KR20230036496A - 신경망 모델을 처리하는 전자 장치와 이의 동작 방법 - Google Patents

신경망 모델을 처리하는 전자 장치와 이의 동작 방법 Download PDF

Info

Publication number
KR20230036496A
KR20230036496A KR1020210142991A KR20210142991A KR20230036496A KR 20230036496 A KR20230036496 A KR 20230036496A KR 1020210142991 A KR1020210142991 A KR 1020210142991A KR 20210142991 A KR20210142991 A KR 20210142991A KR 20230036496 A KR20230036496 A KR 20230036496A
Authority
KR
South Korea
Prior art keywords
bit depth
memory
neural network
available bandwidth
electronic device
Prior art date
Application number
KR1020210142991A
Other languages
English (en)
Inventor
이준혁
박현빈
양승진
최진
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 PCT/KR2022/005700 priority Critical patent/WO2023038217A1/ko
Priority to EP22867486.7A priority patent/EP4296904A1/en
Priority to US17/745,320 priority patent/US20230072337A1/en
Publication of KR20230036496A publication Critical patent/KR20230036496A/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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0653—Monitoring storage devices or systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0655—Vertical data movement, i.e. input-output transfer; data movement between one or more hosts and one or more storage devices
    • G06F3/0659—Command handling arrangements, e.g. command buffers, queues, command scheduling
    • 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

Landscapes

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

Abstract

다양한 실시예들에 따라서, 전자 장치는 메모리, 및 리소스 관리 장치(resource management unit) 및 신경망 처리 장치(neural processing unit)를 포함하는 프로세서를 포함하고, 상기 프로세서는, 특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득하고, 상기 리소스 관리 장치를 통하여, 상기 메모리의 가용 대역폭을 식별하고, 및 상기 신경망 처리 장치를 통하여, 상기 메모리의 가용 대역폭에 기반하여 상기 특정 신경망 모델을 양자화하도록 설정될 수 있다. 그 밖의 실시예들도 가능할 수 있다.

Description

신경망 모델을 처리하는 전자 장치와 이의 동작 방법{ELECTRONIC DEVICE FOR PROCESSING NEURAL NETWORK MODEL AND METHOD OF OPERATING THE SAME}
다양한 실시예들은, 신경망 모델을 처리하는 전자 장치 및 그 동작 방법에 관한 것이다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률이 향상되는 시스템이다
인공지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(딥러닝) 기술 및 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 요소 기술들로 구성될 수 있다.
요소 기술들은, 예로, 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함할 수 있다.
전자 장치의 프로세서에서 메모리의 가용 대역폭을 실시간으로 확인하지 못하는 경우, 신경망 모델을 처리하는데 필요한 메모리 대역폭을 정확하게 산출할 수 없고, 이로 인하여 신경망 모델의 처리 결과에 대한 서비스 품질(QoS, quality of service)을 만족하지 못할 수 있다.
다양한 실시예들에 따르면, 전자 장치 및 그 동작 방법은 프로세서가 메모리의 가용 대역폭을 실시간으로 식별할 수 있고, 신경망 모델을 양자화할 때 메모리의 가용 대역폭에 따라 동적으로 비트 뎁스를 적용하여, 동적으로 적용 가능한 비트 뎁스를 이용하여 양자화된 신경망 모델의 처리 결과를 제공할 수 있다.
다양한 실시예들에 따라서, 전자 장치는, 메모리, 및 리소스 관리 장치(resource management unit) 및 신경망 처리 장치(neural processing unit)를 포함하는 프로세서를 포함하고, 상기 프로세서는, 특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득하고, 상기 리소스 관리 장치를 통하여, 상기 메모리의 가용 대역폭을 식별하고, 및 상기 신경망 처리 장치를 통하여, 상기 메모리의 가용 대역폭에 기반하여 상기 특정 신경망 모델을 양자화하도록 설정될 수 있다.
다양한 실시예들에 따라서, 전자 장치의 동작 방법은, 특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득하는 동작, 상기 전자 장치의 프로세서에 포함된 리소스 관리 장치(resource management unit)를 통하여, 상기 전자 장치의 메모리의 가용 대역폭을 식별하는 동작, 및 상기 프로세서에 포함된 신경망 처리 장치(neural processing unit)를 통하여, 상기 메모리의 가용 대역폭에 기반하여 상기 특정 신경망 모델을 양자화하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 프로세서가 이용하여 메모리의 가용 대역폭을 실시간으로 식별할 수 있을 뿐만 아니라, 메모리의 가용 대역폭을 이용하여 신경망 모델과 관련된 활성화 비트 뎁스를 동적으로 양자화 함으로써, 신경망 모델의 처리 결과에 대한 서비스 품질을 만족시키는 전자 장치 및 그 동작 방법이 제공될 수 있다.
도 1은 본 개시의 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예들에 따른, 전자 장치가 동작하는 방법을 설명하기 위한 흐름도이다.
도 3은 다양한 실시예들에 따른, 신경망 모델 단위로 활성화 비트 뎁스를 설정하는 프로세서의 블록도를 도시한다.
도 4는 다양한 실시예들에 따른, 신경망 모델 내의 레이어 단위로 활성화 비트 뎁스를 설정하는 프로세서의 블록도를 도시한다.
도 5는 다양한 실시예들에 따른, 메모리 가용 대역폭 구간에 대응하는 활성화 비트 뎁스를 정의하는 테이블을 도시한다.
도 1은, 본 개시의 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102)) (예: 스피커 또는 헤드폰))를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)이 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)은, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104 또는 108) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 동작하는 방법을 설명하기 위한 흐름도이다.
도 3은 다양한 실시예들에 따른, 신경망 모델 단위로 활성화 비트 뎁스를 설정하는 프로세서(예: 도 1의 프로세서(120))의 블록도를 도시한다.
도 4는 다양한 실시예들에 따른, 신경망 모델 내의 레이어 단위로 활성화 비트 뎁스를 설정하는 프로세서(120)의 블록도를 도시한다.
도 5는 다양한 실시예들에 따른, 메모리(예: 도 1의 메모리(130))의 가용 대역폭 구간에 대응하는 활성화 비트 뎁스를 정의하는 테이블을 도시한다.
201 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득할 수 있다. 일 실시예에 따르면, 전자 장치(101)에서 실행되는 특정 기능은, 특정 신경망 모델에 기반하여 동작할 수 있다. 예를 들어, 도 3을 참조하면, 카메라 어플리케이션에 의한 제1 기능(예: 전면 싱글 카메라를 통하여 획득한 프리뷰 영상에서의 분류 기능)은 제1 신경망 모델(311)(예: 분류 모델(Mobilenet v2, Inception v4))에 기반하여 동작할 수 있고, 카메라 어플리케이션에 의한 제2 기능(예: 후면 카메라의 burst shot 기능)은 제2 신경망 모델(312)(예: burst shot segmentation 모델)에 기반하여 동작할 수 있고, 카메라 어플리케이션에 의한 제3 기능(예: live focus 모드에서 wide lens 기능)은 제3 신경망 모델(313)에 기반하여 동작할 수 있고, 카메라 어플리케이션에 의한 제4 기능(예: 듀얼 카메라 기능)은 제4 신경망 모델(314)에 기반하여 동작할 수 있다. 일 실시예에 따르면, 특정 기능의 실행 요청은, 특정 신경망 모델에 대한 MAC(multiply and accumulate) 연산 요청 및/또는 특정 신경망 모델의 각 레이어에 대한 MAC 연산 요청을 포함할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 통신 모듈(예: 도 1의 통신 모듈(190))을 통하여, 외부 전자 장치(예: 도 1의 서버(108))로부터 학습이 완료된 신경망 모델(예: FP(floating point) 32로 학습된 모델)을 수신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 외부 전자 장치(108)로부터 신경망 모델을 수신할 때, 상기 신경망 모델에 적용 가능한 최소 활성화 비트 뎁스와 최대 활성화 비트 뎁스에 관한 정보를 함께 수신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 외부 전자 장치(108)로부터 신경망 모델을 수신할 때, 상기 신경망 모델의 각 레이어에 적용 가능한 최소 활성화 비트 뎁스와 최대 활성화 비트 뎁스에 관한 정보를 함께 수신할 수 있다.
203 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 프로세서(120)에 포함된 리소스 관리 장치(resource management unit)를 통하여, 메모리(130)의 가용 대역폭(available bandwidth)을 식별할 수 있다. 메모리(130)의 가용 대역폭은 메모리(130)의 최대 대역폭으로부터 현재 사용 중인 대역폭을 제외하고, 메모리(130)의 이용 가능한 대역폭을 의미한다. 일 실시예에 따르면, 프로세서(120)는 리소스 관리를 수행하기 위한 리소스 관리 장치를 포함할 수 있고, 상기 리소스 관리 장치는 사용 중인 메모리(130)의 대역폭을 모니터링하는 레지스터(register)를 정의할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 프로세서(120)에 포함된 리소스 관리 장치(320)(예: MPAM(memory system resource partitioning and monitoring) 장치)를 통하여 메모리 컨트롤러(330)로부터 메모리(130)의 가용 대역폭에 관한 정보를 수신하고, 상기 가용 대역폭에 관한 정보를 신경망 처리 장치(310)로 제공함으로써, 상기 메모리(130)의 가용 대역폭을 식별할 수 있다. 일 실시예에 따르면, 리소스 관리 장치(320)는 프로세서(120)로 할당될 메모리(130)의 사용량(memory footprint)과 프로세서(120)에 의하여 처리될 프로세스(process)의 우선 순위를 조정할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 정해진 주기에 기반하여, 리소스 관리 장치(320)를 통하여 메모리(130)의 가용 대역폭을 식별할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 정해진 주기에 따라, 리소스 관리 장치(320)를 통하여 메모리 컨트롤러(330)로부터 메모리(130)의 가용 대역폭에 관한 정보를 수신하고, 상기 가용 대역폭에 관한 정보를 신경망 처리 장치(310)로 제공할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 특정 기능의 실행 요청을 획득하는 것에 기반하여, 리소스 관리 장치(320)를 통하여 메모리(130)의 가용 대역폭을 식별할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 제1 신경망 모델(311)에 기반하여 동작하는 제1 기능의 실행 요청을 획득하는 경우, 신경망 처리 장치(310)를 통하여 리소스 관리 장치(320)로 메모리(130)의 가용 대역폭을 확인하도록 하는 요청을 제공할 수 있고, 리소스 관리 장치(320)를 통하여 메모리 컨트롤러(330)로부터 메모리(130)의 가용 대역폭에 관한 정보를 수신하고, 상기 가용 대역폭에 관한 정보를 신경망 처리 장치(310)로 제공할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 특정 신경망 모델의 특정 레이어(layer)의 처리 요청을 획득하는 것에 기반하여, 리소스 관리 장치(320)를 통하여 메모리(130)의 가용 대역폭을 식별할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 제1 신경망 모델(311)의 제1 레이어(411)의 처리 요청을 획득하는 것에 기반하여, 리소스 관리 장치(320)를 통하여 메모리(130)의 제1 가용 대역폭을 식별할 수 있다. 또 다른 예를 들어, 도 4를 참조하면, 전자 장치(101)는 제1 신경망 모델(311)의 제1 레이어(411)의 처리를 완료한 후, 제2 레이어(412)의 처리 요청을 획득하는 것에 기반하여, 리소스 관리 장치(320)를 통하여 메모리(130)의 제2 가용 대역폭을 식별할 수 있다. 또 다른 예를 들어, 도 4를 참조하면, 전자 장치(101)는 제1 신경망 모델(311)의 제2 레이어(412)의 처리를 완료한 후, 제3 레이어(413)의 처리 요청을 획득하는 것에 기반하여, 리소스 관리 장치(320)를 통하여 메모리(130)의 제3 가용 대역폭을 식별할 수 있다. 또 다른 예를 들어, 도 4를 참조하면, 전자 장치(101)는 제1 신경망 모델(311)의 제3 레이어(413)의 처리를 완료한 후, 제4 레이어(414)의 처리 요청을 획득하는 것에 기반하여, 리소스 관리 장치(320)를 통하여 메모리(130)의 제4 가용 대역폭을 식별할 수 있다. 위와 같은 방법으로, 전자 장치(101)는 특정 신경망 모델의 레이어의 처리 요청을 획득할 때마다, 리소스 관리 장치(320)를 통하여 해당 시점에서의 메모리(130)의 가용 대역폭을 식별할 수 있다.
205 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 신경망 처리 장치(310)를 통하여, 메모리(130)의 가용 대역폭에 기반하여 특정 신경망 모델을 양자화할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 메모리(130)의 가용 대역폭에 대응하는 활성화 비트 뎁스(activation bit depth)를 선택할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블로부터 메모리(130)의 가용 대역폭에 대응하는 활성화 비트 뎁스를 선택할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블로부터 메모리(130)의 가용 대역폭을 포함하는 구간을 식별할 수 있고, 상기 식별된 구간에 대응하는 활성화 비트 뎁스를 선택할 수 있다. 예를 들어, 도 5를 참조하면, 전자 장치(101)는 메모리(130)의 최대 대역폭(예: 44 GB/s) 중에서 메모리(130)의 가용 대역폭(X)이 제1 임계값(THD1)(예: 33 GB/s)을 초과하는 경우, 미리 정의된 테이블(500)로부터 메모리(130)의 가용 대역폭을 포함하는 제1 구간을 식별할 수 있고, 상기 식별된 제1 구간에 대응하는 제1 비트 뎁스(예: 16 비트)를 활성화 비트 뎁스로 선택할 수 있다. 또 다른 예를 들어, 도 5를 참조하면, 메모리(130)의 가용 대역폭(X)이 제1 임계값(THD1)(예: 33 GB/s) 이하이고, 제2 임계값(THD2)(예: 22 GB/s)을 초과하는 경우, 미리 정의된 테이블(500)로부터 메모리(130)의 가용 대역폭을 포함하는 제2 구간을 식별할 수 있고, 상기 식별된 제2 구간에 대응하는 제2 비트 뎁스(예: 8 비트)를 활성화 비트 뎁스로 선택할 수 있다. 또 다른 예를 들어, 도 5를 참조하면, 메모리(130)의 가용 대역폭(X)이 제2 임계값(THD2)(예: 22 GB/s) 이하이고, 제3 임계값(THD3)(예: 11 GB/s)을 초과하는 경우, 미리 정의된 테이블(500)로부터 메모리(130)의 가용 대역폭을 포함하는 제3 구간을 식별할 수 있고, 상기 식별된 제3 구간에 대응하는 제3 비트 뎁스(예: 6 비트)를 활성화 비트 뎁스로 선택할 수 있다. 또 다른 예를 들어, 도 5를 참조하면, 메모리(130)의 가용 대역폭(X)이 제3 임계값(THD3)(예: 11 GB/s) 이하인 경우, 미리 정의된 테이블(500)로부터 메모리(130)의 가용 대역폭을 포함하는 제4 구간을 식별할 수 있고, 상기 식별된 제4 구간에 대응하는 제4 비트 뎁스(예: 4 비트)를 활성화 비트 뎁스로 선택할 수 있다. 상술한 테이블(500)에 정의된 구간의 범위 및 활성화 비트 뎁스의 비트 수는 일 실시예일 뿐, 전자 장치(101)의 제조사에 의하여 다양하게 설정될 수 있고. 일 실시예에 따르면, 전자 장치(101)는 메모리(130)에 미리 정의된 테이블(500)을 저장할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 가중치 비트 뎁스를 유지하는 동안, 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스에 기반하여, 특정 신경망 모델의 특정 활성화 비트 뎁스에 대한 동적 양자화(dynamic quantization)를 수행함으로써, 특정 신경망 모델을 양자화할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 신경망 처리 장치(310)를 통하여, 제1 신경망 모델(311)의 제1 가중치 비트 뎁스(예: 8 비트 뎁스)를 유지하는 동안, 제1 신경망 모델(311)의 제1 활성화 비트 뎁스를 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스(예: 16 비트 뎁스)로 설정하도록 동적 양자화를 수행할 수 있다. 위와 같은 방법으로, 전자 장치(101)는 제2 신경망 모델(312) 내지 제4 신경망 모델(314)의 각 활성화 비트 뎁스를 각 신경망 모델을 처리하는 시점에서 식별된 메모리(130)의 가용 대역폭에 대응하는 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스가 특정 신경망 모델에 적용 가능한 최소 활성화 비트 뎁스 및 최대 활성화 비트 뎁스 사이의 비트 뎁스인 경우, 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 가중치 비트 뎁스를 유지하는 동안, 특정 신경망 모델의 특정 활성화 비트 뎁스를 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스가 특정 신경망 모델에 적용 가능한 최소 활성화 비트 뎁스 보다 작은 비트 뎁스인 경우, 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 가중치 비트 뎁스를 유지하는 동안, 특정 신경망 모델의 특정 활성화 비트 뎁스를 특정 신경망 모델에 적용 가능한 최소 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스가 특정 신경망 모델에 적용 가능한 최대 활성화 비트 뎁스 보다 큰 비트 뎁스인 경우, 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 가중치 비트 뎁스를 유지하는 동안, 특정 신경망 모델의 특정 활성화 비트 뎁스를 특정 신경망 모델에 적용 가능한 최대 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 레이어의 특정 가중치 비트 뎁스를 유지하는 동안, 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스에 기반하여, 특정 신경망 모델의 특정 레이어의 특정 활성화 비트 뎁스에 대한 동적 양자화(dynamic quantization)를 수행함으로써, 특정 신경망 모델을 양자화할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 신경망 처리 장치(310)를 통하여, 제1 신경망 모델(311)의 제1 레이어(411)의 제1 가중치 비트 뎁스(예: 8 비트 뎁스)를 유지하는 동안, 제1 레이어(411)의 제1 활성화 비트 뎁스를 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스(예: 4 비트 뎁스)로 설정하도록 동적 양자화를 수행할 수 있다. 위와 같은 방법으로, 전자 장치(101)는 제1 신경망 모델(311)의 제2 레이어(412) 내지 제4 레이어(414)의 각 활성화 비트 뎁스를 각 레이어를 처리하는 시점에서 식별된 메모리(130)의 가용 대역폭에 대응하는 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스가 특정 신경망 모델의 특정 레이어에 적용 가능한 최소 활성화 비트 뎁스 및 최대 활성화 비트 뎁스 사이의 비트 뎁스인 경우, 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 레이어의 특정 가중치 비트 뎁스를 유지하는 동안, 특정 신경망 모델의 특정 레이어의 특정 활성화 비트 뎁스를 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스가 특정 신경망 모델의 특정 레이어에 적용 가능한 최소 활성화 비트 뎁스 보다 작은 비트 뎁스인 경우, 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 레이어의 특정 가중치 비트 뎁스를 유지하는 동안, 특정 신경망 모델의 특정 레이어의 특정 활성화 비트 뎁스를 상기 최소 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정의된 테이블(500)로부터 선택된 활성화 비트 뎁스가 특정 신경망 모델의 특정 레이어에 적용 가능한 최대 활성화 비트 뎁스 보다 큰 비트 뎁스인 경우, 신경망 처리 장치(310)를 통하여, 특정 신경망 모델의 특정 레이어의 특정 가중치 비트 뎁스를 유지하는 동안, 특정 신경망 모델의 특정 레이어의 특정 활성화 비트 뎁스를 상기 최대 활성화 비트 뎁스로 설정하도록 동적 양자화를 수행할 수 있다.207 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 신경망 처리 장치(310)를 통하여, 특정 기능을 실행하기 위하여 양자화된 특정 신경망 모델을 처리할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 신경망 처리 장치(310)를 통하여, 양자화된 활성화 비트 뎁스를 이용하여, 상기 양자화된 특정 신경망 모델을 처리할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 특정 활성화 비트 뎁스를 이용하여 특정 신경망 모델에 대한 MAC 연산을 수행할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 카메라 어플리케이션에 의한 제1 기능(예: 전면 싱글 카메라를 통하여 획득한 프리뷰 영상에서의 분류 기능)을 실행하기 위하여, 제1 신경망 모델(311)을 제1 활성화 비트 뎁스(예: 16 비트 뎁스)로 양자화한 후, 제1 가중치 비트 뎁스(예: 8 비트 뎁스) 및 제1 활성화 비트 뎁스(예: 16 비트 뎁스)를 이용하여 제1 신경망 모델(311)에서 MAC 연산으로 처리할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 신경망 처리 장치(310)를 통하여 특정 신경망 모델에 대한 MAC 연산의 수행 결과를 메모리(130)에 저장할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 신경망 처리 장치(310)를 통하여, 제1 신경망 모델(311)에 대한 MAC 연산의 수행 결과를 버스 인터커넥터(340) 및 메모리 컨트롤러(330)로 전달함으로써, 상기 MAC 연산의 수행 결과를 메모리(130)에 저장할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 신경망 처리 장치(310)를 통하여, 양자화된 활성화 비트 뎁스를 이용하여, 상기 양자화된 특정 신경망 모델의 특정 레이어를 처리할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 특정 활성화 비트 뎁스를 이용하여 특정 신경망 모델의 특정 레이어에 대한 MAC 연산을 수행할 수 있다. 예를 들어, 도 4를 참조하면, 제1 기능을 실행하기 위하여 제1 신경망 모델(311)의 제1 레이어(411)를 제1 활성화 비트 뎁스(예: 4 비트 뎁스)로 양자화한 후, 제1 가중치 비트 뎁스(예: 8 비트 뎁스) 및 제1 활성화 비트 뎁스(예: 4 비트 뎁스)를 이용하여 제1 레이어(411)에서 MAC 연산으로 처리할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 신경망 처리 장치(310)를 통하여 특정 신경망 모델의 특정 레이어에 대한 MAC 연산의 수행 결과를 메모리(130)에 저장할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 신경망 처리 장치(310)를 통하여, 제1 신경망 모델(311)의 제1 레이어(411)에 대한 MAC 연산의 수행 결과를 버스 인터커넥터(340) 및 메모리 컨트롤러(330)로 전달함으로써, 상기 MAC 연산의 수행 결과를 메모리(130)에 저장할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는 메모리(예: 도 1의 메모리(130)), 및 리소스 관리 장치(resource management unit)(예: 도 3의 리소스 관리 장치(320)) 및 신경망 처리 장치(neural processing unit)(예: 도 3의 신경망 처리 장치(310))를 포함하는 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 프로세서는, 특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득하고, 상기 리소스 관리 장치를 통하여, 상기 메모리의 가용 대역폭을 식별하고, 및 상기 신경망 처리 장치를 통하여, 상기 메모리의 가용 대역폭에 기반하여 상기 특정 신경망 모델을 양자화하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 정해진 주기에 기반하여, 상기 메모리의 가용 대역폭을 식별하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 특정 기능의 실행 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 식별하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 특정 신경망 모델의 특정 레이어의 처리 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 식별하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 메모리의 가용 대역폭에 대응하는 활성화 비트 뎁스(activation bit depth)를 선택하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 미리 정의된 테이블(예: 도 5의 미리 정해진 테이블(500))로부터 상기 메모리 가용 대역폭을 포함하는 구간을 식별하고, 및 상기 식별된 구간에 대응하는 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 메모리의 가용 대역폭이 제1 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제1 구간을 식별하고, 및 상기 제1 구간에 대응하는 제1 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정될 수 있고, 상기 제1 비트 뎁스는 16 비트 뎁스일 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 메모리의 가용 대역폭이 상기 제1 임계값 이하이고 제2 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제2 구간을 식별하고, 및 상기 제2 구간에 대응하는 제2 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정될 수 있고, 상기 제2 비트 뎁스는 8 비트 뎁스일 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 메모리의 가용 대역폭이 상기 제2 임계값 이하이고 제3 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제3 구간을 식별하고, 및 상기 제3 구간에 대응하는 제3 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정될 수 있고, 상기 제3 비트 뎁스는 6 비트 뎁스일 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 신경망 처리 장치를 통하여, 상기 특정 신경망 모델의 특정 가중치 비트 뎁스를 유지하는 동안, 상기 활성화 비트 뎁스에 기반하여 상기 특정 신경망 모델의 특정 활성화 비트 뎁스에 대한 동적 양자화(dynamic quantization)를 수행함으로써, 상기 특정 신경망 모델을 양자화하고, 및 상기 특정 활성화 비트 뎁스를 이용하여 상기 양자화된 특정 신경망 모델에 대한 MAC 연산을 수행하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 신경망 처리 장치를 통하여, 상기 특정 신경망 모델의 특정 레이어의 특정 가중치 비트 뎁스를 유지하는 동안, 상기 활성화 비트 뎁스에 기반하여 상기 특정 신경망 모델의 상기 특정 레이어의 특정 활성화 비트 뎁스에 대한 동적 양자화를 수행함으로써, 상기 특정 신경망 모델을 양자화하고, 및 상기 특정 활성화 비트 뎁스를 이용하여 상기 양자화된 특정 신경망 모델의 상기 특정 레이어에 대한 MAC 연산을 수행하도록 설정될 수 있다.
다양한 실시예들에 따라서, 전자 장치의 동작 방법은, 특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득하는 동작, 상기 전자 장치의 프로세서에 포함된 리소스 관리 장치(resource management unit)를 통하여, 상기 전자 장치의 메모리의 가용 대역폭을 식별하는 동작, 및 상기 프로세서에 포함된 신경망 처리 장치(neural processing unit)를 통하여, 상기 메모리의 가용 대역폭에 기반하여 상기 특정 신경망 모델을 양자화하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 메모리의 가용 대역폭을 식별하는 동작은, 정해진 주기에 기반하여, 상기 메모리의 가용 대역폭을 식별하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 메모리의 가용 대역폭을 식별하는 동작은, 상기 특정 기능의 실행 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 식별하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 메모리의 가용 대역폭을 식별하는 동작은, 상기 특정 신경망 모델의 특정 레이어의 처리 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 특정 신경망 모델을 양자화하는 동작은, 상기 메모리의 가용 대역폭에 대응하는 활성화 비트 뎁스(activation bit depth)를 선택하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 활성화 비트 뎁스를 선택하는 동작은, 미리 정의된 테이블로부터 상기 메모리 가용 대역폭을 포함하는 구간을 식별하는 동작, 및 상기 식별된 구간에 대응하는 비트 뎁스를 상기 활성화 비트 뎁스로 선택하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 활성화 비트 뎁스를 선택하는 동작은, 상기 메모리의 가용 대역폭이 제1 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제1 구간을 식별하는 동작, 및 상기 제1 구간에 대응하는 제1 비트 뎁스를 상기 활성화 비트 뎁스로 선택하는 동작을 포함할 수 있고, 상기 제1 비트 뎁스는 16 비트 뎁스일 수 있다.
다양한 실시예들에 따르면, 상기 활성화 비트 뎁스를 선택하는 동작은, 상기 메모리의 가용 대역폭이 상기 제1 임계값 이하이고 제2 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제2 구간을 식별하는 동작, 및 상기 제2 구간에 대응하는 제2 비트 뎁스를 상기 활성화 비트 뎁스로 선택하는 동작을 포함할 수 있고, 상기 제2 비트 뎁스는 8 비트 뎁스일 수 있다.

Claims (20)

  1. 전자 장치에 있어서,
    메모리, 및
    리소스 관리 장치(resource management unit) 및 신경망 처리 장치(neural processing unit)를 포함하는 프로세서를 포함하고,
    상기 프로세서는,
    특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득하고,
    상기 리소스 관리 장치를 통하여, 상기 메모리의 가용 대역폭을 식별하고, 및
    상기 신경망 처리 장치를 통하여, 상기 메모리의 가용 대역폭에 기반하여 상기 특정 신경망 모델을 양자화하도록 설정된, 전자 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    정해진 주기에 기반하여, 상기 메모리의 가용 대역폭을 식별하도록 설정된, 전자 장치.
  3. 제1 항에 있어서,
    상기 프로세서는,
    상기 특정 기능의 실행 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 식별하도록 설정된, 전자 장치.
  4. 제1 항에 있어서,
    상기 프로세서는,
    상기 특정 신경망 모델의 특정 레이어의 처리 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 식별하도록 설정된, 전자 장치.
  5. 제1 항에 있어서,
    상기 프로세서는,
    상기 메모리의 가용 대역폭에 대응하는 활성화 비트 뎁스(activation bit depth)를 선택하도록 설정된, 전자 장치.
  6. 제5 항에 있어서,
    상기 프로세서는,
    미리 정의된 테이블로부터 상기 메모리 가용 대역폭을 포함하는 구간을 식별하고, 및
    상기 식별된 구간에 대응하는 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정된, 전자 장치.
  7. 제6 항에 있어서,
    상기 프로세서는,
    상기 메모리의 가용 대역폭이 제1 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제1 구간을 식별하고, 및
    상기 제1 구간에 대응하는 제1 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정되고,
    상기 제1 비트 뎁스는 16 비트 뎁스인, 전자 장치.
  8. 제7 항에 있어서,
    상기 프로세서는,
    상기 메모리의 가용 대역폭이 상기 제1 임계값 이하이고 제2 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제2 구간을 식별하고, 및
    상기 제2 구간에 대응하는 제2 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정되고,
    상기 제2 비트 뎁스는 8 비트 뎁스인, 전자 장치.
  9. 제8 항에 있어서,
    상기 프로세서는,
    상기 메모리의 가용 대역폭이 상기 제2 임계값 이하이고 제3 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제3 구간을 식별하고, 및
    상기 제3 구간에 대응하는 제3 비트 뎁스를 상기 활성화 비트 뎁스로 선택하도록 설정되고,
    상기 제3 비트 뎁스는 6 비트 뎁스인, 전자 장치.
  10. 제5 항에 있어서,
    상기 프로세서는,
    상기 신경망 처리 장치를 통하여, 상기 특정 신경망 모델의 특정 가중치 비트 뎁스를 유지하는 동안, 상기 활성화 비트 뎁스에 기반하여 상기 특정 신경망 모델의 특정 활성화 비트 뎁스에 대한 동적 양자화(dynamic quantization)를 수행함으로써, 상기 특정 신경망 모델을 양자화하고, 및
    상기 특정 활성화 비트 뎁스를 이용하여 상기 양자화된 특정 신경망 모델에 대한 MAC 연산을 수행하도록 설정된, 전자 장치.
  11. 제5 항에 있어서,
    상기 프로세서는,
    상기 신경망 처리 장치를 통하여, 상기 특정 신경망 모델의 특정 레이어의 특정 가중치 비트 뎁스를 유지하는 동안, 상기 활성화 비트 뎁스에 기반하여 상기 특정 신경망 모델의 상기 특정 레이어의 특정 활성화 비트 뎁스에 대한 동적 양자화를 수행함으로써, 상기 특정 신경망 모델을 양자화하고, 및
    상기 특정 활성화 비트 뎁스를 이용하여 상기 양자화된 특정 신경망 모델의 상기 특정 레이어에 대한 MAC 연산을 수행하도록 설정된, 전자 장치.
  12. 전자 장치의 동작 방법에 있어서,
    특정 신경망 모델에 기반하여 동작하는 특정 기능의 실행 요청을 획득하는 동작,
    상기 전자 장치의 프로세서에 포함된 리소스 관리 장치(resource management unit)를 통하여, 상기 전자 장치의 메모리의 가용 대역폭을 식별하는 동작, 및
    상기 프로세서에 포함된 신경망 처리 장치(neural processing unit)를 통하여, 상기 메모리의 가용 대역폭에 기반하여 상기 특정 신경망 모델을 양자화하는 동작을 포함하는, 전자 장치의 동작 방법.
  13. 제12 항에 있어서,
    상기 프로세서는,
    상기 메모리의 가용 대역폭을 식별하는 동작은,
    정해진 주기에 기반하여, 상기 메모리의 가용 대역폭을 식별하는 동작을 포함하는, 전자 장치의 동작 방법.
  14. 제12 항에 있어서,
    상기 메모리의 가용 대역폭을 식별하는 동작은,
    상기 특정 기능의 실행 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 식별하는 동작을 포함하는, 전자 장치의 동작 방법.
  15. 제12 항에 있어서,
    상기 메모리의 가용 대역폭을 식별하는 동작은,
    상기 특정 신경망 모델의 특정 레이어의 처리 요청을 획득하는 것에 기반하여, 상기 메모리의 가용 대역폭을 동작을 포함하는, 전자 장치의 동작 방법.
  16. 제12 항에 있어서,
    상기 특정 신경망 모델을 양자화하는 동작은,
    상기 메모리의 가용 대역폭에 대응하는 활성화 비트 뎁스(activation bit depth)를 선택하는 동작을 포함하는, 전자 장치의 동작 방법.
  17. 제16 항에 있어서,
    상기 활성화 비트 뎁스를 선택하는 동작은,
    미리 정의된 테이블로부터 상기 메모리 가용 대역폭을 포함하는 구간을 식별하는 동작, 및
    상기 식별된 구간에 대응하는 비트 뎁스를 상기 활성화 비트 뎁스로 선택하는 동작을 포함하는, 전자 장치의 동작 방법.
  18. 제17 항에 있어서,
    상기 활성화 비트 뎁스를 선택하는 동작은,
    상기 메모리의 가용 대역폭이 제1 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제1 구간을 식별하는 동작, 및
    상기 제1 구간에 대응하는 제1 비트 뎁스를 상기 활성화 비트 뎁스로 선택하는 동작을 포함하고,
    상기 제1 비트 뎁스는 16 비트 뎁스인, 전자 장치의 동작 방법.
  19. 제18 항에 있어서,
    상기 활성화 비트 뎁스를 선택하는 동작은,
    상기 메모리의 가용 대역폭이 상기 제1 임계값 이하이고 제2 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제2 구간을 식별하는 동작, 및
    상기 제2 구간에 대응하는 제2 비트 뎁스를 상기 활성화 비트 뎁스로 선택하는 동작을 포함하고,
    상기 제2 비트 뎁스는 8 비트 뎁스인, 전자 장치의 동작 방법.
  20. 제19 항에 있어서,
    상기 활성화 비트 뎁스를 선택하는 동작은,
    상기 메모리의 가용 대역폭이 상기 제2 임계값 이하이고 제3 임계값을 초과하는 것에 기반하여, 상기 미리 정의된 테이블로부터 상기 메모리의 가용 대역폭을 포함하는 제3 구간을 식별하는 동작, 및
    상기 제3 구간에 대응하는 제3 비트 뎁스를 상기 활성화 비트 뎁스로 선택하는 동작을 포함하고,
    상기 제3 비트 뎁스는 6 비트 뎁스인, 전자 장치의 동작 방법.
KR1020210142991A 2021-09-07 2021-10-25 신경망 모델을 처리하는 전자 장치와 이의 동작 방법 KR20230036496A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2022/005700 WO2023038217A1 (ko) 2021-09-07 2022-04-21 신경망 모델을 처리하는 전자 장치와 이의 동작 방법
EP22867486.7A EP4296904A1 (en) 2021-09-07 2022-04-21 Electronic apparatus for processing neural network model and operating method therefor
US17/745,320 US20230072337A1 (en) 2021-09-07 2022-05-16 Electronic device for processing neural network model and method of operating the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210119368 2021-09-07
KR20210119368 2021-09-07

Publications (1)

Publication Number Publication Date
KR20230036496A true KR20230036496A (ko) 2023-03-14

Family

ID=85502441

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210142991A KR20230036496A (ko) 2021-09-07 2021-10-25 신경망 모델을 처리하는 전자 장치와 이의 동작 방법

Country Status (1)

Country Link
KR (1) KR20230036496A (ko)

Similar Documents

Publication Publication Date Title
US20220309352A1 (en) Method for training artificial neural network and electronic device for supporting the same
KR20230036496A (ko) 신경망 모델을 처리하는 전자 장치와 이의 동작 방법
EP4296904A1 (en) Electronic apparatus for processing neural network model and operating method therefor
WO2023038217A1 (ko) 신경망 모델을 처리하는 전자 장치와 이의 동작 방법
KR20220064056A (ko) 오디오 신호의 처리에 관한 태스크를 관리하는 전자 장치 및 그 작동 방법
US11874995B2 (en) Electronic device identifying force touch and method for operating the same
US20220343106A1 (en) Electronic device for processing data based on artificial intelligence model and method for operating the same
US20230342209A1 (en) Service operation method and electronic device supporting same
KR20220151483A (ko) 전자 장치 및 전자 장치의 동작 방법
KR20220147398A (ko) 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법
KR20240026816A (ko) 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치
KR20230017464A (ko) 발열 제어 및 프로세스의 스케줄 관리를 위하여 복수의 클러스터들을 제어하는 전자 장치 및 그 작동 방법
KR20230046701A (ko) 포스 터치를 확인하는 전자 장치와 이의 동작 방법
KR20230103785A (ko) 외부 전자 장치들과의 연결을 제어하기 위한 전자 장치 및 방법
KR20230020328A (ko) 이미지를 보정하는 장치 및 그 방법
KR20220058236A (ko) 오디오 데이터 처리 방법 및 그 장치
KR20220168489A (ko) 저조도 노이즈를 제거하는 전자 장치 및 그 작동 방법
KR20230123391A (ko) 전자 장치 및 음원의 주파수 대역별 크기 변경 방법
KR20230012350A (ko) 주변 장치로부터 입력을 수신하였을 때 화면을 빠르게 업데이트하는 전자 장치
KR20230090195A (ko) 전자 장치 및 외부 장치에서의 출력 데이터 결정 방법
KR20230074916A (ko) 복수의 ai 모델들에 접근 가능한 가상 ai 모델을 이용하여 ai 서비스를 제공하는 전자 장치 및 그 작동 방법
KR20230051865A (ko) 무선 통신 수행 방법 및 이를 지원하는 전자 장치
KR20230060415A (ko) 통신 모듈을 식별하기 위한 구성 핀을 이용하여 안테나 장치를 제어하는 전자 장치 및 방법
KR20220109093A (ko) 전자 장치 및 이의 제어 방법
KR20230057825A (ko) 냉각 팬을 포함하는 전자 장치 및 그 제어 방법