기 제2 웨이트 값들의 제2 히스토그램 정보들을 포함하고,
    상기 학습을 중단할 레이어를 결정하는 단계는,
    상기 제1 히스토그램 정보들 및 상기 제2 히스토그램 정보들의 레이어 별 차이를 기초로 상기 복수의 레이어들 중 학습을 중단할 레이어를 결정하는 것을 특징으로 하는 뉴럴 네트워크 시스템의 학습 방법.
  7. 제6항에 있어서,
    상기 학습을 중단할 레이어를 결정하는 단계는,
    상기 제1 히스토그램 정보들에서 상기 제2 히스토그램 정보들을 감산하는 단계;
    상기 감산된 결과에 따른 감산된 히스토그램 정보에 포함된 값들의 절대값들을 합산한 차이 지표 값을 레이어 별로 획득하는 단계; 및
    상기 차이 지표 값이 임계 값 이하인 레이어들을 학습을 중단할 레이어로 결정하는 단계를 포함하는 것을 특징으로 하는 뉴럴 네트워크 시스템의 학습 방법.
  8. 제5항에 있어서,
    상기 제1 분포 정보는, 상기 복수의 레이어들에 대한 상기 제1 웨이트 값들의 제1 통계 정보들을 포함하고, 상기 제2 분포 정보는, 상기 복수의 레이어들에 대한 상기 제2 웨이트 값들의 제2 통계 정보들을 포함하고,
    상기 학습을 중단할 레이어를 결정하는 단계는,
    상기 제1 통계 정보들 및 상기 제2 통계 정보들의 레이어 별 차이를 기초로 상기 복수의 레이어들 중 학습을 중단할 레이어를 결정하는 것을 특징으로 하는 뉴럴 네트워크 시스템의 학습 방법.
  9. 제8항에 있어서,
    상기 제1 통계 정보들 각각은, 상기 제1 웨이트 값들에 대한 레이어 별 평균 값, 분산 값, 표준편차 값, 최대값 및 최소값 중 적어도 하나를 포함하고, 상기 제2 통계 정보들 각각은, 상기 제2 웨이트 값들에 대한 레이어 별 평균 값, 분산 값, 표준편차 값, 최대값 및 최소값 중 적어도 하나를 포함하고,
    상기 학습을 중단할 레이어를 결정하는 단계는,
    상기 제1 통계 정보들과 상기 제2 통계 정보들의 차이 값을 계산하는 단계; 및
    상기 차이 값이 임계 값 이하인 레이어들을 학습을 중단할 레이어로 결정하는 단계를 포함하는 것을 특징으로 하는 뉴럴 네트워크 시스템의 학습 방법.
  10. 제5항에 있어서,
    상기 N번 째 학습이 종료된 뒤, 상기 메모리에 포함된 전이 학습 관리 회로에 의해, 상기 제1 웨이트 값들을 기초로 상기 제1 분포 정보를 생성하는 단계; 및
    상기 제1 분포 정보를 상기 전이 학습 관리 회로에 저장하는 단계를 더 포함하는 것을 특징으로 하는 뉴럴 네트워크 시스템의 학습 방법.
KR1020190053887A 2019-05-08 2019-05-08 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법 KR20200129457A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190053887A KR20200129457A (ko) 2019-05-08 2019-05-08 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법
US16/701,841 US11494646B2 (en) 2019-05-08 2019-12-03 Neural network system for performing learning, learning method thereof, and transfer learning method of neural network processor
CN202010252735.9A CN111914989A (zh) 2019-05-08 2020-04-01 神经网络系统及其学习方法、以及迁移学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190053887A KR20200129457A (ko) 2019-05-08 2019-05-08 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법

Publications (1)

Publication Number Publication Date
KR20200129457A true KR20200129457A (ko) 2020-11-18

Family

ID=73046761

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190053887A KR20200129457A (ko) 2019-05-08 2019-05-08 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법

Country Status (3)

Country Link
US (1) US11494646B2 (ko)
KR (1) KR20200129457A (ko)
CN (1) CN111914989A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102527933B1 (ko) * 2022-11-01 2023-04-28 조영일 동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법
WO2023136375A1 (ko) * 2022-01-13 2023-07-20 엘지전자 주식회사 무선 통신 시스템에서 수신 기기가 단-대-단 학습을 수행하는 방법, 수신 기기, 프로세싱 장치 및 저장 매체, 그리고 전송 기기가 단-대-단 학습을 수행하는 방법, 전송 기기

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114884994B (zh) * 2022-05-09 2023-06-27 山东高速建设管理集团有限公司 一种基于迁移学习的车路协同信息融合方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110320387A1 (en) 2010-06-28 2011-12-29 International Business Machines Corporation Graph-based transfer learning
US9715660B2 (en) 2013-11-04 2017-07-25 Google Inc. Transfer learning for deep neural network based hotword detection
JP6435581B2 (ja) 2015-01-29 2018-12-12 パナソニックＩｐマネジメント株式会社 転移学習装置、転移学習システム、転移学習方法およびプログラム
US20160342887A1 (en) * 2015-05-21 2016-11-24 minds.ai inc. Scalable neural network system
US10878320B2 (en) 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
US20180253636A1 (en) 2017-03-06 2018-09-06 Samsung Electronics Co., Ltd. Neural network apparatus, neural network processor, and method of operating neural network processor
US11222260B2 (en) 2017-03-22 2022-01-11 Micron Technology, Inc. Apparatuses and methods for operating neural networks
US11556772B2 (en) * 2017-04-28 2023-01-17 Intel Corporation Incremental precision networks using residual inference and fine-grain quantization
KR20210032140A (ko) * 2019-09-16 2021-03-24 삼성전자주식회사 뉴럴 네트워크에 대한 프루닝을 수행하는 방법 및 장치
US11468325B2 (en) * 2020-03-30 2022-10-11 Amazon Technologies, Inc. Multi-model training pipeline in distributed systems
US20210110264A1 (en) * 2020-12-21 2021-04-15 Intel Corporation Methods and apparatus to facilitate efficient knowledge sharing among neural networks
US20210117792A1 (en) * 2020-12-23 2021-04-22 Intel Corporation Methods and apparatus to facilitate continuous learning

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023136375A1 (ko) * 2022-01-13 2023-07-20 엘지전자 주식회사 무선 통신 시스템에서 수신 기기가 단-대-단 학습을 수행하는 방법, 수신 기기, 프로세싱 장치 및 저장 매체, 그리고 전송 기기가 단-대-단 학습을 수행하는 방법, 전송 기기
KR102527933B1 (ko) * 2022-11-01 2023-04-28 조영일 동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법

Also Published As

Publication number Publication date
US11494646B2 (en) 2022-11-08
US20200356853A1 (en) 2020-11-12
CN111914989A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN109754066B (zh) 用于生成定点型神经网络的方法和装置
KR102601604B1 (ko) 뉴럴 네트워크의 파라미터들을 양자화하는 방법 및 장치
US20220319154A1 (en) Neural network model update method, image processing method, and apparatus
US10892050B2 (en) Deep image classification of medical images
KR20200129457A (ko) 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법
WO2022052601A1 (zh) 神经网络模型的训练方法、图像处理方法及装置
JP2022532460A (ja) モデル訓練方法、装置、端末及びプログラム
KR20190125141A (ko) 뉴럴 네트워크의 파라미터들을 양자화하는 방법 및 장치
US20190147342A1 (en) Deep neural network processor with interleaved backpropagation
CN112580369B (zh) 语句复述方法、训练语句复述模型的方法及其装置
US11556795B2 (en) Computing device for training artificial neural network model, method of training the artificial neural network model, and memory system for storing the same
US11763153B2 (en) Method and apparatus with neural network operation
KR20210154502A (ko) 부동 소수점 연산을 수행하는 뉴럴 네트워크 장치 및 그의 동작 방법
US11983627B2 (en) Deep learning based visual simultaneous localization and mapping
US20240135174A1 (en) Data processing method, and neural network model training method and apparatus
TW202143164A (zh) 圖像處理方法、電子設備和電腦可讀儲存介質
WO2022156475A1 (zh) 神经网络模型的训练方法、数据处理方法及装置
US20230025626A1 (en) Method and apparatus for generating process simulation models
CN114187465A (zh) 分类模型的训练方法、装置、电子设备及存储介质
KR20210121946A (ko) 뉴럴 네트워크 양자화를 위한 방법 및 장치
KR20190127510A (ko) 분류를 위한 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치
CN116258190A (zh) 一种量化方法、装置及相关设备
CN110188773A (zh) 特征提取方法、图像处理方法及装置
US20230096854A1 (en) Data processing system, operating method thereof, and computing system using data processing system
US20230169329A1 (en) Method to incorporate uncertain inputs into neural networks