KR20200139111A - Method for determining parameter sets of an artificial neural network - Google Patents
Method for determining parameter sets of an artificial neural network Download PDFInfo
- Publication number
- KR20200139111A KR20200139111A KR1020200161078A KR20200161078A KR20200139111A KR 20200139111 A KR20200139111 A KR 20200139111A KR 1020200161078 A KR1020200161078 A KR 1020200161078A KR 20200161078 A KR20200161078 A KR 20200161078A KR 20200139111 A KR20200139111 A KR 20200139111A
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- artificial neural
- parameter set
- server
- parameter
- 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Debugging And Monitoring (AREA)
Abstract
Description
본 발명의 실시예들은 인공 신경망의 파라미터 셋을 결정하는 방법에 관한 것으로, 보다 상세하게는 복수의 파라미터 셋 각각에 대한 인공 신경망의 학습 결과를 산출하고, 산출된 학습 결과에 기초하여 인공 신경망의 최적의 파라미터 셋을 결정하는 방법에 관한 것이다.Embodiments of the present invention relate to a method of determining a parameter set of an artificial neural network, and more particularly, to calculate a learning result of an artificial neural network for each of a plurality of parameter sets, and optimize the artificial neural network based on the calculated learning result. It relates to how to determine the parameter set of.
인공 신경망을 이용한 다양한 어플리케이션(Application)에 있어서, 인공 신경망이 제시하는 결과의 정확도가 어플리케이션의 성능을 결정하는 것이 일반적이다.In various applications using an artificial neural network, it is common for the accuracy of the results presented by the artificial neural network to determine the performance of the application.
이와 같은 인공 신경망이 제시하는 결과의 정확도는 다양한 파라미터들에 의해서 좌우되므로, 어플리케이션의 제작자들은 다양한 파라미터 셋을 이용하여 인공 신경망을 학습 시키고, 그 학습 결과를 반복적으로 확인함으로써 해당 인공 신경망에 대한 최적의 파라미터 셋을 결정한다.Since the accuracy of the results presented by such an artificial neural network depends on various parameters, application makers train the artificial neural network using various parameter sets and repeatedly check the learning results to optimize the artificial neural network. Determine the parameter set.
인공 신경망에 대한 파라미터들은 증가 및/또는 감소에 따라 성능 변화에 대한 명확한 경향성을 갖지 않기에, 어플리케이션의 제작자들은 주관적 판단이나 직관에 따라 파라미터를 설정하여 인공 신경망의 성능을 확인하였다.Since the parameters for the artificial neural network do not have a clear tendency to change in performance as they increase and/or decrease, the application makers confirmed the performance of the artificial neural network by setting parameters according to subjective judgment or intuition.
따라서 인공 신경망의 최적의 파라미터 셋을 결정하기 까지 많은 시간이 소요될 뿐만 아니라, 결정된 파라미터 셋이 최적의 파라미터 셋이 아닐 가능성이 높았다.Therefore, it takes a lot of time to determine the optimal parameter set of the artificial neural network, and it is highly likely that the determined parameter set is not the optimal parameter set.
한편 인공 신경망의 학습에는 많은 수량의 학습 데이터를 이용하기에, 학습에 많은 시간이 소요되는 것이 일반적이다. 따라서 어플리케이션의 제작자들은 하나의 파라미터 셋에 대한 학습이 종료될 때까지 대기하였다가 다른 파라미터 셋에 따른 학습을 수행해야 했고, 이로 인하여 다양한 파라미터 셋에 따른 인공 신경망의 성능을 확인하기 번거로운 문제점이 있었다.On the other hand, since a large amount of training data is used for learning of an artificial neural network, it is common to take a lot of time to learn. Therefore, application makers had to wait until the learning of one parameter set is finished and then perform learning according to the other parameter set, and this has a cumbersome problem in checking the performance of artificial neural networks according to various parameter sets.
본 발명의 상술한 문제점을 해결하기 위한 것으로, 인공 신경망의 학습에 사용하고자 하는 복수의 파라미터 셋을 한 번에 결정하고, 순차적 및/또는 병렬적으로 학습을 수행함으로써 다양한 파라미터 셋에 대한 검증 시간을 단축시키고자 한다.In order to solve the above-described problem of the present invention, a plurality of parameter sets to be used for learning of an artificial neural network are determined at once, and the verification time for various parameter sets is reduced by performing learning sequentially and/or in parallel. I want to shorten it.
또한 본 발명은 다양한 파라미터 셋에 대한 학습 결과를 상호 비교함으로써, 보다 손쉽게 최적의 파라미터 셋을 결정하고자 한다.In addition, the present invention intends to more easily determine an optimal parameter set by comparing learning results for various parameter sets.
또한 본 발명은 사용자의 큰 노력 없이 다양한 파라미터 셋에 대한 학습 결과를 확인해 볼 수 있도록 하고자 한다.In addition, the present invention is intended to be able to check the learning results for various parameter sets without the user's great effort.
본 발명의 일 실시예에 따른 복수의 파라미터 셋(Parameter Set) 각각에 대한 인공 신경망의 학습 결과를 산출하고, 상기 산출 결과에 기초하여 상기 인공 신경망의 최적의 파라미터 셋을 결정하는 방법은, 상기 인공 신경망의 학습에 사용되는 상기 복수의 파라미터 셋을 결정하는 단계; 상기 복수의 파라미터 셋 각각에 대한 상기 인공 신경망의 학습 결과를 산출하는 단계로써, 상기 학습 결과는 상기 인공 신경망의 오차율과 정확도를 포함하고; 및 상기 복수의 파라미터 셋 각각에 대한 학습 결과 중 소정의 조건을 만족하는 파라미터 셋을 상기 최적의 파라미터 셋으로 결정하는 단계;를 포함할 수 있다.A method of calculating a learning result of an artificial neural network for each of a plurality of parameter sets according to an embodiment of the present invention, and determining an optimal parameter set of the artificial neural network based on the calculation result Determining the plurality of parameter sets used for learning a neural network; Calculating a learning result of the artificial neural network for each of the plurality of parameter sets, wherein the learning result includes an error rate and accuracy of the artificial neural network; And determining a parameter set that satisfies a predetermined condition among learning results for each of the plurality of parameter sets as the optimal parameter set.
상기 복수의 파라미터 셋은 제1 파라미터 셋 및 제2 파라미터 셋을 포함하고, 상기 복수의 파라미터 셋을 결정하는 단계는 사용자 단말로부터 상기 제1 파라미터 셋에 포함되는 적어도 하나의 파라미터 값을 수신하고, 상기 수신된 파라미터 값에 기초하여 상기 제1 파라미터 셋을 결정하는 단계; 및 상기 사용자 단말로부터 제2 파라미터 셋에 포함되는 적어도 하나의 파라미터 값을 수신하고, 상기 수신된 파라미터 값에 기초하여 상기 제2 파라미터 셋을 결정하는 단계;를 포함할 수 있다.The plurality of parameter sets include a first parameter set and a second parameter set, and the determining of the plurality of parameter sets receives at least one parameter value included in the first parameter set from a user terminal, and the Determining the first parameter set based on the received parameter value; And receiving at least one parameter value included in the second parameter set from the user terminal, and determining the second parameter set based on the received parameter value.
상기 복수의 파라미터 셋은 제3 파라미터 셋 및 제4 파라미터 셋을 포함하고, 상기 복수의 파라미터 셋을 결정하는 단계는 사용자 단말로부터 상기 복수의 파라미터의 범위를 포함하는 파라미터 결정 조건을 수신하는 단계; 및 상기 파라미터 결정 조건에 기초하여, 상기 제3 파라미터 셋 및 상기 제4 파라미터 셋을 결정하는 단계;를 포함하고, 상기 제3 파라미터 셋과 상기 제4 파라미터 셋은 각각의 파라미터 셋을 구성하는 적어도 하나의 파라미터의 값이 상이할 수 있다.The plurality of parameter sets include a third parameter set and a fourth parameter set, and the determining of the plurality of parameter sets includes: receiving a parameter determination condition including a range of the plurality of parameters from a user terminal; And determining the third parameter set and the fourth parameter set based on the parameter determination condition, wherein the third parameter set and the fourth parameter set are at least one constituting each parameter set. The values of the parameters of may be different.
상기 복수의 파라미터 셋은 상기 인공 신경망의 학습 반복 횟수에 대응되는 반복 파라미터 및 상기 인공 신경망의 학습에 사용되는 학습 데이터의 단위 수량에 대응되는 단위 수량 파라미터를 포함하고, 상기 복수의 파라미터의 범위는 상기 반복 파라미터 및 상기 단위 수량 파라미터 각각에 대한 범위를 포함하고, 상기 제3 파라미터 셋 및 상기 제4 파라미터 셋을 결정하는 단계는 상기 각각의 범위 내에서 소정의 규칙에 따라 상기 반복 파라미터 및 상기 단위 수량 파라미터를 결정하는 단계;를 포함할 수 있다.The plurality of parameter sets include a repetition parameter corresponding to the number of repetitions of learning of the artificial neural network and a unit quantity parameter corresponding to a unit quantity of training data used for learning of the artificial neural network, and the range of the plurality of parameters is the Including a range for each of the repetition parameter and the unit quantity parameter, and determining the third parameter set and the fourth parameter set may include the repetition parameter and the unit quantity parameter according to a predetermined rule within the respective ranges. It may include a; determining step.
상기 소정의 규칙은 상기 각각의 범위 내에서 랜덤으로 파라미터를 추출하는 규칙일 수 있다.The predetermined rule may be a rule for randomly extracting a parameter within each range.
상기 복수의 파라미터 셋은 제5 파라미터 셋을 포함하고, 상기 제5 파라미터 셋은 제5 인공 신경망의 구조에 대한 구조 파라미터 셋 및 상기 제5 인공 신경망의 학습 조건에 관한 학습 파라미터 셋을 포함하고, 상기 인공 신경망의 학습 결과를 산출하는 단계는 상기 구조 파라미터 셋에 기초하여, 상기 제5 인공 신경망을 생성하는 단계; 상기 학습 파라미터 셋에 따라, 상기 생성된 제5 인공 신경망을 학습시키는 단계; 및 소정의 입력 값을 이용하여 상기 학습된 제5 인공 신경망의 상기 학습 결과를 산출하는 단계;를 포함할 수 있다.The plurality of parameter sets include a fifth parameter set, and the fifth parameter set includes a structure parameter set for a structure of a fifth artificial neural network and a learning parameter set for a learning condition of the fifth artificial neural network, the Calculating the learning result of the artificial neural network may include generating the fifth artificial neural network based on the set of structural parameters; Training the generated fifth artificial neural network according to the set of learning parameters; And calculating the learning result of the learned fifth artificial neural network by using a predetermined input value.
상기 구조 파라미터 셋은 상기 제5 인공 신경망의 히든 레이어(Hidden Layer)의 수 및 입력 노드(Node)의 수 중 적어도 하나를 포함하고, 상기 학습 파라미터 셋은 상기 제5 인공 신경망의 학습 반복 횟수에 대응되는 반복 파라미터 및 상기 제5 인공 신경망의 학습에 사용되는 학습 데이터의 단위 수량에 대응되는 단위 수량 파라미터를 포함할 수 있다.The structure parameter set includes at least one of the number of hidden layers and the number of input nodes of the fifth artificial neural network, and the learning parameter set corresponds to the number of learning iterations of the fifth artificial neural network. And a unit quantity parameter corresponding to a unit quantity of training data used for learning of the fifth artificial neural network.
상기 소정의 조건은 제1 가중치를 상기 오차율로 나눈 값과 상기 정확도와 제2 가중치가 곱해진 값의 합이 가장 큰 조건일 수 있다.The predetermined condition may be a condition in which a sum of a value obtained by dividing a first weight by the error rate and a value obtained by multiplying the accuracy and the second weight is the largest.
본 발명에 따르면, 인공 신경망의 학습에 사용하고자 하는 복수의 파라미터 셋을 한번에 결정하고, 순차적 및/또는 병렬적으로 학습을 수행함으로써 다양한 파라미터 셋에 대한 검증 시간을 단축시킬 수 있다.According to the present invention, it is possible to shorten the verification time for various parameter sets by determining a plurality of parameter sets to be used for learning of an artificial neural network at once and performing learning sequentially and/or in parallel.
또한 다양한 파라미터 셋에 대한 학습 결과를 상호 비교함으로써, 보다 손쉽게 최적의 파라미터 셋을 결정할 수 있다.In addition, by comparing learning results for various parameter sets, it is possible to more easily determine an optimal parameter set.
또한 사용자의 큰 노력 없이 다양한 파라미터 셋에 대한 학습 결과를 확인해 볼 수 있도록 한다.In addition, it is possible to check the learning results for various parameter sets without the user's great effort.
도 1은 본 발명의 일 실시예에 따른 인공 신경망 파라미터 셋 결정 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 리소스 서버(300A)의 구성을 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 서버(100)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 6은 서버(100)에 의해 결정된 파라미터 셋의 예시이다.
도 7은 본 발명의 일 실시예에 따른 서버(100)가 복수의 리소스 서버에 대해서 서로 다른 파라미터 셋에 따른 학습의 수행을 요청하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 서버(100)가 입력 값에 대한 결과값(610A, 610B, 610C)을 복수의 리소스 서버로부터 수신하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 사용자 단말(200)에 표시되는 화면(900)의 예시이다.
도 10은 본 발명의 일 실시예에 따른 서버(100)에 의해 수행되는 인공 신경망의 파라미터 셋을 결정하는 방법을 설명하기 위한 흐름도이다.1 is a diagram schematically showing the configuration of an artificial neural network parameter set determination system according to an embodiment of the present invention.
2 is a diagram schematically showing the configuration of a
3 is a diagram schematically showing the configuration of the
4 and 5 are diagrams for explaining an exemplary structure of an artificial neural network learned by the
6 is an example of a parameter set determined by the
FIG. 7 is a diagram for explaining a method of requesting a
FIG. 8 is a diagram for explaining a method in which the
9 is an example of a
10 is a flowchart illustrating a method of determining a parameter set of an artificial neural network performed by the
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. Since the present invention can apply various transformations and have various embodiments, specific embodiments are illustrated in the drawings and will be described in detail in the detailed description. Effects and features of the present invention, and a method of achieving them will be apparent with reference to the embodiments described later in detail together with the drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various forms.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, and when describing with reference to the drawings, the same or corresponding constituent elements are assigned the same reference numerals, and redundant descriptions thereof will be omitted. .
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다. In the following embodiments, terms such as first and second are not used in a limiting meaning, but are used for the purpose of distinguishing one component from another component. In the following examples, the singular expression includes the plural expression unless the context clearly indicates otherwise. In the following embodiments, terms such as include or have means that the features or elements described in the specification are present, and do not preclude the possibility of adding one or more other features or elements in advance. In the drawings, components may be exaggerated or reduced in size for convenience of description. For example, the size and shape of each component shown in the drawings are arbitrarily shown for convenience of description, and thus the present invention is not necessarily limited to what is shown.
도 1은 본 발명의 일 실시예에 따른 인공 신경망 파라미터 셋 결정 시스템의 구성을 개략적으로 도시한 도면이다.1 is a diagram schematically showing the configuration of an artificial neural network parameter set determination system according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공 신경망 파라미터 셋 결정 시스템은 서버(100), 사용자 단말(200), 리소스 서버(300) 및 통신망(800)을 포함할 수 있다.Referring to FIG. 1, an artificial neural network parameter set determination system according to an embodiment of the present invention may include a
본 발명의 일 실시예에 따른 인공 신경망 파라미터 셋 결정 시스템은 복수의 파라미터 셋 각각을 이용하여 인공 신경망을 학습시키고, 학습된 인공 신경망의 학습 결과를 산출하여 비교함으로써 인공 신경망의 최적의 파라미터 셋을 결정할 수 있다.The artificial neural network parameter set determination system according to an embodiment of the present invention learns an artificial neural network using each of a plurality of parameter sets, and determines the optimal parameter set of the artificial neural network by calculating and comparing the learning results of the learned artificial neural network. I can.
본 발명에서 '인공 신경망'은 서버(100) 및/또는 리소스 서버(300)가 소정의 목적에 따라 생성한 것으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 인공 신경망을 의미할 수 있다. 이와 같은 신경망의 구조에 대해서는 도 4 및 도 5를 참조하여 후술한다.In the present invention, the'artificial neural network' is created by the
본 발명에서 '파라미터 셋'(Parameter Set)은 인공 신경망의 학습시에 학습 조건 및/또는 환경을 달리하기 위해 조절되는 값의 집합을 의미할 수 있다. 가령 파라미터 셋은 인공 신경망의 구조에 대한 구조 파라미터 셋과 인공 신경망의 학습 조건에 관한 학습 파라미터 셋을 포함할 수 있다.In the present invention, a'parameter set' may mean a set of values that are adjusted to change a learning condition and/or environment when learning an artificial neural network. For example, the parameter set may include a structure parameter set for a structure of an artificial neural network and a learning parameter set for a learning condition of the artificial neural network.
이때 '구조 파라미터 셋'은 인공 신경망 그 자체에 관한 파라미터 셋을 의미할 수 있다. 가령 인공 신경망의 종류가 도 5에서 설명하는 RNN 모델에 따른 인공 신경망인 경우, 구조 파라미터 셋은 인공 신경망의 히든 레이어의 수, 입력 노드의 수 및 각 히든 레이어에 포함되는 히든 노드의 수와 같이 인공 신경망의 구조에 관한 파라미터들을 포함할 수 있다. 이와 같은 구조 파라미터 셋에 포함되는 각각의 파라미터는 스칼라 형태의 값(예를 들어 3, 7, 0.1 등)일 수도 있고, 벡터 형태의 값(예를 들어 [1, 3, 0.7, 0.5])일 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In this case, the'structure parameter set' may mean a parameter set related to the artificial neural network itself. For example, if the type of artificial neural network is an artificial neural network according to the RNN model described in FIG. 5, the structure parameter set is artificial such as the number of hidden layers, the number of input nodes, and the number of hidden nodes included in each hidden layer. It may contain parameters related to the structure of a neural network. Each parameter included in such a structural parameter set may be a scalar value (
한편 '학습 파라미터 셋'는 전술한 '구조 파라미터 셋'에 의해 결정된 인공 신경망의 학습 조건에 관한 파라미터 셋을 의미할 수 있다. 가령 학습 파라미터 셋은 인공 신경망의 학습 반복 횟수(즉 동일한 학습 데이터를 이용한 학습의 반복 횟수(예를 들어 30회))에 대응되는 반복 파라미터 및 인공 신경망의 1회 학습에 사용되는 학습 데이터의 단위 수량(예를 들어 100개)에 대응되는 단위 수량 파라미터를 포함할 수 있다. 다만 이와 같은 반복 파라미터 및 단위 수량 파라미터는 학습 파라미터 셋에 포함되는 예시적인 파라미터로, 본 발명의 사상이 이에 한정되는 것은 아니다.Meanwhile, the'learning parameter set' may mean a parameter set related to the learning condition of the artificial neural network determined by the above-described'structure parameter set'. For example, the training parameter set is a repetition parameter corresponding to the number of iterations of learning of the artificial neural network (that is, the number of iterations of learning using the same training data (for example, 30 times)) and the unit quantity of training data used for one-time training of the artificial neural network A unit quantity parameter corresponding to (for example, 100) may be included. However, the repetition parameter and the unit quantity parameter are exemplary parameters included in the learning parameter set, and the inventive concept is not limited thereto.
본 발명의 일 실시예에 따른 사용자 단말(200)은 사용자가 서버(100)에 의해 제공되는 다양한 서비스를 이용할 수 있도록 사용자와 서버(100)를 매개하는 다양한 형태의 장치를 의미할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 사용자 단말(200)은 서버(100)와 데이터를 송수신 하는 다양한 장치를 의미할 수 있다. The
본 발명의 일 실시예에서, 사용자 단말(200)은 서버(100)로 파라미터 셋을 전송하여, 서버(100)가 사용자에 의해 입력된 파라미터 셋에 따라 인공 신경망을 학습시키고 그 결과를 산출하도록 할 수 있다.In an embodiment of the present invention, the
또한 본 발명의 일 실시예에서, 사용자 단말(200)은 서버(100)로 파라미터 결정 조건을 전송하여, 서버(100)가 사용자에 의해 입력된 파라미터 결정 조건에 따라 파라미터 셋을 결정하고, 결정된 파라미터 셋을 이용하여 인공신경망을 학습시키고 그 결과를 산출하도록 할 수 있다. 이와 같은 사용자 단말(200)은 도 1에 도시된 바와 같이, 휴대용 단말(201)을 의미할 수도 있고, 컴퓨터(202)를 의미할 수도 있다. In addition, in an embodiment of the present invention, the
한편 사용자 단말(200)은 상술한 기능을 수행하기 위해 콘텐츠 등을 표시하기 위한 표시수단, 이러한 콘텐츠에 대한 사용자의 입력을 획득하기 위한 입력수단을 구비할 수 있다. 이 때 입력수단 및 표시수단은 다양하게 구성될 수 있다. 가령 입력수단은 키보드, 마우스, 트랙볼, 마이크, 버튼, 터치패널 등을 포함할 수 있으나 이에 한정되지 않는다. Meanwhile, the
본 발명의 일 실시예에 따른 리소스 서버(300)는 서버(100)의 제어에 따라 소정의 파라미터 셋을 이용하여 인공 신경망을 학습시키는 장치를 의미할 수 있다. 이와 같은 리소스 서버(300)는 도 1에 도시된 바와 같이 복수일 수 있다.The
도 2는 본 발명의 일 실시예에 따른 리소스 서버(300A)의 구성을 개략적으로 도시한 도면이다.2 is a diagram schematically showing the configuration of a
도 2를 참조하면, 본 발명의 일 실시예에 따른 리소스 서버(300A)는 통신부(310A), 제2 프로세서(320A), 메모리(330A) 및 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)를 포함할 수 있다.Referring to FIG. 2, a
통신부(310A)는 리소스 서버(300A)가 서버(100)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. The
제2 프로세서(320A)는 서버(100)로 수신된 인공 신경망의 학습 명령에 따라, 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)를 제어하는 장치일 수 있다. 이때 프로세서(Processor)는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.The
메모리(330A)는 리소스 서버(300A)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(330A)는 학습된 인공 신경망을 구성하는 데이터들(가령 계수들)을 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(330A)는 인공 신경망을 학습하기 위한 학습 데이터(서버(100)로부터 수신된)도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.The
복수의 제3 프로세서(340A-1, 340A-2, 340A-3)는 전술한 제2 프로세서(320A)의 제어에 따라 소정의 파라미터 셋을 이용하여 인공 신경망을 학습시키는 장치를 의미할 수 있다. 이때 복수의 제3 프로세서(340A-1, 340A-2, 340A-3) 각각은 전술한 제2 프로세서(320A)보다 높은 연산 능력을 갖는 장치일 수 있다. 가령 복수의 제3 프로세서(340A-1, 340A-2, 340A-3) 각각은 GPU(Graphics Processing Unit)로 구성될 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.The plurality of
본 발명의 일 실시예에서 복수의 제3 프로세서(340A-1, 340A-2, 340A-3) 각각은 구분되는 장치로써, 서로 다른 테스크(Task)를 수행하는데 사용될 수 있다. 가령 첫 번째 제3 프로세서(340A-1)는 첫 번째 파라미터 셋에 따른 신경망을 학습하는데 사용될 수 있고, 이와 동시에 두 번째 제3 프로세서(340A-2)는 두 번째 파라미터 셋에 따른 신경망을 학습하는데 사용될 수 있다.In an embodiment of the present invention, each of the plurality of
본 발명의 다른 실시예에서 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)는 1개의 장치로 동작하여, 하나의 테스크를 수행하는데 사용될 수 있다. 가령 제3 프로세서(340A-1, 340A-2, 340A-3)는 가상의 1개의 장치로, 세 번째 파라미터 셋에 따른 신경망을 학습하는데 사용될 수 있다.In another embodiment of the present invention, the plurality of
한편 본 발명의 다른 실시예에 따라 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)가 1개의 장치로써 동작하기 위한 전제로써, 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)는 별도의 물리적 브릿지(Bridge) 및/또는 인터페이스를 통해 상호간에 연결될 수 있다.Meanwhile, according to another embodiment of the present invention, a plurality of
복수의 제3 프로세서(340A-1, 340A-2, 340A-3)가 구분되는 장치로써 동작하는지 또는 1개의 장치로써 동작하는지는 제2 프로세서(320A)에 의해 전자적으로 결정될 수 있다.Whether the plurality of
도 2에서는 예시적으로, 리소스 서버(300A)의 구성만을 설명하였지만 나머지 리소스 서버(300)도 이와 동일하거나 상응하는 구조일 수 있으므로, 나머지 리소스 서버(300)에 대한 상세한 설명은 생략한다.In FIG. 2, only the configuration of the
본 발명의 일 실시예에 따른 서버(100)는 복수의 파라미터 셋 각각을 이용하여 인공 신경망을 학습시키고, 학습된 인공 신경망의 학습 결과를 산출하여 비교함으로써 인공 신경망의 최적의 파라미터 셋을 결정할 수 있다.The
도 3은 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.3 is a diagram schematically showing the configuration of the
도 3을 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 통신부(110), 제1 프로세서(120) 및 메모리(130)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 실시예에 따른 서버(100)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다. Referring to FIG. 3, the
통신부(110)는 서버(100)가 사용자 단말(200) 및/또는 리소스 서버(300)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. The
제1 프로세서(120)는 사용자 단말(200)로부터 수신된 제어 데이터 등에 기초하여 인공 신경망의 학습에 사용될 파라미터 셋을 결정하고, 결정된 파라미터 셋에 따라 인공 신경망을 학습시킬 수 있도록 리소스 서버(300)를 제어하는 수단을 의미할 수 있다. 물론 제1 프로세서(120)는 리소스 서버(300)에 의해 학습된 인공 신경망의 학습 결과를 산출하여, 최적의 파라미터 셋을 결정할 수도 있다. The
이와 같은 제1 프로세서(120)는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.Such a
메모리(130)는 서버(100)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(130)는 리소스 서버(300)로부터 인공 신경망을 구성하는 데이터들을 수신하여 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(130)는 인공 신경망을 학습하기 위한 학습 데이터도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.The
본 발명의 일 실시예에 따른 통신망(800)은 인공 신경망 파라미터 셋 결정 시스템의 각 구성 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 통신망(800)은 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.The communication network 800 according to an embodiment of the present invention may mean a communication network that mediates data transmission/reception between components of an artificial neural network parameter set determination system. For example, the communication network 800 is wired networks such as LANs (Local Area Networks), WANs (Wide Area Networks), MANs (Metropolitan Area Networks), ISDNs (Integrated Service Digital Networks), wireless LANs, CDMA, Bluetooth, satellite communication, etc. It may cover wireless networks of, but the scope of the present invention is not limited thereto.
이하에서는 도 4 및 도 5를 통하여 예시적인 인공 신경망의 구조에 대해 먼저 설명하고, 서버(100)가 인공 신경망의 파라미터 셋을 결정하는 방법에 대해서 나중에 설명한다.Hereinafter, a structure of an exemplary artificial neural network will be first described with reference to FIGS. 4 and 5, and a method of determining a parameter set of the artificial neural network by the
도 4 및 도 5는 본 발명의 서버(100)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.4 and 5 are diagrams for explaining an exemplary structure of an artificial neural network learned by the
본 발명의 일 실시예에 따른 인공 신경망은 도 4에 도시된 바와 같은 합성 곱 신경망(CNN: Convolutional Neural Network) 모델에 따른 인공 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델일 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 인공 신경망 모델을 구축하거나 학습시킬 수 있다.The artificial neural network according to an embodiment of the present invention may be an artificial neural network according to a convolutional neural network (CNN) model as illustrated in FIG. 4. At this time, the CNN model may be a hierarchical model used to finally extract features of input data by alternately performing a plurality of computational layers (Convolutional Layer, Pooling Layer). At this time, the
본 발명의 일 실시예에 따른 서버(100)는 입력 데이터의 특징 값을 추출하기 위한 컨볼루션 레이어(Convolution layer), 추출된 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 생성할 수 있다. The
또한 본 발명의 일 실시예에 따른 서버(100)는 생성된 특징 맵을 결합하여, 입력 데이터가 복수의 항목 각각에 해당할 확률을 결정할 준비를 하는 풀리 커넥티드 레이어(Fully Conected Layer)를 생성할 수 있다. In addition, the
마지막으로 서버(100)는 입력 데이터에 대응되는 출력을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.Finally, the
도 4에 도시된 예시에서는, 입력 데이터가 5X7 형태의 블록으로 나누어지며, 컨볼루션 레이어의 생성에 5X3 형태의 단위 블록이 사용되고, 풀링 레이어의 생성에 1X4 또는 1X2 형태의 단위 블록이 사용되는 것으로 도시되었지만, 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In the example shown in FIG. 4, it is shown that the input data is divided into 5X7 type blocks, a 5X3 type unit block is used to generate the convolution layer, and a 1X4 or 1X2 type unit block is used to generate the pooling layer. However, this is an example and the spirit of the present invention is not limited thereto.
이와 같은 입력 데이터의 분할 크기, 컨볼루션 레이어에 사용되는 단위 블록의 크기, 풀링 레이어의 수, 풀링 레이어의 단위 블록의 크기 등은 전술한 파라미터 셋에 포함되는 항목일 수 있다. 바꾸어 말하면, 파라미터 셋은 상술한 항목들을 결정하기 위한 파라미터(즉 구조 파라미터)들을 포함할 수 있다. The split size of the input data, the size of the unit block used for the convolution layer, the number of pooling layers, the size of the unit block of the pooling layer, etc. may be items included in the above-described parameter set. In other words, the parameter set may include parameters (ie, structure parameters) for determining the above-described items.
따라서 파라미터 셋의 변경 및/또는 조절에 따라 인공 신경망의 구조가 변경될 수 있으며, 이에 따라 동일한 학습 데이터를 이용하더라고 학습 결과가 달라질 수 있다.Accordingly, the structure of the artificial neural network may be changed according to the change and/or adjustment of the parameter set, and accordingly, the learning result may be different even if the same training data is used.
한편 이와 같은 인공 신경망은 전술한 리소스 서버(300A)의 메모리(330A)에 인공 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 인공 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들의 형태로 저장될 수 있다. 물론 인공 신경망의 구조 또한 메모리(330A)에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.Meanwhile, in the
본 발명의 일 실시예에 따른 인공 신경망은 도 5에 도시된 바와 같은 순환 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망일 수 있다.The artificial neural network according to an embodiment of the present invention may be an artificial neural network according to a recurrent neural network (RNN) model as shown in FIG. 5.
도 5를 참조하면, 이와 같은 순환 신경망(RNN) 모델에 따른 인공 신경망은 적어도 하나의 입력 노드(N1)를 포함하는 입력 레이어(L1), 복수의 히든 노드(N2)를 포함하는 히든 레이어(L2) 및 적어도 하나의 출력 노드(N3)를 포함하는 출력 레이어(L3)를 포함할 수 있다.Referring to FIG. 5, the artificial neural network according to such a recurrent neural network (RNN) model includes an input layer L1 including at least one input node N1, and a hidden layer L2 including a plurality of hidden nodes N2. ) And an output layer L3 including at least one output node N3.
히든 레이어(L2)는 도시된 바와 같이 전체적으로 연결된(Fully Connected) 하나 이상의 레이어를 포함할 수 있다. 히든 레이어(L2)가 복수의 레이어를 포함하는 경우, 인공 신경망은 각각의 히든 레이어 사이의 관계를 정의하는 함수(미도시)를 포함할 수 있다.As illustrated, the hidden layer L2 may include one or more layers that are fully connected. When the hidden layer L2 includes a plurality of layers, the artificial neural network may include a function (not shown) defining a relationship between each hidden layer.
각 레이어의 각 노드에 포함되는 값은 벡터일 수 있다. 또한 각 노드는 해당 노드의 중요도에 대응되는 가중치를 포함할 수도 있다.A value included in each node of each layer may be a vector. In addition, each node may include a weight corresponding to the importance of the node.
한편 인공 신경망은 입력 레이어(L1)와 히든 레이어(L2)의 관계를 정의하는 제1 함수(F1) 및 히든 레이어(L2)와 출력 레이어(L3)의 관계를 정의하는 제2 함수(F2)를 포함할 수 있다. Meanwhile, the artificial neural network has a first function (F1) that defines the relationship between the input layer (L1) and the hidden layer (L2), and a second function (F2) that defines the relationship between the hidden layer (L2) and the output layer (L3). Can include.
제1 함수(F1)는 입력 레이어(L1)에 포함되는 입력 노드(N1)와 히든 레이어(L2)에 포함되는 히든 노드(N2)간의 연결관계를 정의할 수 있다. 이와 유사하게, 제2 함수(F2)는 히든 레이어(L2)에 포함되는 히든 노드(N2)와 출력 레이어(L2)에 포함되는 출력 노드(N2)간의 연결관계를 정의할 수 있다.The first function F1 may define a connection relationship between the input node N1 included in the input layer L1 and the hidden node N2 included in the hidden layer L2. Similarly, the second function F2 may define a connection relationship between the hidden node N2 included in the hidden layer L2 and the output node N2 included in the output layer L2.
이와 같은 제1 함수(F1), 제2 함수(F2) 및 히든 레이어 사이의 함수들은 이전 노드의 입력에 기초하여 결과물을 출력하는 순환 신경망 모델을 포함할 수 있다.The first function F1, the second function F2, and the functions between the hidden layer may include a recurrent neural network model that outputs a result based on an input of a previous node.
리소스 서버(300)에 의해 인공 신경망이 학습되는 과정에서, 복수의 학습 데이터에 기초하여 제1 함수(F1) 및 제2 함수(F2)가 학습될 수 있다. 물론 인공 신경망이 학습되는 과정에서 전술한 제1 함수(F1) 및 제2 함수(F2) 외에 복수의 히든 레이어 사이의 함수들 또한 학습될 수 있다.In the process of learning the artificial neural network by the
본 발명의 일 실시예에 따른 인공 신경망은 표지(Labeled)된 학습 데이터를 기반으로 지도학습(Supervised Learning) 방식으로 학습될 수 있다. The artificial neural network according to an embodiment of the present invention may be learned in a supervised learning method based on labeled learning data.
본 발명의 일 실시예에 따른 서버(100)는 복수의 학습 데이터를 이용하여, 어느 하나의 입력 데이터를 인공 신경망에 입력하여 생성된 출력 값이 해당 학습 데이터에 표지된 값에 근접하도록 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신하는 과정을 반복하여 수행함으로써 인공 신경망을 학습시킬 수 있다. The
이때 본 발명의 일 실시예에 따른 서버(100)는 역전파(Back Propagation) 알고리즘에 따라 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신할 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.At this time, the
한편 순환 신경망 모델에 따른 인공 신경망의 경우 파라미터 셋(특히 구조 파라미터 셋)에는 전술한 히든 레이어의 수 및 입력 노드의 수 등이 포함될 수 있다. 따라서 파라미터 셋의 변경 및/또는 조절에 따라 인공 신경망의 구조가 변경될 수 있으며, 이에 따라 동일한 학습 데이터를 이용하더라고 학습 결과가 달라질 수 있다.Meanwhile, in the case of an artificial neural network according to a recurrent neural network model, a parameter set (especially a structure parameter set) may include the number of hidden layers and the number of input nodes described above. Accordingly, the structure of the artificial neural network may be changed according to the change and/or adjustment of the parameter set, and accordingly, the learning result may be different even if the same training data is used.
도 4 및 도 5에서 설명한 인공 신경망의 종류 및/또는 구조는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 다양한 종류의 모델의 인공 신경망이 명세서를 통하여 설명하는 '인공 신경망'에 해당할 수 있다. The types and/or structures of the artificial neural networks described in FIGS. 4 and 5 are exemplary, and the inventive concept is not limited thereto. Therefore, artificial neural networks of various kinds of models may correspond to'artificial neural networks' described through the specification.
이하에서는 설명의 편의를 위하여, 인공 신경망이 도 5에서 설명한 순환신경망 모델에 따른 신경망임을 전제로, 서버(100)가 다양한 파라미터 셋으로 인공 신경망을 학습 시켜 학습 결과를 산출하고, 이에 기초하여 최적의 파라미터 셋을 결정하는 방법을 중심으로 설명한다.Hereinafter, for convenience of explanation, assuming that the artificial neural network is a neural network according to the recurrent neural network model described in FIG. 5, the
먼저 본 발명의 일 실시예에 따른 서버(100)는 인공망의 학습에 사용되는 복수의 파라미터 셋을 결정할 수 있다. 전술한 바와 같이 파라미터 셋은 인공 신경망의 구조에 관한 파라미터(즉 구조 파라미터)를 포함하고, 이러한 구조 파라미터의 변경에 따라 학습 결과가 달라질 수 있다.First, the
본 발명의 일 실시예에 따른 서버(100)는 도 6에 도시된 바와 같이 학습에 사용하고자 하는 복수의 파라미터 셋을 결정할 수 있다. 이때 각각의 파라미터 셋은 가령 인공 신경망의 학습 조건에 관한 파라미터 셋인 학습 파라미터 셋과 인공 신경망의 구조에 관한 파라미터 셋인 구조 파라미터 셋을 포함할 수 있다. 이때 학습 파라미터 셋은 동일한 학습 데이터를 이용하여 학습을 반복하는 횟수인 반복 파라미터와 1회의 학습에 사용되는 데이터의 수량에 대응되는 단위 수량 파라미터를 포함할 수 있다. 구조 파라미터의 경우 전술한 바와 같이 인공 신경망의 종류에 따라 인공 신경망의 구조를 결정하는 하나 이상의 파라미터를 포함할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.The
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 수신된 파라미터 값에 기초하여 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 파라미터 셋(Param_Set 1)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제1 파라미터 셋(Param_Set 1)을 결정할 수 있다. The
또한 이와 유사하게, 서버(100)는 사용자 단말(200)로부터 제2 파라미터 셋(Param_Set 2)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제2 파라미터 셋(Param_Set 2)을 결정할 수 있다.Also similarly, the
결정된 파라미터 셋들은 리소스 서버(300)가 인공 신경망을 동시에 및/또는 순차적으로 학습시키는데 사용될수 있다. 물론 이러한 인공 신경망의 학습은 서버(100)의 제어에 따른 것일 수 있다.The determined parameter sets may be used by the
본 발명의 다른 실시예에 따른 서버(100)는 사용자 단말(200)로부터 파라미터의 결정 조건을 수신하고, 이에 따라 다양한 파라미터 셋을 생성할 수도 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 복수의 파라미터의 범위를 포함하는 파라미터 결정 조건을 수신할 수 있다. 예를 들어 서버(100)는 사용자 단말(200)로부터 반복 파라미터가 20 내지 40 이고, 단위 수량 파라미터가 50 내지 100인 파라미터 결정 조건을 수신할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 서버(100)는 수신된 파라미터 결정 조건에 기초하여 제3 파라미터 셋 및 제4 파라미터 셋을 결정할 수 있다. 이때 제3 파라미터 셋과 제4 파라미터 셋은 각각의 파라미터 셋을 구성하는 적어도 하나의 파라미터의 값이 상이할 수 있다. The
선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 소정의 규칙에 따라 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 범위를 수신한 각각의 파라미터에 대해서, 수신된 범위 내에서 파라미터를 무작위(또는 랜덤)로 추출하는 방식으로 파라미터 셋을 결정할 수 있다.In an optional embodiment, the
또 다른 선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 생성 가능한 모든 조합의 파라미터 셋을 생성하는 방식으로 파라미터 셋을 결정할 수 있다. In another optional embodiment, the
가령 파라미터 셋에 포함되는 제1 파라미터의 선택 가능한 가지수가 5가지이고, 제2 파라미터의 선택 가능한 가지수가 10가지인 경우, 서버(100)는 총 50 가지의 파라미터 셋을 생성할 수 있다.For example, when the number of selectable branches of the first parameter included in the parameter set is 5 and the number of selectable branches of the second parameter is 10, the
본 발명의 일 실시예에 따른 서버(100)는 상술한 과정에 의해 결정된 파라미터셋 각각에 대한 인공 신경망의 학습 결과를 산출할 수 있다.The
이를 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)의 가용 상태를 참조하여, 특정 파라미터 셋의 학습 결과를 산출할 제3 프로세서(또는 리소스 서버)를 결정할 수 있다. 가령 서버(100)는 첫 번째 리소스 서버(300A)의 제3-2 프로세서(340A-2)에 대해, 첫 번째 파라미터 셋(도 6의 Param_Set 1)을 이용하여 인공 신경망의 학습 결과를 산출할 것을 요청할 수 있다. Looking at this in more detail, the
본 발명의 일 실시예에 따른 서버(100)는 해당 파라미터 셋(즉 학습을 수행하고자 하는 파라미터 셋)에 포함되는 구조 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. 전술한 바와 같이 구조 파라미터 셋은 인공 신경망의 구조에 관한 정보를 포함하므로, 서버(100)는 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. The
본 발명의 일 실시예에 따른 서버(100)는 생성된 인공 신경망을 결정된 리소스 서버(전술한 과정에 의해 결정된 리소스 서버)에 전송하고, 리소스 서버가 생성된 인공신경망을 학습 파라미터 셋에 따라 학습하도록 요청할 수 있다.The
도 7은 본 발명의 일 실시예에 따른 서버(100)가 복수의 리소스 서버에 대해서 서로 다른 파라미터 셋에 따른 학습의 수행을 요청하는 방법을 설명하기 위한 도면이다.FIG. 7 is a diagram for explaining a method of requesting a
가령 본 발명의 일 실시예에 따른 서버(100)는 첫 번째 리소스 서버에 대해서 도 6의 첫 번째 파라미터 셋(Param_Set 1)에 따라 전체 학습 데이터(400)를 100개씩 나누어 학습하되, 전체 학습 데이터(400)를 20번 반복하여 학습하는 요청(510A)을 전송할 수 있다. 예를 들어 전체 학습 데이터가 총 1000개의 데이터로 구성된 경우, 서버(100)는 첫 번째 리소스 서버에 대해서 1000개의 데이터 중 1회의 학습에 100개씩만 사용하되, 1000개의 데이터를 20번 사용하여 반복학습할 것을 요청할 수 있다. 이때 서버(100)는 첫 번째 파라미터 셋(Param_Set 1)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500A)을 이용하여 학습할 것을 요청할 수 있다. 한편 학습 데이터(400)에 포함되는 개별 데이터 각각은 입력 데이터와 이에 대응되는 출력 데이터를 포함할 수 있다.For example, the
또한 서버(100)는 이와 유사하게, 두 번째 리소스 서버에 대해서 도 6의 두 번째 파라미터 셋(Param_Set 2)에 따라 전체 학습 데이터(400)를 100개씩 나누어 학습하되, 전체 학습 데이터(400)를 30번 반복하여 학습하는 요청(510B)을 전송할 수 있다. 이때 서버(100)는 두 번째 파라미터 셋(Param_Set 2)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500B)을 이용하여 학습할 것을 요청할 수 있다.In addition, similarly, the
물론 서버(100)는 두 번째 리소스 서버에 대해서(두 번째 리소스 서버에 가용 리소스가 충분하다는 전제 하에) 도 6의 세 번째 파라미터 셋(Param_Set 3)에 따라 전체 학습 데이터(400)를 50개씩 나누어 학습하되, 전체 학습 데이터(400)를 40번 반복하여 학습하는 요청(510C)을 전송할 수 있다. 이때 서버(100)는 세 번째 파라미터 셋(Param_Set 3)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500C)을 이용하여 학습할 것을 요청할 수 있다. Of course, the
본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)들을 동시에 전송할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)에 따른 인공 신경망 학습 과정의 적어도 일부가 병렬적으로 수행되도록 리소스 서버(300)에게 요청할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 도 8에 도시된 바와 같이, 소정의 입력 값(600)을 리소스 서버(300)(신경망을 학습시킨 리소스 서버)에 전송하고, 리소스 서버(300)로부터 입력 값에 대한 결과값(610A, 610B, 610C)을 수신할 수 있다. 또한 서버(100)는 수신된 결과값을 평가함으로써, 인공 신경망의 학습 결과를 산출할 수 있다.As shown in FIG. 8, the
이때 '소정의 입력값'은 리소스 서버(300)가 학습에 사용된 학습 데이터에 '입력 값'으로 포함된 데이터와 같은 종류의 데이터를 의미할 수 있다. 즉 '소정의 입력 값'은 인공 신경망의 학습의 정확도를 판단하기 위한 테스트 값으로, 대응되는 출력 값을 미리 알고 있는 값을 의미할 수 있다. 한편 이와 같은 소정의 입력값은 복수일 수 있다.In this case, the'predetermined input value' may mean data of the same type as the data included as the'input value' in the training data used by the
본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)로부터 수신된 결과값(610A, 610B, 610C)과 미리 알고 있는 출력 값을 비교하여, 학습된 인공 신경망의 정확도를 산출할 수 있다. 이때 '정확도'은 인공 신경망의 출력 값과 정답이 차이가 있는 정도를 의미할 수 있다. The
한편 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버로부터 전술한 요청(510A, 510B, 510C)에 따른 학습 수행 과정 중 산출되는 오차율을 수신할 수 있다. 이때 '오차율'은 전술한 학습 데이터(400)에 포함된 입력값에 대한 인공 신경망의 출력값과 학습 데이터(400)에 포함된 출력값(즉 입력값에 대응되는 출력값) 간의 차이가 발생하는 정도를 의미할 수 있다. 리소스 서버(300)는 이러한 오차율이 감소하도록 인공 신경망을 구성하는 적어도 하나의 계수들을 적절히 갱신함으로써 학습이 이루어 지도록 할 수 있다.Meanwhile, the
본 발명의 일 실시예에 따른 서버(100)는 이와 같은 오차율 및 정확도를 포함하는 학습 결과를 산출할 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 학습 결과의 산출에 있어서 복수의 오차율 중 최종 오차율을 사용할 수 있다. 학습 과정에 있어서 오차율은 점차적으로 감소하는 경향을 보이므로, 최종 오차율은 학습 데이터(400)를 이용한 학습 과정의 가장 마지막에 산출되는 오차율을 의미할 수 있다. The
또한 본 발명의 일 실시예에 따른 서버(100)는 복수의 파라미터 셋 각각에 대한 학습 결과 중 소정의 조건을 만족하는 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. In addition, the
가령 본 발명의 일 실시예에 따른 서버(100)는 제1 가중치를 오차율로 나눈 값과 정확도와 제2 가중치가 곱해진 값의 합이 가장 큰 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. 이때 제1 가중치 및 제2 가중치는 사용자에 의해 미리 결정되는 상수일 수 있다.For example, the
선택적 실시예에서, 서버(100)는 정확도가 가장 높은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있고, 오차율이 가장 낮은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In an optional embodiment, the
도 9는 본 발명의 일 실시예에 따른 사용자 단말(200)에 표시되는 화면(900)의 예시이다. 9 is an example of a
본 발명의 일 실시예에 따른 서버(100)는 학습 결과 및/또는 상태에 대한 정보를 제공하는 화면(900)을 사용자 단말(200)에 제공할 수 있다. 이때 화면(900)은 학습(즉 파라미터 셋)의 식별 정보가 표시되는 영역(910), 학습 상태가 표시되는 영역(920) 및 학습 결과가 표시되는 영역(930)을 포함할 수 있다.The
본 발명의 일 실시예에서, 사용자는 학습 결과가 표시되는 영역(930)에 표시되는 학습 결과(즉 복수의 파라미터 셋 각각에 대한 학습 결과)를 참조하여, 최적의 파라미터 셋을 결정할 수도 있다.In an embodiment of the present invention, a user may determine an optimal parameter set by referring to a learning result (ie, a learning result for each of a plurality of parameter sets) displayed in the
도 10은 본 발명의 일 실시예에 따른 서버(100)에 의해 수행되는 인공 신경망의 파라미터 셋을 결정하는 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 9를 함께 참조하여 설명하되, 도 1 내지 도 9에서 설명한 내용과 중복하는 내용의 설명은 생략한다.10 is a flowchart illustrating a method of determining a parameter set of an artificial neural network performed by the
본 발명의 일 실시예에 따른 서버(100)는 인공망의 학습에 사용되는 복수의 파라미터 셋을 결정할 수 있다.(S101) 본 발명의 일 실시예에 따른 서버(100)는 도 6에 도시된 바와 같이 학습에 사용하고자 하는 복수의 파라미터 셋을 결정할 수 있다. 이때 각각의 파라미터 셋은 가령 인공 신경망의 학습 조건에 관한 파라미터 셋인 학습 파라미터 셋과 인공 신경망의 구조에 관한 파라미터 셋인 구조 파라미터 셋을 포함할 수 있다. 이때 학습 파라미터 셋은 동일한 학습 데이터를 이용하여 학습을 반복하는 횟수인 반복 파라미터와 1회의 학습에 사용되는 데이터의 수량에 대응되는 단위 수량 파라미터를 포함할 수 있다. 구조 파라미터의 경우 전술한 바와 같이 인공 신경망의 종류에 따라 인공 신경망의 구조를 결정하는 하나 이상의 파라미터를 포함할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.The
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 수신된 파라미터 값에 기초하여 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 파라미터 셋(Param_Set 1)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제1 파라미터 셋(Param_Set 1)을 결정할 수 있다. The
또한 이와 유사하게, 서버(100)는 사용자 단말(200)로부터 제2 파라미터 셋(Param_Set 2)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제2 파라미터 셋(Param_Set 2)을 결정할 수 있다.Also similarly, the
결정된 파라미터 셋들은 리소스 서버(300)가 인공 신경망을 동시에 및/또는 순차적으로 학습시키는데 사용될수 있다. 물론 이러한 인공 신경망의 학습은 서버(100)의 제어에 따른 것일 수 있다.The determined parameter sets may be used by the
본 발명의 다른 실시예에 따른 서버(100)는 사용자 단말(200)로부터 파라미터의 결정 조건을 수신하고, 이에 따라 다양한 파라미터 셋을 생성할 수도 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 복수의 파라미터의 범위를 포함하는 파라미터 결정 조건을 수신할 수 있다. 예를 들어 서버(100)는 사용자 단말(200)로부터 반복 파라미터가 20 내지 40 이고, 단위 수량 파라미터가 50 내지 100인 파라미터 결정 조건을 수신할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 서버(100)는 수신된 파라미터 결정 조건에 기초하여 제3 파라미터 셋 및 제4 파라미터 셋을 결정할 수 있다. 이때 제3 파라미터 셋과 제4 파라미터 셋은 각각의 파라미터 셋을 구성하는 적어도 하나의 파라미터의 값이 상이할 수 있다. The
선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 소정의 규칙에 따라 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 범위를 수신한 각각의 파라미터에 대해서, 수신된 범위 내에서 파라미터를 무작위(또는 랜덤)로 추출하는 방식으로 파라미터 셋을 결정할 수 있다.In an optional embodiment, the
또 다른 선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 생성 가능한 모든 조합의 파라미터 셋을 생성하는 방식으로 파라미터 셋을 결정할 수 있다. In another optional embodiment, the
가령 파라미터 셋에 포함되는 제1 파라미터의 선택 가능한 가지수가 5가지이고, 제2 파라미터의 선택 가능한 가지수가 10가지인 경우, 서버(100)는 총 50 가지의 파라미터 셋을 생성할 수 있다.For example, when the number of selectable branches of the first parameter included in the parameter set is 5 and the number of selectable branches of the second parameter is 10, the
본 발명의 일 실시예에 따른 서버(100)는 상술한 과정에 의해 결정된 파라미터셋 각각에 대한 인공 신경망의 학습 결과를 산출할 수 있다.(S102)The
이를 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)의 가용 상태를 참조하여, 특정 파라미터 셋의 학습 결과를 산출할 제3 프로세서(또는 리소스 서버)를 결정할 수 있다. 가령 서버(100)는 첫 번째 리소스 서버(300A)의 제3-2 프로세서(340A-2)에 대해, 첫 번째 파라미터 셋(도 6의 Param_Set 1)을 이용하여 인공 신경망의 학습 결과를 산출할 것을 요청할 수 있다. Looking at this in more detail, the
본 발명의 일 실시예에 따른 서버(100)는 해당 파라미터 셋(즉 학습을 수행하고자 하는 파라미터 셋)에 포함되는 구조 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. 전술한 바와 같이 구조 파라미터 셋은 인공 신경망의 구조에 관한 정보를 포함하므로, 서버(100)는 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. The
본 발명의 일 실시예에 따른 서버(100)는 생성된 인공 신경망을 결정된 리소스 서버(전술한 과정에 의해 결정된 리소스 서버)에 전송하고, 리소스 서버가 생성된 인공신경망을 학습 파라미터 셋에 따라 학습하도록 요청할 수 있다.The
다시 도 7을 참조하여, 본 발명의 일 실시예에 따른 서버(100)가 복수의 리소스 서버에 대해서 서로 다른 파라미터 셋에 따른 학습의 수행을 요청하는 방법을 설명한다. 가령 본 발명의 일 실시예에 따른 서버(100)는 첫 번째 리소스 서버에 대해서 도 6의 첫 번째 파라미터 셋(Param_Set 1)에 따라 전체 학습 데이터(400)를 100개씩 나누어 학습하되, 전체 학습 데이터(400)를 20번 반복하여 학습하는 요청(510A)을 전송할 수 있다. 예를 들어 전체 학습 데이터가 총 1000개의 데이터로 구성된 경우, 서버(100)는 첫 번째 리소스 서버에 대해서 1000개의 데이터 중 1회의 학습에 100개씩만 사용하되, 1000개의 데이터를 20번 사용하여 반복학습할 것을 요청할 수 있다. 이때 서버(100)는 첫 번째 파라미터 셋(Param_Set 1)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500A)을 이용하여 학습할 것을 요청할 수 있다. 한편 학습 데이터(400)에 포함되는 개별 데이터 각각은 입력 데이터와 이에 대응되는 출력 데이터를 포함할 수 있다.Referring back to FIG. 7, a method of requesting the
또한 서버(100)는 이와 유사하게, 두 번째 리소스 서버에 대해서 도 6의 두 번째 파라미터 셋(Param_Set 2)에 따라 전체 학습 데이터(400)를 100개씩 나누어 학습하되, 전체 학습 데이터(400)를 30번 반복하여 학습하는 요청(510B)을 전송할 수 있다. 이때 서버(100)는 두 번째 파라미터 셋(Param_Set 2)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500B)을 이용하여 학습할 것을 요청할 수 있다.In addition, similarly, the
물론 서버(100)는 두 번째 리소스 서버에 대해서(두 번째 리소스 서버에 가용 리소스가 충분하다는 전제 하에) 도 6의 세 번째 파라미터 셋(Param_Set 3)에 따라 전체 학습 데이터(400)를 50개씩 나누어 학습하되, 전체 학습 데이터(400)를 40번 반복하여 학습하는 요청(510C)을 전송할 수 있다. 이때 서버(100)는 세 번째 파라미터 셋(Param_Set 3)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500C)을 이용하여 학습할 것을 요청할 수 있다. Of course, the
본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)들을 동시에 전송할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)에 따른 인공 신경망 학습 과정의 적어도 일부가 병렬적으로 수행되도록 리소스 서버(300)에게 요청할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 도 8에 도시된 바와 같이, 소정의 입력 값(600)을 리소스 서버(300)(신경망을 학습시킨 리소스 서버)에 전송하고, 리소스 서버(300)로부터 입력 값에 대한 결과값(610A, 610B, 610C)을 수신할 수 있다. 또한 서버(100)는 수신된 결과값을 평가함으로써, 인공 신경망의 학습 결과를 산출할 수 있다.As shown in FIG. 8, the
이때 '소정의 입력값'은 리소스 서버(300)가 학습에 사용된 학습 데이터에 '입력 값'으로 포함된 데이터와 같은 종류의 데이터를 의미할 수 있다. 즉 '소정의 입력 값'은 인공 신경망의 학습의 정확도를 판단하기 위한 테스트 값으로, 대응되는 출력 값을 미리 알고 있는 값을 의미할 수 있다. 한편 이와 같은 소정의 입력값은 복수일 수 있다.In this case, the'predetermined input value' may mean data of the same type as the data included as the'input value' in the training data used by the
본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)로부터 수신된 결과값(610A, 610B, 610C)과 미리 알고 있는 출력 값을 비교하여, 학습된 인공 신경망의 정확도를 산출할 수 있다. 이때 '정확도'은 인공 신경망의 출력 값과 정답이 차이가 있는 정도를 의미할 수 있다. The
한편 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버로부터 전술한 요청(510A, 510B, 510C)에 따른 학습 수행 과정 중 산출되는 오차율을 수신할 수 있다. 이때 '오차율'은 전술한 학습 데이터(400)에 포함된 입력값에 대한 인공 신경망의 출력값과 학습 데이터(400)에 포함된 출력값(즉 입력값에 대응되는 출력값) 간의 차이가 발생하는 정도를 의미할 수 있다. 리소스 서버(300)는 이러한 오차율이 감소하도록 인공 신경망을 구성하는 적어도 하나의 계수들을 적절히 갱신함으로써 학습이 이루어 지도록 할 수 있다. Meanwhile, the
본 발명의 일 실시예에 따른 서버(100)는 이와 같은 오차율 및 정확도를 포함하는 학습 결과를 산출할 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 학습 결과의 산출에 있어서 복수의 오차율 중 최종 오차율을 사용할 수 있다. 학습 과정에 있어서 오차율은 점차적으로 감소하는 경향을 보이므로, 최종 오차율은 학습 데이터(400)를 이용한 학습 과정의 가장 마지막에 산출되는 오차율을 의미할 수 있다. The
본 발명의 일 실시예에 따른 서버(100)는 복수의 파라미터 셋 각각에 대한 학습 결과 중 소정의 조건을 만족하는 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. (S103) 가령 본 발명의 일 실시예에 따른 서버(100)는 제1 가중치를 오차율로 나눈 값과 정확도와 제2 가중치가 곱해진 값의 합이 가장 큰 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. 이때 제1 가중치 및 제2 가중치는 사용자에 의해 미리 결정되는 상수일 수 있다.The
선택적 실시예에서, 서버(100)는 정확도가 가장 높은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있고, 오차율이 가장 낮은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In an optional embodiment, the
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. The embodiment according to the present invention described above may be implemented in the form of a computer program that can be executed through various components on a computer, and such a computer program may be recorded in a computer-readable medium. In this case, the medium may store a program executable by a computer. Examples of media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magnetic-optical media such as floptical disks, and And a ROM, RAM, flash memory, and the like, and may be configured to store program instructions.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.Meanwhile, the computer program may be specially designed and configured for the present invention, or may be known and usable to those skilled in the computer software field. Examples of the computer program may include not only machine language codes produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 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. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.The specific implementations described in the present invention are examples and do not limit the scope of the present invention in any way. For brevity of the specification, descriptions of conventional electronic configurations, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connection or connection members of the lines between the components shown in the drawings exemplarily represent functional connections and/or physical or circuit connections, and in an actual device, various functional connections that can be replaced or additionally It may be referred to as a connection, or circuit connections. In addition, if there is no specific mention such as "essential", "important", etc., it may not be an essential component for the application of the present invention.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.Accordingly, the spirit of the present invention is limited to the above-described embodiments and should not be defined, and all ranges equivalent to or equivalently changed from the claims to be described later as well as the claims to be described later are the scope of the spirit of the present invention. It will be said to belong to.
100: 서버
110: 통신부
120: 제1 프로세서
130: 메모리
200: 사용자 단말
300: 리소스 서버
400: 통신망100: server
110: communication department
120: first processor
130: memory
200: user terminal
300: resource server
400: communication network
Claims (1)
상기 인공 신경망의 학습에 사용되는 상기 복수의 파라미터 셋을 결정하는 단계;
상기 복수의 파라미터 셋 각각에 대한 상기 인공 신경망의 학습 결과를 산출하는 단계로써, 상기 학습 결과는 상기 인공 신경망의 오차율과 정확도를 포함하고; 및
상기 복수의 파라미터 셋 각각에 대한 학습 결과 중 소정의 조건을 만족하는 파라미터 셋을 상기 최적의 파라미터 셋으로 결정하는 단계를 포함하는 인공 신경망의 파라미터 셋을 결정하는 방법.
Each step is performed by an artificial neural network parameter set determination system implemented as a computing device, and a learning result of the artificial neural network for each of a plurality of parameter sets is calculated, and the optimum of the artificial neural network is based on the calculation result. In the method of determining the parameter set of,
Determining the plurality of parameter sets used for learning the artificial neural network;
Calculating a learning result of the artificial neural network for each of the plurality of parameter sets, wherein the learning result includes an error rate and accuracy of the artificial neural network; And
And determining a parameter set that satisfies a predetermined condition among learning results for each of the plurality of parameter sets as the optimal parameter set.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200161078A KR20200139111A (en) | 2020-11-26 | 2020-11-26 | Method for determining parameter sets of an artificial neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200161078A KR20200139111A (en) | 2020-11-26 | 2020-11-26 | Method for determining parameter sets of an artificial neural network |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180170956A Division KR102190105B1 (en) | 2018-12-27 | 2018-12-27 | Method for determining parameter sets of an artificial neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200139111A true KR20200139111A (en) | 2020-12-11 |
Family
ID=73786579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200161078A KR20200139111A (en) | 2020-11-26 | 2020-11-26 | Method for determining parameter sets of an artificial neural network |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20200139111A (en) |
-
2020
- 2020-11-26 KR KR1020200161078A patent/KR20200139111A/en active Application Filing
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102190103B1 (en) | Method of providing commercialization service of an artificial neural network | |
KR102086815B1 (en) | Method and apparatus for selecting optiaml training model from various tarining models included in neural network | |
KR102386806B1 (en) | Neural Architecture Search | |
US20230252327A1 (en) | Neural architecture search for convolutional neural networks | |
US10956500B2 (en) | Dynamic-length stateful tensor array | |
US11521067B2 (en) | Decentralized distributed deep learning | |
US11861474B2 (en) | Dynamic placement of computation sub-graphs | |
KR102190105B1 (en) | Method for determining parameter sets of an artificial neural network | |
JP7043596B2 (en) | Neural architecture search | |
KR20180069881A (en) | Modify the operation graph | |
US20160147914A1 (en) | Technique for generating approximate design solutions | |
WO2013112618A1 (en) | Systems and methods for graphical layout | |
CN110114784A (en) | Recurrent neural network | |
CN114840322A (en) | Task scheduling method and device, electronic equipment and storage | |
CN115904695A (en) | Method for process allocation on multi-core system | |
KR20210060146A (en) | Method and apparatus for processing data using deep neural network model, method and apparatus for trining deep neural network model | |
CN111931939A (en) | Single-amplitude quantum computation simulation method | |
CN106708875B (en) | Feature screening method and system | |
KR102190100B1 (en) | Method for training of an artificial neural network | |
KR20200139111A (en) | Method for determining parameter sets of an artificial neural network | |
KR20200138688A (en) | Method of providing commercialization service of an artificial neural network | |
KR20200139110A (en) | Method for training of an artificial neural network | |
KR20220109826A (en) | Method and system for lighting artificial intelligence model | |
CN110377769A (en) | Modeling Platform system, method, server and medium based on graph data structure | |
US20220172025A1 (en) | Method of training artificial neural network and method of evaluating pronunciation using the method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent |