KR20210057648A - 딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들 - Google Patents

딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들 Download PDF

Info

Publication number
KR20210057648A
KR20210057648A KR1020200069487A KR20200069487A KR20210057648A KR 20210057648 A KR20210057648 A KR 20210057648A KR 1020200069487 A KR1020200069487 A KR 1020200069487A KR 20200069487 A KR20200069487 A KR 20200069487A KR 20210057648 A KR20210057648 A KR 20210057648A
Authority
KR
South Korea
Prior art keywords
deep learning
version
library
information
libraries
Prior art date
Application number
KR1020200069487A
Other languages
English (en)
Other versions
KR102297576B1 (ko
Inventor
하영국
김철진
박호림
이명재
장성수
황규홍
Original Assignee
건국대학교 산학협력단
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 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Publication of KR20210057648A publication Critical patent/KR20210057648A/ko
Application granted granted Critical
Publication of KR102297576B1 publication Critical patent/KR102297576B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/71—Version control; Configuration management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Stored Programmes (AREA)

Abstract

딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들이 개시된다. 일 실시예에 따른 가상 동작 환경별로 동작하는 딥러닝 라이브러리를 자동으로 관리하는 방법은 복수의 딥러닝 라이브러리에 대한 제1 정보에 기초하여 상기 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리의 버전을 업데이트하는 단계와, 상기 제1 정보 및 상기 하나 이상의 딥러닝 라이브러리가 실행될 딥러닝 서버에 대한 제2 정보에 기초하여 상기 버전에 대응하는 제1 구성을 상기 하나 이상의 딥러닝 라이브러리의 업데이트 버전에 대응하는 제2 구성으로 변경하는 단계를 포함한다.

Description

딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들{METHOD OF MANAGING AUTOMATICALLY A DEEP LEARNING LIBRARY AND APPARATUSES PERFORMING THE SAME}
아래 실시예들은 딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들에 관한 것이다.
최근에는 4차 산업혁명과 함께 인공지능 기술에 대한 많은 관심과 연구가 진행되고 있다. 이러한 추세에 맞춰 다양한 연구단체 및 기업 등에서는 인공지능 기술을 사용할 수 있는 다양한 딥러닝 라이브러리들을 개발 및 배포하고 있다.
딥러닝 라이브러리들은 다양한 사용자들이 많은 관심을 가지고 사용한다. 딥러닝 라이브러리들은 버그이슈 발생 및 수정 등이 매우 활발하게 일어난다. 각 딥러닝 라이브러리 제공 단체들은 많은 이슈들에 대응하며 배포한 라이브러리에 대해 버그픽스 후 재배포, 기능 업데이트를 위한 버전업 등 짧은 기간내에 다양한 이유로 많은 업그레이드를 진행하는 편이다.
각각의 딥러닝 라이브러리들은 사용을 위해 필요로 요구하는 사양들이 제각각 다르며 같은 딥러닝 라이브러리 내에서도 버전이 달라지면 많은 차이가 발생하고 있다. 사용자들이 매번 딥러닝 라이브러리의 버전에 맞춰 자신들의 개발 환경을 수정하는 것은 매우 불필요하고 불편하고 시간적인 낭비가 심한 상황이다.
실시예들은 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리 및 하나 이상의 딥러닝 라이브러리에 대응하는 구성을 자동으로 관리하는 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 가상 동작 환경별로 동작하는 딥러닝 라이브러리를 자동으로 관리하는 장치의 딥러닝 라이브러리 관리 방법은 복수의 딥러닝 라이브러리에 대한 제1 정보에 기초하여 상기 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리의 버전을 업데이트하는 단계와, 상기 제1 정보 및 상기 하나 이상의 딥러닝 라이브러리가 실행될 딥러닝 서버에 대한 제2 정보에 기초하여 상기 버전에 대응하는 제1 구성을 상기 하나 이상의 딥러닝 라이브러리의 업데이트 버전에 대응하는 제2 구성으로 변경하는 단계를 포함한다.
상기 제1 정보는 각 딥러닝 라이브러리의 명칭, 상기 각 딥러닝 라이브러리의 최신 버전 및 상기 최신 버전에 대응하는 구성에 대한 정보를 포함할 수 있다.
상기 제2 정보는 상기 딥러닝 서버의 하드웨어에 대한 정보를 포함할 수 있다.
상기 업데이트하는 단계는 상기 하나 이상의 딥러닝 라이브러리의 버전과 상기 제1 정보 내 상기 하나 이상의 딥러닝 라이브러리의 최신 버전을 비교하여 상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전인지 여부를 판단하는 단계와, 상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전이 아닌 경우, 상기 하나 이상의 딥러닝 라이브러리의 버전을 최신 버전으로 업데이트하는 단계를 포함할 수 있다.
상기 딥러닝 라이브러리 관리 방법은 상기 하나 이상의 딥러닝 라이브러리를 사용할 사용자의 입력 신호에 응답하여 상기 복수의 딥러닝 라이브러리들 중에서 상기 입력 신호에 대응하는 상기 하나 이상의 딥러닝 라이브러리를 검색하는 단계를 더 포함하고, 상기 하나 이상의 딥러닝 라이브러리는 상기 복수의 딥러닝 라이브러리들 중에서 상기 사용자가 사용할 딥러닝 라이브러리일 수 있다.
상기 사용자의 입력 신호는 상기 사용자가 사용할 가상 동작 환경, 상기 사용자가 사용할 딥러닝 라이브러리 및 상기 사용자가 사용할 딥러닝 라이브러리의 버전에 대한 정보를 포함할 수 있다.
상기 제1 구성은 상기 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리일 수 있다.
상기 제2 구성은 상기 업데이트 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리일 수 있다.
상기 변경하는 단계는 상기 제1 구성을 상기 제1 정보 및 상기 제2 정보와 비교하여 상기 제1 구성이 상기 업데이트 버전에 호환 가능한 구성인지 여부를 판단하는 단계와, 상기 제1 구성이 상기 업데이트 버전에 호환 가능하지 않은 경우, 상기 제1 구성을 상기 제2 구성으로 변경하는 단계를 포함할 수 있다.
상기 딥러닝 라이브러리 관리 방법은 상기 업데이트 버전 및 상기 업데이트 버전에 대응하는 구성을 상기 하나 이상의 딥러닝 라이브러리가 실행될 가상 동작 환경에 배포하는 단계를 더 포함할 수 있다.
일 실시예에 따른 가상 동작 환경별로 동작하는 딥러닝 라이브러리를 자동으로 관리하는 장치는 인스트럭션들을 포함하는 메모리와, 상기 인스트럭션들을 실행하기 위한 컨트롤러를 포함하고, 상기 컨트롤러는 복수의 딥러닝 라이브러리에 대한 제1 정보에 기초하여 상기 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리의 버전을 업데이트하고, 상기 제1 정보 및 상기 하나 이상의 딥러닝 라이브러리가 실행될 딥러닝 서버에 대한 제2 정보에 기초하여 상기 버전에 대응하는 제1 구성을 상기 하나 이상의 딥러닝 라이브러리의 업데이트 버전에 대응하는 제2 구성으로 변경한다.
상기 제1 정보는 각 딥러닝 라이브러리의 명칭, 상기 각 딥러닝 라이브러리의 최신 버전 및 상기 최신 버전에 대응하는 구성에 대한 정보를 포함할 수 있다.
상기 제2 정보는 상기 딥러닝 서버의 하드웨어에 대한 정보를 포함할 수 있다.
상기 컨트롤러는 상기 하나 이상의 딥러닝 라이브러리의 버전과 상기 제1 정보 내 상기 하나 이상의 딥러닝 라이브러리의 최신 버전을 비교하여 상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전인지 여부를 판단하고, 상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전이 아닌 경우, 상기 하나 이상의 딥러닝 라이브러리의 버전을 최신 버전으로 업데이트할 수 있다.
상기 컨트롤러는 상기 하나 이상의 딥러닝 라이브러리를 사용할 사용자의 입력 신호에 응답하여 상기 복수의 딥러닝 라이브러리들 중에서 상기 입력 신호에 대응하는 상기 하나 이상의 딥러닝 라이브러리를 검색하고, 상기 하나 이상의 딥러닝 라이브러리는 상기 복수의 딥러닝 라이브러리들 중에서 상기 사용자가 사용할 딥러닝 라이브러리일 수 있다.
상기 사용자의 입력 신호는 상기 사용자가 사용할 가상 동작 환경, 상기 사용자가 사용할 딥러닝 라이브러리 및 상기 사용자가 사용할 딥러닝 라이브러리의 버전에 대한 정보를 포함할 수 있다.
상기 제1 구성은 상기 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리일 수 있다.
상기 제2 구성은 상기 업데이트 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리일 수 있다.
상기 컨트롤러는 상기 제1 구성을 상기 제1 정보 및 상기 제2 정보와 비교하여 상기 제1 구성이 상기 업데이트 버전에 호환 가능한 구성인지 여부를 판단하고, 상기 제1 구성이 상기 업데이트 버전에 호환 가능하지 않은 경우, 상기 제1 구성을 상기 제2 구성으로 변경할 수 있다.
상기 컨트롤러는 상기 업데이트 버전 및 상기 업데이트 버전에 대응하는 구성을 상기 하나 이상의 딥러닝 라이브러리가 실행될 가상 동작 환경에 배포할 수 있다.
도 1은 일 실시예에 따른 딥러닝 라이브러리 관리 시스템의 개략적인 블록도를 나타낸다.
도 2는 도 1의 딥러닝 라이브러리 관리 장치의 개략적인 블록도를 나타낸다.
도 3은 도 2에 도시된 컨트롤러의 버전 업그레이드 동작 및 구성 변경 동작을 설명하기 위한 일 예를 나타낸다.
도 4a는 버전 체크 모듈의 동작을 설명하기 위한 일 예를 나타낸다.
도 4b는 도 4a에 도시된 Table 1을 설명하기 위한 일 예를 나타낸다.
도 4c는 도 4a에 도시된 Table 1_sub를 설명하기 위한 일 예를 나타낸다.
도 5a는 하드웨어 리소스 상태 체크 모듈의 동작을 설명하기 위한 일 예를 나타낸다.
도 5b는 도 5a에 도시된 Table 2을 설명하기 위한 일 예를 나타낸다.
도 6a는 컨테이너 매니저 모듈의 동작을 설명하기 위한 일 예를 나타낸다.
도 6b는 도 6a에 도시된 Table 3을 설명하기 위한 일 예를 나타낸다.
도 6c는 Table 3 내 컨테이너에 대한 상세 정보를 나타내는 Table 3_sub를 설명하기 위한 일 예를 나타낸다.
도 7은 컨테이너 상태 체크 모듈의 동작을 설명하기 위한 일 예를 나타낸다.
도 8은 배포 모듈의 동작을 설명하기 위한 일 예를 나타낸다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
어느 하나의 실시 예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시 예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시 예에 기재한 설명은 다른 실시 예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 딥러닝 라이브러리 관리 시스템의 개략적인 블록도를 나타낸다.
기존에는 하기와 같은 방법을 통해 딥러닝 라이브러리를 사용하였다.
1) 사용자는 사용자가 사용할 딥러닝 라이브러리의 버전을 직접 확인하였다. 예를 들어, 사용자는 Tensorflow 공식 홈페이지에 들어가서 사용자가 사용할 딥러닝 라이브러리의 버전을 확인하였다.
2) 사용자는 사용자의 작업 환경에서 딥러닝 라이브러리를 사용하기 위해서 사용자가 사용할 딥러닝 라이브러리의 버전에 맞는 하드웨어를 직접 설정하였다. 예를 들어, 사용자는 GPU 사용을 위해서 Graphic Driver, CUDA, cudnn 버전에 맞게 하드웨어를 설치하고, 하드웨어의 환경 변수를 설정하였다.
3) 사용자는 사용자의 작업 환경에서 등에서 딥러닝 라이브러리를 사용하기 위해서, 사용자가 사용할 딥러닝 라이브러리의 버전이 실행되기 위해 요구되는 소프트웨어, 프로그램 및 라이브러리를 직접 설정하였다. 이때, 사용자는 사용자가 사용할 개발 언어 및 필요 라이브러리의 버전을 확인하여 소프트웨어, 프로그램 및 라이브러리를 설치하고 소프트웨어, 프로그램 및 라이브러리의 환경 변수를 설정하였다. 예를 들어, 사용자는 python = 3.7을 설치하고, oepncv = 4.2.0.32를 설치한 후 환경 변수를 설정하였다.
4) 사용자는 사용자가 사용하던 딥러닝 라이브러리의 버전이 바뀌는 경우에 직접 1), 2) 및 3)의 과정을 재수행하여 딥러닝 라이브러리를 사용하기 위한 작업 환경을 재설정하였다. 이때, 딥러닝 라이브러리의 버전이 바뀌는(또는 업그레이드되는) 이유는 다양할 수 있다. 예를 들어, 딥러닝 라이브러리는 critical bug issue를 해결한 hotfix update, 전반적인 API 업데이트로 인한 version upgrade, 종속 언어 및 라이브러리 업데이트로 인한 update 등으로 인해 딥러닝 라이브러리의 버전을 업그레이드 해야 한다.
사용자의 서버 또는 PC에서 딥러닝 사용에 쓰이는 GPU가 변경된 경우에도, 기존에는 딥러닝 라이브러리를 사용하기 위해서 변경된 GPU를 사용자의 기존 작업 환경에서 사용이 가능한지 여부(또는 호환이 가능한지 여부)확인해야 했다. 변경된 GPU가 기존 작업 환경에 호환이 되지 않는 경우, 사용자는 1), 2) 및 3)의 과정을 재수행하여 딥러닝 라이브러리를 사용하기 위한 작업 환경을 재설정 해야 했다. 예를 들어, Nvidia 1080 Ti GPU 에서 Nvidia 2080 Ti GPU 로 변경할 경우에는 하드웨어 설정을 바꾸고 그에 맞는 딥러닝 라이브러리 버전으로 딥러닝 라이브러리의 버전을 업그레이드해야 한다. 버전 업그래이드 및 작업 환경 재설정을 수행하지 않는 경우에는 하드웨어 설정과 딥러닝 라이브러리의 버전이 호환되지 않아 딥러닝 라이브러리를 사용할 수 없는 문제점이 있다.
즉, 다양한 딥러닝 라이브러리의 등장은 딥러닝 연구에 많은 도움을 주고 있지만, 사용자가 직접 각각 라이브러리마다 요구하는 프로그램 및 소프트웨어 설치, 하드웨어 설정 등 사용을 위한 세부작업을 해야만 하는 상황이다. 또한, 딥러닝 라이브러리의 빠른 발전으로 인해, 사용자는 딥러닝 라이브러리의 버전을 자주 업그레이드해야 하며 그에 맞는 세부작업 또한 매번 해야 하는 불편함이 있다.
이하에서는 상술한 문제점을 극복하기 위해 가상 동작 환경별로 동작하는 딥러닝 라이브러리를 자동으로 관리할 수 있는 딥러닝 라이브러리 관리 시스템(10)에 관해 설명하도록 한다. 가상 동작 환경은 독립적인 딥러닝 개발 환경을 보정하기 위한 가상의 동작 환경으로, 컨테이너(container), 콘다(conda), 도커(docker) 및 버추얼엔비(virtualenv) 등 다양한 딥러닝 개발 환경일 수 있다. 이하에서는 설명의 편의를 위해서, 가상 동작 환경을 컨테이너로 가정하도록 한다.
딥러닝 라이브러리 관리 시스템(10)은 사용자 장치(100), 딥러닝 라이브러리 정보 제공 장치(300) 및 딥러닝 라이브러리 관리 장치(500)를 포함한다.
사용자 장치(100)는 사용자가 사용하는 장치일 수 있다. 예를 들어, 사용자 장치(100)는 PC(personal computer), 데이터 서버, 또는 휴대용 전자 장치 등 다양한 장치일 수 있다. 휴대용 전자 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 스마트 디바이스(smart device)으로 구현될 수 있다. 이때, 스마트 디바이스는 스마트 워치(smart watch) 또는 스마트 밴드(smart band)로 구현될 수 있다.
사용자 장치(100)는 컨테이너 별로 동작하는 딥러닝 라이브러리를 사용하기 위한 사용자의 입력에 기초하여 사용자의 입력 신호를 생성하고, 사용자의 입력 신호를 딥러닝 라이브러리 관리 장치(500)에 전송할 수 있다.
딥러닝 라이브러리 정보 제공 장치(300)는 딥러닝 라이브러리 에코 시스템으로, 복수의 딥러닝 라이브러리들 각각에 대한 다양한 정보를 딥러닝 라이브러리 관리 장치(500)에 제공할 수 있다. 예를 들어, 딥러닝 라이브러리 에코 시스템은 딥러닝 라이브러리에 대한 정보를 제공하는 다양한 업체의 사이트일 수 있다. 딥러닝 라이브러리는 TensorFlow, Theano, Keras, Caffe, Torch, DL4j(deep learning 4J), MxNet, CNTK(Microsoft Cognitive Toolkit), Lasagne, Big DL 등 다양할 수 있다.
딥러닝 라이브러리 관리 장치(500)는 딥러닝 라이브러리 정보 제공 장치(300)로부터 전송된 정보 및 딥러닝 서버에 대한 정보에 기초하여 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리 및 하나 이상의 딥러닝 라이브러리에 대응하는 구성을 자동으로 관리할 수 있다. 딥러닝 서버는 딥러닝 라이브러리가 실행되고, 딥러닝 라이브러리 관리 장치(500)가 적용되는 서버일 수 있다.
이에, 딥러닝 라이브러리 관리 장치(500)는 사용자가 직접 딥러닝 라이브러리 관리를 수동으로 수행해야 하는 기존의 딥러닝 라이브러리 사용 방법의 불편함을 해결할 수 있다. 딥러닝 라이브러리 관리 장치(500)는 사용자가 직접 딥러닝 라이브러리에 대해 버전을 확인하여 설치할 필요가 없이 자동적으로 사용자의 개발 환경이 최신 상태로 유지되게 할 수 있다. 딥러닝 라이브러리 관리 장치(500)는 기존의 불편함을 해결함에 따라 사용자가 딥러닝 라이브러리를 편리하게 사용 가능하게 하여 사용자가 딥러닝 라이브러리를 관리하지 않고 연구에만 전념할 수 있도록 도움을 줄 수 있다. 딥러닝 라이브러리 관리 장치(500)는 사용자가 딥러닝 라이브러리 관리에 필요한 작업 비용 및 시간을 소모하지 않고 쉽고 편리하게 딥러닝 라이브러리를 사용하게 할 수 있다. 따라서, 사용자는 사용할 딥러닝 서비스에 필요한 세부 작업(하드웨어, 소프트웨어, 프로그램 및 라이브러리 관리)을 직접 수행할 필요 없이 편리하고 유용하게 사용할 수 있다.
딥러닝 라이브러리 관리 장치(500)가 딥러닝 서버와 독립적으로 구현 가능하지만, 이에 한정하는 것은 아니다. 예를 들어, 딥러닝 라이브러리 관리 장치(500)는 딥러닝 서버에 포함되어 구현되거나 딥러닝 서버일 수 있다.
이하에서는 설명의 편의를 위해서 복수의 딥러닝 라이브러리들 각각에 대한 다양한 정보를 제1 정보로 명명하고, 딥러닝 서버(500)에 대한 정보를 제2 정보로 명명하도록 한다.
도 2는 도 1의 딥러닝 라이브러리 관리 장치의 개략적인 블록도를 나타낸다.
딥러닝 라이브러리 관리 장치(500)는 메모리(510) 및 컨트롤러(530)를 포함할 수 있다.
메모리(510)는 컨트롤러(330)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 컨트롤러(530)의 동작 및/또는 컨트롤러(330)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
컨트롤러(530)는 메모리(510)에 저장된 데이터를 처리할 수 있다. 컨트롤러(530)는 메모리(510)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 컨트롤러(530)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
컨트롤러(530)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
컨트롤러(530)는 딥러닝 라이브러리 관리 장치(500)의 전반적인 동작을 제어할 수 있다. 예를 들어, 컨트롤러(530)는 메모리(510)의 동작을 제어할 수 있다.
컨트롤러(530)는 제1 정보에 기초하여 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리의 버전을 업데이트할 수 있다.
예를 들어, 컨트롤러(530)는 사용자의 입력 신호에 응답하여 복수의 딥러닝 라이브러리들 중에서 사용자의 입력 신호에 대응하는 하나 이상의 딥러닝 라이브러리를 검색할 수 있다. 사용자의 입력 신호는 사용자가 사용할 컨테이너 및 딥러닝 라이브러리에 대한 정보를 포함할 수 있다. 예를 들어, 입력 신호는 사용자가 사용할 딥러닝 라이브러리, 사용자가 사용할 딥러닝 라이브러리의 버전, 개발에 사용할 개발 언어 및 사용자가 사용할 컨테이너에 대한 정보를 포함할 수 있다. 사용자가 사용할 컨테이너에 대한 정보는 ID 및/또는 명칭(ID and/or names)일 수 있다. 예를 들어, 사용자의 입력 신호는 "DLLM <컨테이너 ID or Names> <lang=python> <tensorflow=2.1> <pytorch=1.4> <etc>"일 수 있다. 이때, 개발 언어는 python이고, 딥러닝 라이브러리는 tensorflow 및 pytorch이고, tensorflow의 버전은 2.1 버전이고, pytorch의 버전은 1.4 버전일 수 있다.
컨트롤러(530)는 하나 이상의 딥러닝 라이브러리의 버전과 제1 정보 내 하나 이상의 딥러닝 라이브러리의 최신 버전을 비교하여 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전인지 여부를 판단할 수 있다. 하나 이상의 딥러닝 라이브러리는 복수의 딥러닝 라이브러리들 중에서 사용자의 입력 신호에 대응하는 딥러닝 라이브러리로, 사용자가 사용할 딥러닝 라이브러리일 수 있다. 하나 이상의 딥러닝 라이브러리에 대응하는 구성은 하나 이상의 딥러닝 라이브러리가 실행되기 위해 필요한 구성으로, 하나 이상의 딥러닝 라이브러리에 호환 가능한 구성일 수 있다. 제1 정보는 각 딥러닝 라이브러리의 명칭, 각 딥러닝 라이브러리의 버전 및 버전에 대응하는 구성에 대한 정보일 수 있다. 각 딥러닝 라이브러리의 버전에 대한 정보는 각 딥러닝 라이브러리에 대한 모든 버전 정보일 수 있다. 모든 버전 정보는 최신 버전 및 구형 버전에 대한 정보일 수 있다. 각 딥러닝 라이브러리의 버전에 대응하는 구성에 대한 정보는 각 딥러닝 라이브러리의 복수의 버전들 각각에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리 등에 대한 정보일 수 있다.
하나 이상의 딥러닝 라이브러리의 버전이 최신 버전이 아닌 경우, 컨트롤러(530)는 하나 이상의 딥러닝 라이브러리의 버전을 제1 정보 내 하나 이상의 딥러닝 라이브러리의 최신 버전으로 업데이트할 수 있다.
컨트롤러(530)는 제1 정보 및 제2 정보에 기초하여 업데이트 전 하나 이상의 딥러닝 라이브러리의 버전에 대응하는 제1 구성을 하나 이상의 딥러닝 라이브러리의 업데이트 버전(또는 최신 버전)에 대응하는 제2 구성으로 변경할 수 있다. 제2 정보는 하나 이상의 딥러닝 라이브러리의 업데이트 버전이 실행될 딥러닝 서버의 하드웨어에 대한 정보를 포함할 수 있다.
예를 들어, 컨트롤러(530)는 제1 구성을 제1 정보 및 제2 정보와 비교하여 제1 구성이 하나 이상의 딥러닝 라이브러리의 업데이트 버전에 호환 가능한 구성인지 여부를 판단할 수 있다. 제1 구성은 업데이트 전 하나 이상의 딥러닝 라이브러리의 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리(또는 업데이트 전 하나 이상의 딥러닝 라이브러리의 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리에 대한 정보)일 수 있다. 제2 구성은 하나 이상의 딥러닝 라이브러리의 업데이트 버전(또는 최신 버전)에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리(또는 하나 이상의 딥러닝 라이브러리의 업데이트 버전(또는 최신 버전)에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리에 대한 정보)일 수 있다.
제1 구성이 하나 이상의 딥러닝 라이브러리의 업데이트 버전에 호환 가능하지 않은 경우, 컨트롤러(530)는 판단 결과에 기초하여 제1 구성을 제2 구성으로 변경할 수 있다.
컨트롤러(530)는 하나 이상의 딥러닝 라이브러리의 업데이트 버전 및 업데이트 버전에 대응하는 구성을 업데이트된 하나 이상의 딥러닝 라이브러리가 실행될 컨테이너에 배포할 수 있다.
컨트롤러(530)가 사용자가 사용할 딥러닝 라이브러리를 업데이트하고, 업데이트된 딥러닝 라이브러리에 대응하는 구성을 업데이트 버전에 대응하는 구성으로 변경하지만, 이에 한정하는 것은 아니다. 예를 들어, 컨트롤러(530)는 딥러닝 서버 내 구축된 컨테이너들 내 모든 딥러닝 라이브러리들의 버전을 주기적으로 업데이트하고, 업데이트되기 각 딥러닝 라이브러리에 대응하는 구성을 각 딥러닝 라이브러리의 업데이트 버전에 대응하는 구성으로 변경할 수 있다.
이하에서는 설명의 편의를 위해서 딥러닝 라이브러리 관리 장치(500)를 딥러닝 서버로 가정하고, 딥러닝 서버에 구축된 컨테이너 내 모든 딥러닝 라이브러리가 버전 관리 및 구성 변경이 수행된다고 가정하도록 한다.
도 3은 도 2에 도시된 컨트롤러의 버전 업그레이드 동작 및 구성 변경 동작을 설명하기 위한 일 예를 나타낸다.
도 2에 설명된 컨트롤러(530)의 동작은 딥러닝 서버의 모듈화된 세부 구성이 동일하게 수행하고, 하기에 설명되는 딥러닝 서버의 세부 구성의 동작은 컨트롤러(530)가 수행할 수 있다. 예를 들어, 딥러닝 서버는 버전 체크 모듈(version check module; 531), 컨테이너 상태 체크 모듈(all container state check module; 533), 하드웨어 리소스 상태 체크 모듈(hardware resource state check module; 535), 컨테이너 매니저 모듈(container manager module; 537), 배포 모듈(deployment module; 539)로 구성될 수 있다.
딥러닝 서버는 버전 체크 모듈(531) 및 컨테이너 상태 체크 모듈(533)을 통해 기 설정된 시간에 따라 주기별로 딥러닝 라이브러리의 버전을 확인하여 버전 업그레이드(또는 버전 관리)를 자동적으로 수행할 수 있다. 이에, 사용자는 직접 딥러닝 라이브러리에 대해 버전을 확인하여 설치할 필요가 없다.
예를 들어, 딥러닝 서버는 버전 체크 모듈(version check module; 531)을 통해 딥러닝 라이브러리 정보 제공 장치(300)로부터 주기적으로 제1 정보를 수신 및 저장하여 각 딥러닝 라이브러리에 대한 제1 정보를 최신으로 유지할 수 있다. 딥러닝 서버는 컨테이너 상태 체크 모듈(533)을 통해 컨테이너 별로 사용하는 딥러닝 라이브러리 버전을 확인할 수 있다. 컨테이너의 딥러닝 라이브러리 버전이 최신 버전이 아닌 경우, 딥러닝 서버는 컨테이너의 딥러닝 라이브러리 버전을 최신 버전으로 업그레이드를 해주며, 업그레이드된 버전에 맞는(또는 업그레이드된 버전에 호환 가능한) 하드웨어, 소프트웨어, 프로그램 및/또는 라이브러리 설정과 배포를 자동으로 수행할 수 있다.
딥러닝 라이브러리의 버전이 업그레이드되거나 딥러닝 서버(500)의 하드웨어가 변경되는 경우, 딥러닝 서버는 버전 체크 모듈(531), 하드웨어 리소스 상태 체크 모듈(535) 및 컨테이너 상태 체크 모듈(533)을 통해 주기별로 하드웨어 설정(또는 버전)을 확인하고 업그레이드된 딥러닝 라이브러리와의 호환성을 확인하여 개발 환경을 최신 상태로 유지시켜 줄 수 있다. 이에, 사용자 또는 서버 관리자는 직접 하드웨어 설정을 확인하여 설정 변경할 필요가 없다.
예를 들어, 딥러닝 서버는 버전 체크 모듈(531)을 통해 주기적으로 각 딥러닝 라이브러리에 호환 가능한 하드웨어에 대한 최신 정보를 유지할 수 있다.
딥러닝 서버는 하드웨어 리소스 상태 체크 모듈(535)을 통해 주기적으로 현재 딥러닝 서버(500)의 하드웨어에 대한 최신 정보를 유지할 수 있다.
딥러닝 서버는 컨테이너 상태 체크 모듈(533)을 통해 딥러닝 라이브러리가 업그레이드 되거나 딥러닝 서버의 하드웨어가 변경된 경우에 업그레이드된 딥러닝 라이브러리와 딥러닝 서버의 하드웨어 간의 호환성을 확인하여 그에 맞는 하드웨어 설정 변경을 자동으로 수행할 수 있다.
딥러닝 라이브러리의 버전이 바뀌거나 딥러닝 라이브러리에 호화 가능한 소프트웨어, 프로그램 및 라이브러리의 버전이 바뀐 경우, 딥러닝 서버는 버전 체크 모듈(531) 및 컨테이너 상태 체크 모듈(533)을 통해 주기별로 소프트웨어, 프로그램 및 라이브러리 설정의 버전을 확인하여 개발 환경을 최신 상태로 유지시켜 줄 수 있다. 이에, 사용자는 직접 소프트웨어, 프로그램 및 라이브러리 설정을 확인하여 설치 및 변경할 필요가 없다.
예를 들어, 딥러닝 서버는 버전 체크 모듈(531)을 통해 주기적으로 각 딥러닝 라이브러리에 호환 가능한 소프트웨어, 프로그램 및 라이브러리에 대한 최신 정보를 유지할 수 있다.
딥러닝 라이브러리가 업그레이드 되거나 딥러닝 라이브러리에 맞는 소프트웨어, 프로그램 및 라이브러리의 버전이 변경된 경우, 딥러닝 서버는 컨테이너 상태 체크 모듈(533)을 통해 딥러닝 라이브러리와 소프트웨어, 프로그램 및 라이브러리 간의 호환성을 확인하여 그에 맞는 소프트웨어, 프로그램 및 라이브러리의 설치 및 설정 변경을 자동으로 수행할 수 있다.
딥러닝 서버는 딥러닝 라이브러리 매니지먼트(Deep Learning Library Management) 및 컨테이너 상태 체크 모듈(533)을 통해 업데이트된 딥러닝 라이브러리 및 업데이트된 딥러닝 라이브러리에 호환 가능한 구성으로 변경된 구성에 대한 정보를 배포할 수 있다.
예를 들어, 딥러닝 서버는 딥러닝 라이브러리 매니지먼트에서 각 딥러닝 라이브러리의 버전, 각 딥러닝 라이브러리에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리의 버전을 확인하고 딥러닝 라이브러리 정보 제공 장치(300)로부터 딥러닝 개발에 필요한 파일들에 대하여 배포를 받아 딥러닝 라이브러리 매니지먼트에 저장하여 관리할 수 있다.
딥러닝 서버는 컨테이너 상태 체크 모듈(533)을 통해 버전 관리 자동화, 하드웨어 설정 자동화, 소프트웨어, 프로그램 및 라이브러리 설정 자동화를 수행하고, 각 컨테이너에 필요한 파일들을 배포할 수 있다. 이때, 컨테이너 상태 체크 모듈(533)은 먼저 하드웨어 설정에 필요한 정보를 배포한 후 소프트웨어, 프로그램 및 라이브러리 설정에 필요한 정보를 배포할 수 있다. 컨테이너 상태 체크 모듈(533)은 마지막으로 딥러닝 라이브러리 설정에 필요한 정보를 배포할 수 있다.
도 4a는 버전 체크 모듈의 동작을 설명하기 위한 일 예를 나타내고, 도 4b는 도 4a에 도시된 Table 1을 설명하기 위한 일 예를 나타내고, 도 4c는 도 4a에 도시된 Table 1_sub를 설명하기 위한 일 예를 나타낸다.
도 4a 내지 도 4c를 참조하면, 버전 체크 모듈(531)은 주기적으로 딥러닝 라이브러리 정보 제공 장치(300)에 접근하여 각 딥러닝 라이브러리에 대한 version, install url, version-state에 대한 정보를 포함하는 제1 정보를 확인 및 수신할 수 있다.
버전 체크 모듈(531)은 딥러닝 라이브러리 정보 제공 장치(300)로부터 전송된 제1 정보 내 각 딥러닝 라이브러리에 대한 정보에 기초하여 Table 1을 생성 및 갱신(업데이트)함으로써, 각 딥러닝 라이브러리에 대한 정보를 최신으로 유지할 수 있다. Table 1은 도 4b와 같이 각 딥러닝 라이브러리와 각 딥러닝 라이브러리와 각 딥러닝 라이브러리에 대응하는 복수의 버전들에 대한 정보가 매칭되어 리스트화된 정보를 포함할 수 있다.
버전 체크 모듈(531)은 제1 정보 내 각 딥러닝 라이브러리에 대응하는 구성에 대한 정보에 기초하여 각 딥러닝 라이브러리의 복수의 버전들 각각에 맞는 하드웨어, 소프트웨어, 프로그램 및 라이브러리에 대한 version, install url을 확인하여 Table 1_Sub를 생성 및 갱신할 수 있다. 예를 들어, Table 1_sub은 도 4c와 같이 각 딥러닝 라이브러리의 복수의 버전들 각각과 각 버전에 맞는 하드웨어, 소프트웨어, 프로그램 및 라이브러리에 대한 정보가 매칭되어 리스트화된 정보를 포함할 수 있다.
딥러닝 서버의 딥러닝 라이브러리 매니지먼트는 딥러닝 라이브러리 정보 제공 장치(300), 제1 정보, Table 1 및 Table 1_sub를 관리할 수 있다.
도 5a는 하드웨어 리소스 상태 체크 모듈의 동작을 설명하기 위한 일 예를 나타내고, 도 5b는 도 5a에 도시된 Table 2을 설명하기 위한 일 예를 나타낸다.
도 5a 및 도 5b를 참조하면, 하드웨어 리소스 상태 체크 모듈(535)은 주기적으로 딥러닝 서버의 딥러닝 서버 하드웨어 리소스(deep learning server hardware resource)로부터 전송된 딥러닝 서버의 하드웨어 정보를 확인 및 수신할 수 있다. 하드웨어 리소스 상태 체크 모듈(535)이 딥러닝 서버의 GPU, CPU, Storage, RAM 등 다양한 하드웨어 정보를 확인 및 수신하지만, 딥러닝 라이브러리에 가장 큰 영향을 미치는 하드웨어는 딥러닝 서버의 GPU일 수 있다.
하드웨어 리소스 상태 체크 모듈(535)은 수신된 딥러닝 서버의 하드웨어 정보에 기초하여 Table 2를 생성 및 갱신하여 딥러닝 서버의 하드웨어에 대한 정보를 최신으로 유지할 수 있다. Table 2는 도 5b와 같이 딥러닝 서버의 각 하드웨어의 이름, 타입 등이 매칭되어 리스트화된 정보를 포함할 수 있다.
도 6a는 컨테이너 매니저 모듈의 동작을 설명하기 위한 일 예를 나타내고, 도 6b는 도 6a에 도시된 Table 3을 설명하기 위한 일 예를 나타내고, 도 6c는 Table 3 내 컨테이너에 대한 상세 정보를 나타내는 Table 3_sub를 설명하기 위한 일 예를 나타낸다.
도 6a 내지 도 6b를 참조하면, 컨테이너 매니저 모듈(537)은 딥러닝 서버에 구축된 컨테이너에 대한 환경 정보에 기초하여 Table 3을 생성 및 갱신할 수 있다. 컨테이너 매니저 모듈(537)은 주기적으로 Table 3에 포함된 컨테이너 공간이 딥러닝 서버에 존재하는지 확인하고, 컨테이너가 딥러닝 서버에서 확인되지 않는 경우에 확인되지 않는 컨테이너를 Table 3에서 삭제할 수 있다. 이에, 컨테이너 매니저 모듈(537)은 Table 3의 컨테이너 목록을 최신 상태로 유지할 수 있다. 컨테이너에 대한 환경 정보는 컨테이너의 ID 및 명칭(name)이고, Table 3은 도 6b와 같이 컨테이너 ID, 명칭 및 인덱스 번호가 매칭되어 리스트화된 정보를 포함할 수 있다.
도 6c 내지 도 6d를 참조하면, 컨테이너 매니저 모듈(537)은 각 컨테이너 내부에서 백그라운드로 동작하며 주기적으로 각 컨테이너 내부의 딥러닝 라이브러리, 소프트웨어, 프로그램 및 라이브러리 정보를 확인하여 Table 3_sub를 생성 및 갱신할 수 있다. 이때, 컨테이너 매니저 모듈(537)은 컨테이너 상태 매니저 모듈(container state manager module)일 수 있다. Table 3_sub는 도 6d와 같이 각 딥러닝 라이브러리의 명칭, 버전, 및 타입이 매칭되어 리스트화된 정보를 포함할 수 있다. 이에, 사용자가 컨테이너 내부에서 임의로 또는 실수로 딥러닝 라이브러리, 소프트웨어, 프로그램 및 라이브러리의 버전을 업그레이드하거나 변경한 경우, 컨테이너 매니저 모듈(537)은 각 컨테이너 내부의 딥러닝 라이브러리, 소프트웨어, 프로그램 및 라이브러리 정보를 관리할 수 있다.
딥러닝 서버와 딥러닝 라이브러리의 stable 한 버전이 맞지 않는 경우, 컨테이너 매니저 모듈(537)은 딥러닝 라이브러리 기준으로 실행될 딥러닝 라이브러리에 대한 다양한 정보를 재배포할 수 있다.
도 7은 컨테이너 상태 체크 모듈의 동작을 설명하기 위한 일 예를 나타낸다.
컨테이너 상태 체크 모듈(533)은 Table 3 내(또는 딥러닝 서버에 구축된) 각 컨테이너에 대한 Table 3_sub를 이용하여 주기적으로 컨테이너들에 대한 정보가 변경되었는지 여부를 판단하고, 그에 맞는 배포를 수행할 수 있다. 이때, 컨테이너 상태 체크 모듈(533)은 Table 1, Table 1_sub 및 Table 2에 기초하여 정보 변경 여부를 판단할 수 있다.
예를 들어, 컨테이너 상태 체크 모듈(533)은 갱신된 Table 1과 각 컨테이너 내 모든 딥러닝 라이브러리의 버전 정보를 비교하여 딥러닝 라이브러리가 최신 stable한 버전으로 변경되었는지 여부를 판단할 수 있다. 딥러닝 라이브러리의 버전이 변경된 경우, 컨테이너 상태 체크 모듈(533)은 Table 1에 기초하여 버전 업그레이드를 위한 딥러닝 라이브러리 배포를 수행할 수 있다.
컨테이너 상태 체크 모듈(533)은 갱신된 Table 2와 각 컨테이너 내 딥러닝 서버의 하드웨어 정보를 비교하여 딥러닝 서버의 하드웨어가 변경되었는지 여부를 판단할 수 있다. 딥러닝 서버의 하드웨어가 변경된 경우, 컨테이너 상태 체크 모듈(533)은 Table 2에 기초하여 하드웨어 호환성 확인 및 설정 변경을 위한 하드웨어 설정 배포를 수행할 수 있다.
컨테이너 상태 체크 모듈(533)은 갱신된 Table 1_sub와 각 컨테이너 내 모든 딥러닝 라이브러리에 대응하는 구성을 비교하여 딥러닝 라이브러리에 대응하는 구성이 변경되었는지 여부를 판단할 수 있다. 딥러닝 라이브러리에 대응하는 구성이 변경된 경우, 컨테이너 상태 체크 모듈(533)은 Table 1_sub에 기초하여 구성 호환 확인 및 설정 변경을 위한 구성 설정 배포를 수행할 수 있다.
도 8은 배포 모듈의 동작을 설명하기 위한 일 예를 나타낸다.
배포 모듈(539)은 딥러닝 서버의 하드웨어 변경 및/또는 딥러닝 라이브러리 업그레이드로 인해 딥러닝 서버에 적합한 딥러닝 라이브러리를 설치 및 실행하기 위한 배포 동작을 수행할 수 있다.
먼저, 배포 모듈(539)은 딥러닝 서버에 적합한 딥러닝 라이브러리에 대응하는(또는 매칭되는) 하드웨어 배포 동작을 수행할 수 있다. 예를 들어, 배포 모듈(539)은 Table 2를 통해 현재 딥러닝 서버의 하드웨어 정보를 확인하여 딥러닝 서버의 하드웨어에 적합한 딥러닝 라이브러리를 확인할 수 있다. 배포 모듈(539)은 딥러닝 서버에 적합한 딥러닝 라이브러리의 Table 1_sub의 LOC를 통해 딥러닝 서버에 적합한 딥러닝 라이브러리에 대응하는 하드웨어 배포 파일(Type==HW)을 확인할 수 있다. 배포 모듈(539)은 확인된 하드웨어 배포 파일에 대한 설치 및 설정 값 세팅을 수행하여 하드웨어 배포 파일을 배포(또는 설치)할 수 있다. LOC의 하드웨어 배포 파일을 사용할 수 없는 경우, 배포 모듈(539)은 Table 1_sub의 url을 이용하여 하드웨어 배포 파일을 직접 배포할 수 있다.
이후에, 배포 모듈(539)은 딥러닝 서버에 적합한 딥러닝 라이브러리에 대응하는 소프트웨어, 프로그램 및 라이브러리 배포 동작을 수행할 수 있다. 예를 들어, 배포 모듈(539)은 하드웨어 설정 배포가 완료된 후 현재 딥러닝 서버에 적합한 딥러닝 라이브러리의 Table 1_sub의 LOC를 통해 딥러닝 서버에 적합한 딥러닝 라이브러리에 대응하는 소프트웨어, 프로그램 및 라이브러리 배포 파일(Type==SW)을 확인할 수 있다. 배포 모듈(539)은 확인된 소프트웨어, 프로그램 및 라이브러리 배포 파일에 대한 설치 및 설정 값 세팅을 수행하여 소프트웨어, 프로그램 및 라이브러리 배포 파일을 배포(또는 설치)할 수 있다. LOC의 소프트웨어, 프로그램 및 라이브러리 배포 파일을 사용할 수 없는 경우, 배포 모듈(539)은 Table 1_sub의 url을 이용하여 소프트웨어, 프로그램 및 라이브러리 배포 파일을 직접 배포할 수 있다.
마지막으로, 배포 모듈(539)은 딥러닝 서버에 적합한 딥러닝 라이브러리 배포 동작을 수행할 수 있다. 예를 들어, 배포 모듈(539)은 하드웨어, 소프트웨어, 프로그램 및 라이브러리 설정 배포가 완료된 후 Table 2를 통해 딥러닝 라이브러리에 적합한 딥러닝 라이브러리를 확인할 수 있다. 배포 모듈(539)은 딥러닝 서버에 적합한 딥러닝 라이브러리의 Table 1_sub의 LOC를 통해 딥러닝 서버에 적합한 딥러닝 라이브러리 배포 파일을 확인할 수 있다. 배포 모듈(539)은 확인된 딥러닝 라이브러리 배포 파일을 배포(또는 설치)할 수 있다. LOC의 딥러닝 라이브러리 배포 파일을 사용할 수 없는 경우, 배포 모듈(539)은 Table 1_sub의 url을 이용하여 딥러닝 라이브러리 배포 파일을 직접 배포할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (20)

  1. 가상 동작 환경별로 동작하는 딥러닝 라이브러리를 자동으로 관리하는 방법에 있어서,
    복수의 딥러닝 라이브러리에 대한 제1 정보에 기초하여 상기 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리의 버전을 업데이트하는 단계; 및
    상기 제1 정보 및 상기 하나 이상의 딥러닝 라이브러리가 실행될 딥러닝 서버에 대한 제2 정보에 기초하여 상기 버전에 대응하는 제1 구성을 상기 하나 이상의 딥러닝 라이브러리의 업데이트 버전에 대응하는 제2 구성으로 변경하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 제1 정보는,
    각 딥러닝 라이브러리의 명칭, 상기 각 딥러닝 라이브러리의 최신 버전 및 상기 최신 버전에 대응하는 구성에 대한 정보를 포함하는, 방법.
  3. 제2항에 있어서,
    상기 제2 정보는 상기 딥러닝 서버의 하드웨어에 대한 정보를 포함하는, 방법.
  4. 제3항에 있어서,
    상기 업데이트하는 단계는,
    상기 하나 이상의 딥러닝 라이브러리의 버전과 상기 제1 정보 내 상기 하나 이상의 딥러닝 라이브러리의 최신 버전을 비교하여 상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전인지 여부를 판단하는 단계; 및
    상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전이 아닌 경우, 상기 하나 이상의 딥러닝 라이브러리의 버전을 최신 버전으로 업데이트하는 단계
    를 포함하는, 방법.
  5. 제4항에 있어서,
    상기 하나 이상의 딥러닝 라이브러리를 사용할 사용자의 입력 신호에 응답하여 상기 복수의 딥러닝 라이브러리들 중에서 상기 입력 신호에 대응하는 상기 하나 이상의 딥러닝 라이브러리를 검색하는 단계
    를 더 포함하고,
    상기 하나 이상의 딥러닝 라이브러리는,
    상기 복수의 딥러닝 라이브러리들 중에서 상기 사용자가 사용할 딥러닝 라이브러리인, 방법.
  6. 제5항에 있어서,
    상기 사용자의 입력 신호는,
    상기 사용자가 사용할 가상 동작 환경, 상기 사용자가 사용할 딥러닝 라이브러리 및 상기 사용자가 사용할 딥러닝 라이브러리의 버전에 대한 정보를 포함하는, 방법.
  7. 제1항에 있어서,
    상기 제1 구성은 상기 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리인, 방법.
  8. 제7항에서,
    상기 제2 구성은 상기 업데이트 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리인, 방법.
  9. 제8항에 있어서,
    상기 변경하는 단계는,
    상기 제1 구성을 상기 제1 정보 및 상기 제2 정보와 비교하여 상기 제1 구성이 상기 업데이트 버전에 호환 가능한 구성인지 여부를 판단하는 단계; 및
    상기 제1 구성이 상기 업데이트 버전에 호환 가능하지 않은 경우, 상기 제1 구성을 상기 제2 구성으로 변경하는 단계
    를 포함하는, 방법.
  10. 제1항에 있어서,
    상기 업데이트 버전 및 상기 업데이트 버전에 대응하는 구성을 상기 하나 이상의 딥러닝 라이브러리가 실행될 가상 동작 환경에 배포하는 단계
    를 더 포함하는, 방법.
  11. 가상 동작 환경별로 동작하는 딥러닝 라이브러리를 자동으로 관리하는 장치에 있어서,
    인스트럭션들을 포함하는 메모리; 및
    상기 인스트럭션들을 실행하기 위한 컨트롤러
    를 포함하고,
    상기 컨트롤러는,
    복수의 딥러닝 라이브러리에 대한 제1 정보에 기초하여 상기 복수의 딥러닝 라이브러리들 중에서 하나 이상의 딥러닝 라이브러리의 버전을 업데이트하고, 상기 제1 정보 및 상기 하나 이상의 딥러닝 라이브러리가 실행될 딥러닝 서버에 대한 제2 정보에 기초하여 상기 버전에 대응하는 제1 구성을 상기 하나 이상의 딥러닝 라이브러리의 업데이트 버전에 대응하는 제2 구성으로 변경하는, 장치.
  12. 제11항에 있어서,
    상기 제1 정보는,
    각 딥러닝 라이브러리의 명칭, 상기 각 딥러닝 라이브러리의 최신 버전 및 상기 최신 버전에 대응하는 구성에 대한 정보를 포함하는, 장치.
  13. 제12항에 있어서,
    상기 제2 정보는 상기 딥러닝 서버의 하드웨어에 대한 정보를 포함하는, 장치.
  14. 제13항에 있어서,
    상기 컨트롤러는,
    상기 하나 이상의 딥러닝 라이브러리의 버전과 상기 제1 정보 내 상기 하나 이상의 딥러닝 라이브러리의 최신 버전을 비교하여 상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전인지 여부를 판단하고, 상기 하나 이상의 딥러닝 라이브러리의 버전이 최신 버전이 아닌 경우, 상기 하나 이상의 딥러닝 라이브러리의 버전을 최신 버전으로 업데이트하는, 장치.
  15. 제14항에 있어서,
    상기 컨트롤러는,
    상기 하나 이상의 딥러닝 라이브러리를 사용할 사용자의 입력 신호에 응답하여 상기 복수의 딥러닝 라이브러리들 중에서 상기 입력 신호에 대응하는 상기 하나 이상의 딥러닝 라이브러리를 검색하고,
    상기 하나 이상의 딥러닝 라이브러리는,
    상기 복수의 딥러닝 라이브러리들 중에서 상기 사용자가 사용할 딥러닝 라이브러리인, 장치.
  16. 제15항에 있어서,
    상기 사용자의 입력 신호는,
    상기 사용자가 사용할 가상 동작 환경, 상기 사용자가 사용할 딥러닝 라이브러리 및 상기 사용자가 사용할 딥러닝 라이브러리의 버전에 대한 정보를 포함하는, 장치.
  17. 제11항에 있어서,
    상기 제1 구성은 상기 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리인, 장치.
  18. 제17항에서,
    상기 제2 구성은 상기 업데이트 버전에 호환 가능한 하드웨어, 소프트웨어, 프로그램 및 라이브러리인, 장치.
  19. 제18항에 있어서,
    상기 컨트롤러는,
    상기 제1 구성을 상기 제1 정보 및 상기 제2 정보와 비교하여 상기 제1 구성이 상기 업데이트 버전에 호환 가능한 구성인지 여부를 판단하고, 상기 제1 구성이 상기 업데이트 버전에 호환 가능하지 않은 경우, 상기 제1 구성을 상기 제2 구성으로 변경하는, 장치.
  20. 제11항에 있어서,
    상기 컨트롤러는,
    상기 업데이트 버전 및 상기 업데이트 버전에 대응하는 구성을 상기 하나 이상의 딥러닝 라이브러리가 실행될 가상 동작 환경에 배포하는, 장치.
KR1020200069487A 2019-11-12 2020-06-09 딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들 KR102297576B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190144419 2019-11-12
KR1020190144419 2019-11-12

Publications (2)

Publication Number Publication Date
KR20210057648A true KR20210057648A (ko) 2021-05-21
KR102297576B1 KR102297576B1 (ko) 2021-09-03

Family

ID=76157738

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200069487A KR102297576B1 (ko) 2019-11-12 2020-06-09 딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들

Country Status (1)

Country Link
KR (1) KR102297576B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180080097A (ko) * 2017-01-03 2018-07-11 한국전자통신연구원 기계학습 지식 및 자동화된 기계 학습 절차 기반의 자가 학습 시스템
CN109460827A (zh) * 2018-11-01 2019-03-12 郑州云海信息技术有限公司 一种深度学习环境的搭建与优化方法和系统
KR20190076212A (ko) * 2017-12-22 2019-07-02 건국대학교 산학협력단 도커를 이용한 컨테이너 기반 딥러닝 개발 플랫폼 제공 방법 및 장치
KR102032521B1 (ko) * 2018-12-26 2019-10-15 래블업(주) 컨테이너 기반의 gpu 가상화 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180080097A (ko) * 2017-01-03 2018-07-11 한국전자통신연구원 기계학습 지식 및 자동화된 기계 학습 절차 기반의 자가 학습 시스템
KR20190076212A (ko) * 2017-12-22 2019-07-02 건국대학교 산학협력단 도커를 이용한 컨테이너 기반 딥러닝 개발 플랫폼 제공 방법 및 장치
CN109460827A (zh) * 2018-11-01 2019-03-12 郑州云海信息技术有限公司 一种深度学习环境的搭建与优化方法和系统
KR102032521B1 (ko) * 2018-12-26 2019-10-15 래블업(주) 컨테이너 기반의 gpu 가상화 방법 및 시스템

Also Published As

Publication number Publication date
KR102297576B1 (ko) 2021-09-03

Similar Documents

Publication Publication Date Title
US8245223B2 (en) Networked deployment of multi-application customizations
EP2955627B1 (en) Managing versions of components of a software suite
US20120144378A1 (en) Methods for managing software packages using a version control system
US9652220B2 (en) Zero down-time deployment of new application versions
US9378013B2 (en) Incremental source code analysis
CN107291481B (zh) 一种组件更新方法、装置和系统
US20150067668A1 (en) Installation engine and package format
US9043779B2 (en) Loading remote binaries onto a write-protected device
US20230058197A1 (en) Distributed software development pipeline for coherent graphical user interface
CN112486552A (zh) 服务器热更新方法、装置、设备和存储介质
KR20150131535A (ko) 라이브러리 업데이트 방법, 이를 위한 단말 및 시스템
US8769521B2 (en) Calendar aware adaptive patching of a computer program
US10013259B2 (en) User initiated data rollback using operating system partitions
KR102297576B1 (ko) 딥러닝 라이브러리를 자동으로 관리하는 방법 및 이를 수행하는 장치들
US20220197633A1 (en) Software defined build infrastructure for hybrid, virtualized and native build environments
US20220334820A1 (en) System and method for intermediate software upgrades for information handling systems
CN110806876B (zh) 基于Slitaz的轻量级Linux系统定制方法、装置计算机设备及存储介质
WO2001093021A2 (en) A virtual system configurator for client systems
US11442710B2 (en) Repository dependency management
CN112783528A (zh) 一种资源上线方法、装置和电子设备
Walden Windows-to-Linux roadmap: Part 9. Installing software
Barrett et al. Updating the Environment

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant