WO2020189844A1 - 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치 - Google Patents

인공 신경망을 처리하는 방법 및 이를 위한 전자 장치 Download PDF

Info

Publication number
WO2020189844A1
WO2020189844A1 PCT/KR2019/005737 KR2019005737W WO2020189844A1 WO 2020189844 A1 WO2020189844 A1 WO 2020189844A1 KR 2019005737 W KR2019005737 W KR 2019005737W WO 2020189844 A1 WO2020189844 A1 WO 2020189844A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
processor
layer
artificial neural
processors
Prior art date
Application number
PCT/KR2019/005737
Other languages
English (en)
French (fr)
Inventor
이정훈
김영석
김장우
김대현
김명선
Original Assignee
삼성전자주식회사
서울대학교산학협력단
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, 서울대학교산학협력단 filed Critical 삼성전자주식회사
Publication of WO2020189844A1 publication Critical patent/WO2020189844A1/ko
Priority to US17/478,246 priority Critical patent/US20220004858A1/en

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Definitions

  • Convolutional neural networks are a kind of forward-reverse artificial neural network, and are actively studied in various image processing that extracts abstracted information. For example, the electronic device may recognize a feature by dividing the input image into small areas based on the convolutional neural network, and combine the divided images as the neural network step proceeds to recognize the whole.
  • Artificial neural networks may be used in mobile devices to enrich the user experience and provide customized services to users.
  • At least one of the plurality of processors 110 may obtain a neural network operation plan for performing an operation of a neural network layer included in an artificial neural network (eg, a convolution neural network). .
  • the first processor 111 may perform some operations of one neural network layer
  • the second processor 112 may perform other partial operations of one neural network layer.
  • at least one of the plurality of* processors 110 may calculate a first output value obtained according to an execution result of the first processor 111 and a second output value obtained according to an execution result of the second processor 112. It can be used as an input value of another neural network layer constituting an artificial neural network.
  • at least one of the plurality of processors 110 may include at least one of the first processor 111 and the second processor 112.
  • neural network training may be a process of optimizing characteristics (eg, weights, biases, etc.) of each neuron in a direction to minimize the cost function of the entire neural network by using a vast amount of training data.
  • Neural network training may be performed through a feed-forward process and a backpropagation process.
  • the electronic device 100 may stepwise calculate inputs and outputs of all neurons up to a final output layer through a feed forward process.
  • the electronic device 100 may stepwise calculate an error in the final output layer by using a backpropagation process.
  • the electronic device 100 may estimate characteristics of each hidden layer using the calculated error values. That is, the neural network training may be a process of obtaining an optimal parameter (eg, weight or bias) using a feed forward process and a backpropagation process.
  • FIG. 4 shows a configuration of a neural network framework for processing an artificial neural network according to an embodiment of the present disclosure.
  • FIG. 5 shows a process in which a plurality of processors 110 distribute and perform an operation of a neural network layer from a channel-wise perspective.
  • an operation ratio of the first and second processors may be assumed to be p:(1-p).
  • FIG. 5A shows a process in which a plurality of processors 110 distribute and perform an operation in a convolutional layer or a fully connected layer
  • FIG. 5B shows a plurality of processors 110 in the pooling layer. It represents the process of distributing and executing an operation.
  • the operation latency of the neural network layer can be minimized, and resource consumption required for data transfer between the CPU, the GUP, and the memory can be minimized.
  • the neural network execution unit 712 may execute an artificial neural network based on a neural network operation plan. First, the neural network execution unit 712 may upload filters to the memory of the first and second processors. When the filters are uploaded, the neural network segmentation unit 712 may dequantize the values of the filters to a 16-bit floating point. Thereafter, the neural network execution unit 712 may execute an API function of the middleware (eg, an OpenCL command for GPU execution, etc.) in order to perform a layer operation at an optimal distribution ratio.
  • an API function of the middleware eg, an OpenCL command for GPU execution, etc.

Landscapes

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

Abstract

본 개시에 따른 전자 장치가 인공 신경망을 처리하는 방법은, 제1 프로세서 및 제2 프로세서를 이용하여 상기 인공 신경망을 구성하는 일 신경망 레이어의 연산을 수행하기 위한, 신경망 연산 계획을 획득하는 동작, 상기 획득된 신경망 연산 계획에 따라, 상기 제1 프로세서를 이용하여 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제2 프로세서를 이용하여 상기 일 신경망 레이어의 다른 일부 연산을 수행하는 동작, 상기 제1 프로세서의 수행 결과에 따른 제1 출력 값 및 상기 제2 프로세서의 수행 결과에 따른 제2 출력 값을 획득하는 동작, 및 상기 획득된 제1 출력 값 및 상기 제2 출력 값을 상기 인공 신경망을 구성하는 다른 일 신경망 레이어의 입력 값으로서 이용하는 동작을 포함한다.

Description

인공 신경망을 처리하는 방법 및 이를 위한 전자 장치
본 개시는 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치에 관한 것으로, 특히, 인공 신경망의 연산을 수행하는 기술과 관련된다.
인공 신경망(artificial neural network)은 동물 신경계의 뉴런 구조를 수학적 표현에 기초하여 획득한 통계학적 학습 알고리즘으로서, 구체적인 태스크 절차 및 규칙 없이, 학습을 통하여 문제 해결 능력을 가지는 모델 전반을 가리킬 수 있다.
인공 신경망은 인공 지능 분야의 핵심이 되는 알고리즘으로서, 음성 인식, 언어 인식, 필기 인식, 영상 인식, 컨텍스트 추론 등 다양한 분야에서 활용될 수 있다.
최근에는, 컨벌루션 신경망(CNN; convolutional neural network) 기반의 딥러닝 알고리즘이 컴퓨터 비전과 음성 인식 등의 분야에서 탁월한 성능을 보이고 있다. 컨벌루션 신경망은 전-역방향 인공 신경망의 일종으로, 추상화된 정보를 추출하는 다양한 영상 처리에서 활발하게 연구되고 있다. 예로, 전자 장치는 컨벌루션 신경망에 기초하여 입력 영상을 작은 구역으로 나누어 특징을 인식하고 신경망 단계가 진행되면서 나누어진 영상을 결합해 전체를 인식할 수 있다.
한편, 이러한 인공 신경망을 효율적인 활용하기 위하여는, 인공 신경망을 운영하는 신경망 프레임워크의 성능 향상이 요구될 수 있다. 신경망 프레임워크는 인공 신경망을 처리할 자원의 운영 및 인공 신경망의 처리 방법 등을 관장할 수 있다.
인공 신경망은 사용자 경험을 더욱 풍부하게 하고, 사용자에게 맞춤화된 서비스를 제공하기 위하여 모바일 장치에서 이용될 수도 있다.
모바일 장치에서 인공 신경망을 이용하는 경우, 외부의 클라우드 자원에 상당 부분 의존할 수 있다. 클라우드 자원을 이용하는 경우, 모바일 장치는 네트워크 상태에 따라 데이터 추론이 지연되거나, 인터넷과 연결이 끊어졌을 때는 데이터 추론을 할 수 없다는 문제점이 있다. 또한, 개인 데이터가 클라우드에 제공됨에 따라 사용자 보안에 취약한 문제가 발생될 수 있다. 또한, 클라우드 자원의 사용자가 증가할수록, 클라우드 자원을 이용한 데이터 추론에 병목 현상이 발생할 수 있다.
최근에는, 기술의 발전에 따라 모바일 장치의 프로세서(예: Sytem-on-a Chips; SoCs)의 성능이 더욱 향상되고 있다. 이는 모바일 장치의 하드웨어 자원을 이용하여 인공 신경망을 이용한 데이터 추론을 가능하게 할 수 있다. 이에, 모바일 장치의 하드웨어 자원을 효율적으로 이용하기 위한 신경망 프레임워크의 운영이 필요하다. 즉, 인공 신경망의 추론 레이턴시(inference latency)가 최소화될 필요성이 요구된다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 실시 예에 따른 전자 장치가 인공 신경망을 처리하는 방법은, 제1 프로세서 및 제2 프로세서를 이용하여 상기 인공 신경망을 구성하는 일 신경망 레이어의 연산을 수행하기 위한, 신경망 연산 계획을 획득하는 동작, 상기 획득된 신경망 연산 계획에 따라, 상기 제1 프로세서를 이용하여 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제2 프로세서를 이용하여 상기 일 신경망 레이어의 다른 일부 연산을 수행하는 동작, 상기 제1 프로세서의 수행 결과에 따른 제1 출력 값 및 상기 제2 프로세서의 수행 결과에 따른 제2 출력 값을 획득하는 동작, 및 상기 획득된 제1 출력 값 및 상기 제2 출력 값을 상기 인공 신경망을 구성하는 다른 일 신경망 레이어의 입력 값으로써 이용하는 동작을 포함한다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 실시 예에 따른 인공 신경망을 처리하는 전자 장치는, 적어도 하나의 인스트럭션들을 저장하는 메모리, 상기 메모리와 동작 가능하게 연결된, 제1 프로세서 및 제2 프로세서를 포함하는 복수 개의 프로세서들을 포함하고, 상기 복수 개의 프로세서들 중 적어도 하나는, 인공 신경망에 포함된 일 신경망 레이어의 연산을 수행하기 위한 신경망 연산 계획을 획득하고, 상기 획득된 신경망 연산 계획에 따라, 상기 제1 프로세서는 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제2 프로세서는 상기 일 신경망 레이어의 다른 일부 연산을 수행하고, 상기 복수 개의 프로세서들 중 적어도 하나는, 상기 제1 프로세서의 수행 결과에 따른 획득된 제1 출력 값 및 상기 제2 프로세서의 수행 결과에 따른 획득된 제2 출력 값을 상기 인공 신경망을 구성하는 다른 일 신경망 레이어의 입력 값으로써 이용한다.
이상에서 살펴본 바와 같이 본 개시의 실시 예에 따르면, 복수 개의 프로세서를 효율적으로 활용함에 따라, 인공 신경망의 처리 속도가 크게 향상될 수 있으며, 자원 소모가 최소화되어 에너지 효율성이 향상될 수 있다.
이에 따라, 인공 신경망의 신속한 추론 및 피드백이 가능하게 되어, 본 개시의 실시예들이 적용된 전자 장치를 이용하는 사용자 만족도가 증가하고, 인공 지능을 활용하는 다양한 서비스의 발전이 가능하게 된다.
이 외에, 본 개시를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은, 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블록도를 나타낸다.
도 2는, 본 개시의 실시 예들에 적용될 수 있는 컨벌루션 신경망의 구조를 나타낸다.
도 3a 및 도 3b는, 본 개시의 일 실시 예에 따른 인공 신경망의 연산을 수행하는 과정을 나타낸다.
도 4는, 본 개시의 일 실시 예에 따른 인공 신경망을 처리하기 위한 신경망 프레임워크의 구성을 나타낸다.
도 5는, 본 개시의 일 실시 예에 따른 복수 개의 프로세서들이 신경망 레이어의 연산을 분배하여 수행하는 과정을 나타낸다.
도 6은, 본 개시의 일 실시 예에 따라 변환된 데이터 구조를 이용하여, 복수 개의 프로세서들이 신경망 레이어의 연산을 수행하는 과정을 나타낸다.
도 7은, 본 개시의 일 실시 예에 따른 레이어 분배부를 상세하게 나타낸다.
도 8은, 본 개시의 일 실시 예에 따른 인공 신경망을 처리하는 전자 장치의 흐름도를 나타낸다.
이하, 본 개시의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 본 개시의 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 개시에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 본 개시의 실시예에서의 전자 장치(100)는 복수 개의 프로세서들(110) 및 메모리(120)를 포함할 수 있다. 도 1에 도시된 전자 장치(100)의 구성은 예시적인 것이며, 본 문서에 개시되는 다양한 실시 예를 구현할 수 있는 다양한 변형이 가능하다. 예를 들어, 전자 장치는 도 2에 도시된 전자 장치(220)와 같은 구성을 포함하거나, 이 구성들을 활용하여 적절하게 변형될 수 있다. 이하에서는 전자 장치(100)를 기준으로 본 개시의 다양한 실시 예들이 설명된다.
전자 장치(100)는 인공 지능 서비스를 제공 또는 지원하는 장치일 수 있다. 전자 장치(100)는, 예로, 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 의료 기기, 카메라, 웨어러블 장치, 디지털 TV, 또는 가전 장치를 포함할 수 있으나, 전술한 기기들에 한정되지 않는다.
복수 개의 프로세서들(110)은 전자 장치(100)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 복수 개의 프로세서들(110)은 메모리(120)에 저장된 인공 신경망(또는, 인공 신경망 모델)(121)을 이용하여 입력 값에 대한 신경망 학습 결과를 획득할 수 있다. 또는, 복수 개의 프로세서들(110)은 메모리(120)에 저장된 인공 신경망을 이용하여 입력 값에 대한 신경망 처리를 수행하고 출력 값을 획득할 수 있다.
복수 개의 프로세서들(110)은 중앙 처리 장치(CPU; central processing unit)(예: big CPU, LITTLE CPU), 그래픽처리장치(GPU; graphic processing unit), 어플리케이션 프로세서(AP; application processor), DSPs(Domain-Specific Processors), 커뮤니케이션 프로세서(CP; communication processor) 또는 신경망 처리 장치(Neural Processing Unit) 중 둘 이상의 조합일 수 있다. 이 경우, 동일한 종류의 프로세서가 둘 이상 이용될 수도 있다.
일 실시예에 따르면, 복수 개의 프로세서들(110) 중 적어도 하나는 인공 신경망(예: 컨벌루션 신경망(convolution neural network))에 포함된 일 신경망 레이어의 연산을 수행하기 위한 신경망 연산 계획을 획득할 수 있다. 획득된 신경망 연산 계획에 따라, 제1 프로세서(111)는 일 신경망 레이어의 일부 연산을 수행하고, 제2 프로세서(112)는 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다. 그리고, 복* 개의 프로세서들(110) 중 적어도 하나는 제1 프로세서(111)의 수행 결과에 따른 획득된 제1 출력 값 및 제2 프로세서(112)의 수행 결과에 따른 획득된 제2 출력 값을 인공 신경망을 구성하는 다른 일 신경망 레이어의 입력 값으로서 이용할 수 있다. 이 때, 복수 개의 프로세서들(110) 중 적어도 하나는, 제1 프로세서(111) 또는 제2 프로세서(112) 중 적어도 하나를 포함할 수도 있다.
일 실시예에 따르면, 복수 개의 프로세서들(110) 중 적어도 하나는 제1 프로세서(111) 및 제2 프로세서(112) 각각에서 이용되는 데이터 타입을 획득할 수 있다. 획득된 신경망 연산 계획 및 데이터 타입에 따라, 제1 프로세서(111)는 일 신경망 레이어의 일부 연산을 수행하고, 제2 프로세서(112)는 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다.
일 실시예에 따르면, 복수 개의 프로세서들(110) 중 적어도 하나는 제1 프로세서(111) 및 제2 프로세서(112) 각각의 일 신경망 레이어의 실행 시간 또는 제1 프로세서(111) 및 제2 프로세서(112) 각각의 가용 자원 중 적어도 하나에 기반하여, 신경망 연산 계획을 획득할 수 있다.
일 실시예에 따르면, 복수 개의 프로세서들(110) 중 적어도 하나는 인공 신경망의 구조로서, 인공 신경망의 입력 값의 크기, 필터의 크기, 필터의 개수 또는 출력 값의 크기 중 적어도 하나에 기반하여, 신경망 연산 계획을 획득할 수 있다.
일 실시예에 따르면, 제1 프로세서(111)는 제1 입력 채널을 대상으로 일 신경망 레이어의 일부 연산을 수행하고, 제2 프로세서(112)는 제1 입력 채널과 다른 제2 입력 채널을 대상으로 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다. 이 때, 일 신경망 레이어는, 컨벌루션 레이어 또는 완전 연결 레이어일 수 있다.
일 실시예에 따르면, 제1 프로세서(111)는 제1 출력 채널을 대상으로 일 신경망 레이어의 일부 연산을 수행하고, 제2 프로세서(112)는 제1 출력 채널과 다른 제2 출력 채널을 대상으로 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다. 이 때, 일 신경망 레이어는, 풀링 레이어일 수 있다.
메모리(120)는 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램(또는, 어플리케이션), 전자 장치(100)의 동작을 위한 데이터들 및 인스트럭션들(instructions)을 저장할 수 있다. 이러한, 프로그램의 적어도 일부는 무선 또는 유선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 메모리(120)는 복수 개의 프로세서들(110) 중 적어도 하나에 의해 액세스되며, 복수 개의 프로세서들(110) 중 적어도 하나는 메모리(120)에 포함된 소프트웨어 프로그램, 데이터들 및 인스트럭션들의 독취/기록/수정/삭제/갱신 등을 수행할 수 있다.
메모리(120)는 인공 신경망(또는, 인공 신경망 모델)(121)을 저장할 수 있다. 또한, 메모리(120)는 인공 신경망의 연산 결과 또는 인공 신경망의 테스트 결과인 출력 값을 저장할 수 있다. 본 개시의 인공 신경망은, 복수 개의 레이어들로 구성되며, 각 레이어에 포함된 인공 뉴런(artificial neurons)들은 가중치(weight)를 가지며 서로 연결될 수 있다. 각 뉴런들은 입력 값에, 가중치를 곱하고 함수를 적용함으로써 출력 값을 획득하고, 이를 다른 뉴런으로 전송할 수 있다.
인공 신경망은 추론의 정확도를 향상시키기 위하여 가중치를 조절하도록 학습될 수 있다. 예로, 신경망 학습은 방대한 양의 학습 데이터를 이용하여 전체 신경망의 비용 함수(cost function)를 최소화시키는 방향으로 각 뉴런들의 특성들(예: 가중치, 바이어스 등)을 최적화시키는 과정일 수 있다. 신경망 학습은 피드포워드(feed-forward) 과정과 역전파(backpropagation) 과정을 통하여 수행될 수 있다. 예로, 전자 장치(100)는 피드포워드 과정을 통해 최종 출력 레이어까지의 모든 뉴런들의 입력과 출력을 단계적으로 계산할 수 있다. 또한, 전자 장치(100)는 역전파 과정을 이용하여 최종 출력 레이어에서의 오차를 단계적으로 계산할 수 있다. 전자 장치(100)는 계산된 오차 값들을 이용하여 각 숨은 층의 특성들을 추정할 수 있다. 즉, 신경망 학습은 피드포워드 과정 및 역전파 과정을 이용하여 최적의 파라미터(예: 가중치 또는 바이어스)를 획득하는 과정일 수 있다.
일 실시예에 따르면, 메모리(120)는 복수 개의 프로세서들(110) 별 인공 신경망의 처리 시간, 또는 복수 개의 프로세서(110) 별 인공 신경망을 구성하는 신경망 레이어들 각각에 대한 처리 시간을 포함하는 레이어 분할 데이터베이스를 포함할 수 있다. 또한, 메모리(120)는 인공 신경망을 처리하기에 적합한 복수 개의 프로세서들(110) 각각의 데이터 타입을 포함할 수 있다.
일 실시예에 따르면, 메모리(120)는 후술할 레이어 분배부(도 4의 410)의 처리 결과를 저장할 수도 있다. 예로, 메모리(120)는 복수 개의 프로세서들(110) 간의 연산 비율, 또는 복수 개의 프로세서들(110) 각각의 연산량 중 적어도 하나를 저장할 수 있다.
도 1의 각 구성 요소인 복수 개의 프로세서들(110) 및 메모리(120)는 버스로 연결될 수 있다. 버스는, 예를 들면, 구성요소들을 서로 연결하고, 구성요소들 간의 통신(예: 제어 메시지 및/또는 데이터)을 전달하는 회로를 포함할 수 있다.
도 2는 본 개시의 실시예들에 적용될 수 있는 컨벌루션 신경망의 구조를 나타낸다.
본 개시에서는, 인공 신경망 중에서 모바일 서비스에서 광범위하게 이용되는 컨벌루션 신경망을 대상으로 설명하나, 본 개시의 실시예들이 당업자의 수준에서 컨벌루션 신경망이 아닌 다른 신경망을 대상으로 이용될 수 있음은 물론이다.
도 2의 (a)의 컨벌루션 신경망은 주어진 입력 값에 대하여 다른 동작을 수행하는 복수 개의 레이어들(layers)로 구성될 수 있다. 이 경우, 중간 출력 값들은 일반적으로 3차원(예: 채널, 높이, 폭)의 뉴런들의 값들이며, 복수 개의 레이어들은 일반적으로 세 개의 타입으로 구분될 수 있다. 예로, 복수 개의 레이어는 컨벌루션 레이어들(convolution layer, 210,230), 풀링 레이어들(pooling layer, 220,240), 완전 연결 레이어들(Fully-connected layer, 250, 260) 및 소프트맥스 레이어(solftmax laeyer, 270)을 포함할 수 있으나, 구현 방식에 따라 일부 레이어가 추가 또는 생략될 수 있음은 물론이다.
컨벌루션 레이어들(210,230)는 입력 값들에 대하여 컨벌루션 연산을 수행한 결과 값들의 집합일 수 있다.
도 2의 (b)는 컨벌루션 레이어의 연산 예를 나타낸다.
도 2의 (b)에서, 컨벌루션 레이어가 ic 입력 채널들을 수용하는 경우, 필터가 k x k 크기의 각각의 로컬 입력 값들에 적용되어, 필터 및 로컬 입력 값 간의 점곱(dot product)이 계산될 수 있다. 이는, 모든 입력 채널들에 있어서 입력 값의 높이 및 폭을 고려하여 수행될 수 있다. 컨벌루션 레이어는 점곱 결과를 바이어스(bias)하여 누적하고, 누적된 값에 활성화 함수(activation function)(예: Rectified Linear Unit, ReLU)를 적용하여 oc 출력 채널들을 획득할 수 있다.
풀링 레이어들(220,240)은 글로벌 함수(예: max, average)를 로컬 입력 값들에 적용하여 공간적 크기를 줄일 수 있다. 공간적 크기를 줄이기 위한 풀링의 예로, 최대 풀링은 로컬 내의 입력 값들 중에서 최대 값을 뽑아낼 수 있다.
컨벌루션 신경망은 컨벌루션 레이어들(210,230) 및 풀링 레이어들(220,240)을 통하여 입력 데이터를 잘 표현할 수 있는 특징 값(또는, 특징 맵(feature map))들을 추출할 수 있다.
완전 연결 레이어들(250,260)은 이전 레이어와 전체 뉴런들이 연결되는 레이어일 수 있다. 소프트맥스 레이어(270)는 액티베이션 함수의 일종으로 여러 개의 분류를 가질 수 있는 함수일 수 있다.
컨벌루션 신경망은 완전 연결 레이어(250,260) 및 소프트맥스 레이어(270)를 통하여 추출된 특징 값에 따른 분류 결과를 산출할 수 있다.
도 3a 및 도 3b는, 인공 신경망의 연산을 수행하는 과정을 나타낸다.
도 3a 및 도 3b에서 각각의 신경망 프레임워크는 제1 프로세서(예: CPU) 및 제2 프로세서(예: GPU) 모두를 이용하여 입력 값들을 처리함으로써 처리량을 향상시킬 수 있다.
먼저, 도 3a의 (a)의 제1 신경망 프레임워크는 특정 프로세서에서 모든 신경망 레이어들을 실행하도록 제어할 수 있다. 복수 개의 입력 값들이 수신되는 경우, 신경망 프레임워크는 복수 개의 입력 값들 각각에 대한 인공 신경망의 실행을 서로 다른 프로세서로 분산시킬 수 있다. 예로, 도 3의 (a)의 신경망 프레임워크는 첫 번째 입력 이미지에 대하여는 상 측의 제1 프로세서(예: CPU)의 이미지 분류 신경망을 이용하고, 두 번째 입력 이미지에 대하여는 하 측의 제2 프로세서(예: GPU)의 이미지 분류 신경망을 이용할 수 있다.
제1 프로세서 및 제2 프로세서를 이용하는 경우, 복수 개의 입력 값들이 병렬로 처리되기 때문에 처리량이 향상될 수 있는 장점이 있으나, 각각의 입력 값이 각각의 프로세서에 의하여 처리되기 때문에, 특정 프로세서의 성능에 의하여 인공 신경망 전체의 레이턴시가 좌우될 수가 있다.
도 3a의 (b)의 제2 신경망 프레임워크는 복수 개의 신경망 레이어들의 실행을 서로 다른 프로세서로 분산시킬 수 있다. 예로, 도 3a의 (b)의 신경망 프레임워크는 제1 프로세서(예: CPU)를 이용하여 제1 및 제4 신경망 레이어들(301,304)을 실행하고, 제2 프로세서(예: GPU)를 이용하여 제2, 제3 및 제5 신경망 레이어들(302,303,305)을 실행할 수 있다. 이 경우, 제1 프로세서 및 제2 프로세서 간의 공유를 위한 중간 결과 값들(311,312,313)이 발생할 수 있다. 또한, 각각의 신경망 레이어가 각각의 프로세서에 의하여 단계적으로 처리되기 때문에, 특정 프로세서의 성능에 의하여 인공 신경망 전체의 레이턴시가 좌우될 수 있다.
전술한 도 3a에서, 제1 및 제2 신경망 프레임워크는 복수 개의 프로세서들을 순차적으로 이용하여 신경망 레이어를 실행하기 때문에, 특정 프로세서의 성능에 의하여 인공 신경망의 실행 성능이 제한될 수 있다.
이에, 특정 프로세서의 성능에 의한 지연을 최소화하기 위하여, 도 3b의 제3 신경망 프레임워크와 같이 제1 프로세서(예: CPU) 및 제2 프로세서(예: GPU)를 동시에 이용하여 하나의 신경망 레이어를 처리하는 방식이 이용될 수 있다. 이 경우, 제1, 제2, 및 제4 신경망 레이어들(321,322,324)은 제1 프로세서 및 제2 프로세서에서 동시에 처리될 수 있다. 또한, 제3 및 제5 신경망 레이어들(323,325)은 전술한 도 3a의 (b)와 같이, 제1 프로세서(예: CPU) 및 제2 프로세서(예: GPU)에서 각각 실행될 수 있다. 다양한 실시예로, 제3 및 제5 신경망 레이어들(323,325)은 전술한 도 3a의 (a)와 같이, 제1 프로세서(예: CPU) 및 제2 프로세서(예: GPU) 중 어느 하나의 프로세서에서만 수행될 수도 있다. 이 때, 신경망 계측 박스의 높이는 제1 및 제2 프로세서 각각의 신경망 레이어의 계산량을 나타낼 수 있다.
도 3b의 제3 신경망 프레임워크에 따르면 인공 신경망의 처리 속도가 크게 향상될 수 있다. 제1 프로세서(예: CPU) 및 제2 프로세서(예: GPU) 각각의 신경망 레이어의 실행 레이턴시 및 처리량이 근사할수록 상기 제3 신경망 프레임워크는 더욱 효과적으로 동작할 수 있다.
도 4는, 본 개시의 일 실시예에 따른 인공 신경망을 처리하기 위한 신경망 프레임워크의 구성을 나타낸다.
인공 신경망의 연산 성능을 극대화하기 위하여, 복수 개의 프로세서들(110)의 연산량을 효율적으로 분배할 필요가 있다. 예로, 출력 채널들 관점에서 복수 개의 프로세서들(110)을 대상으로 연산량을 분배하여, 잉여 계산을 줄이고, 성능 이득을 극대화하는 방안이 모색될 수 있다. 이 경우, 복수 개의 프로세서들(110)이 거의 동일한 시간에 하나의 신경망 레이어에 대한 연산을 수행할 필요성이 요구된다.
이를 위하여, 도 4의 레이어 분배부(410)는 제1 프로세서 및 제2 프로세서를 이용하여 인공 신경망을 구성하는 일 신경망 레이어의 연산을 수행하기 위한, 신경망 연산 계획을 획득할 수 있다. 레이어 분배부(410)가 신경망 연산 계획을 획득한다는 것은, 상기 신경망 연산 계획을 메모리(120)로부터 획득하거나, 외부 장치로부터 획득하는 것을 포함할 수 있다. 외부 장치로부터 신경망 연산 계획을 획득하는 경우, 레이어 분배부(410)는 복수 개의 프로세서들(110)의 정보를 외부 장치로 전송하여, 전송에 대한 응답으로 신경망 연산 계획을 획득하는 것을 포함할 수 있다. 또한, 레이어 분배부(410)는 처리할 인공 신경망이 주어진 경우, 인공 신경망의 구조를 분석하여, 가용한 복수 개의 프로세서들(110)을 대상으로, 인공 신경망을 구성하는 각 신경망 레이어에 대한 신경망 연산 계획을 결정하여 획득할 수도 있다. 신경망 연산 계획은, 예로, 제1 프로세서 및 제2 프로세서 간의 연산 비율, 또는 제1 프로세서 및 제2 프로세서 각각의 연산량 중 적어도 하나를 포함할 수 있다.
레이어 분배부(410)는 인공 신경망 구조로서 인공 신경망의 입력 값의 크기, 필터의 크기, 필터의 개수 또는 인공 신경망의 출력 값의 크기 중 적어도 하나에 기반하여 일 신경망 레이어의 연산을 수행할 복수 개의 프로세서들(110) 각각의 연산 정도를 결정할 수 있다. 이때, 레이어 분배부(410)는 복수 개의 프로세서들(110)을 이용하여 인공 신경망을 구성하는 복수 개의 신경망 레이어들 각각의 연산을 수행하기 위한, 신경망 연산 계획을 결정할 수 있다.
일 실시예로, 레이어 분배부(410)는 레이어 분할 데이터베이스(420)에 포함된 정보를 참조하여 신경망 연산 계획을 결정할 수 있다. 레이어 분할 데이터베이스(420)에 포함된 정보는, 예로, 복수 개의 프로세서들(110) 별 인공 신경망의 처리 시간, 또는 복수 개의 프로세서들(110) 별 인공 신경망을 구성하는 신경망 레이어들 각각에 대한 처리 시간을 포함할 수 있다. 이때, 일 프로세서의 신경망 레이어의 처리 시간은, 예로, 상기 프로세서가 상기 일 신경망 레이어를 100% 활용한다고 가정했을 때의 처리 시간을 포함할 수 있다.
또한, 레이어 분배부(410)는 상기 일 신경망 레이어에 대한 처리 시간 및 복수 개의 프로세서들(110) 각각의 가용 자원을 고려하여, 상기 일 신경망 레이어에 대한 복수 개의 프로세서들(110) 각각의 연산 계획을 나타내는 신경망 연산 계획을 결정할 수 있다.
또한, 레이어 분배부(410)는 기 결정된 신경망 연산 계획을 이용하여, 신규 인공 신경망에 대한 신경망 연산 계획을 결정할 수 있다.
또한, 레이어 분배부(410)는 결정된 신경망 연산 계획에 따라 연산을 수행한, 복수 개의 프로세서들(110)의 각각의 실제 레이턴시를 이용하여 인공 신경망에 대한 신경망 연산 계획을 결정할 수 있다.
또한, 레이어 분배부(410)는 전자 장치(100)의 현재 가용 전력(예: 배터리 용량) 및 전자 장치(100)의 전력 효율을 고려하여, 전자 장치(100)의 에너지 상황에 적합한 신경망 연산 계획을 결정할 수 있다. 예로, 레이어 분배부(410)는 전자 장치(100)가 최소의 전력을 이용하도록 신경망 연산 계획을 결정할 수도 있다. 구체적으로, 레이어 분배부(410)는 인공 신경망의 연산에 최소의 전력이 사용될 수 있도록, 복수 개의 프로세서들(110) 별 인공 신경망을 구성하는 신경망 레이어들 각각에 대한 전력 효율을 분석할 수 있다. 레이어 분배부(410)는 분석된 전력 효율에 기반하여, 신경망 레이어의 연산을 수행하는 복수 개의 프로세서들(110) 중 적어도 하나의 동작 주파수를 조절하거나, 복수 개의 프로세서들(111) 중 적어도 하나의 전력을 오프하여, 최소의 전력으로 인공 신경망 연산을 수행하는 신경망 연산 계획을 수립할 수 있다.
레이어 분배부(410)에서 신경망 연산 계획이 결정되면, 신경망 연산 계획에 따라 제1 프로세서는 일 신경망 레이어의 일부 연산을 수행하고, 제2 프로세서는 상기 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다. 제1 프로세서의 수행 결과에 따라 제1 출력 값이 획득되고, 제2 프로세서의 수행 결과에 따라 제2 출력 값이 획득되면, 획득된 제1 출력 값 및 제2 출력 값은 다른 일 신경망 레이어의 입력 값으로 이용될 수 있다.
구체적으로, 도 5는, 채널 지향(channel-wise) 관점에서 복수 개의 프로세서들(110)이 신경망 레이어의 연산을 분배하여 수행하는 과정을 나타낸다. 도 5에서, 제1 및 제2 프로세서의 연산 비율은, p:(1-p)로 가정할 수 있다. 도 5의 (a)는 컨벌루션 레이어 또는 완전 연결 레이어에서 복수 개의 프로세서들(110)이 연산을 분배하여 수행하는 과정을 나타내고, 도 5의 (b)는 풀링 레이어에서 복수 개의 프로세서들(110)이 연산을 분배하여 수행하는 과정을 나타낸다.
도 5의 (a)의 컨벌루션 레이어 또는 완전 연결 레이어에서는 출력 채널에 기반하여, 복수 개의 프로세서들(110)이 신경망 레이어의 연산을 분배하여 실행할 수 있다. 예로, 제1 및 제2 프로세서의 연산 정도에 따라, 입력 값(501)이 적용되는 필터들(511,512)이 채널 별로 분배될 수 있다. 제1 및 제2 프로세서 각각은 분배된 필터들(511,512)을 이용하여 각각의 출력 값들(521,522)을 생성할 수 있다. 생성된 각각의 출력 값들(521,522)은 합쳐져서 완전한 출력 값(531)을 생성할 수 있다. 이 경우, 필터들이 오버랩되지 않고 분배되기 때문에, 제1 및 제2 프로세서 간에는 중복되는 연산이 최소화될 수 있다.
다양한 실시예로, 인공 신경망은 순환 신경망(RNN; Recurrent Neural Network) 계열의 LSTM(Long Short Term Memory) 레이어 및 GRU(Gated Recurrent Unit) 레이어를 포함할 수도 있다. 이 경우, 도 5의 (a)와 같이 출력 채널에 기반하여, 복수 개의 프로세서들(110)이 LSTM 레이어 또는 GRU 레이어의 연산을 분배하여 실행할 수도 있다.
도 5의 (b)의 풀링 레이어에서는 입력 채널에 기반하여, 복수 개의 프로세서들(110)이 신경망 레이어의 연산을 분배하여 실행할 수 있다. 예로, 제1 및 제2 프로세서의 연산 정도에 따라, 입력 값(541)이 채널 별로 분배될 수 있다. 제1 및 제2 프로세서 각각은 분배된 입력 값을 대상으로 전역 함수(global function) 필터들(551,552)을 적용하여 복수 개의 출력 값들(561,562)을 생성할 수 있다. 생성된 각각의 출력 값들(561,562)은 합쳐져서 완전한 출력 값(571)을 생성할 수 있다. 이 경우에도 입력 값이 분리되어 분배되기 때문에, 제1 및 제2 프로세서 간에는 중복되는 연산이 최소화될 수 있다.
다시 도 4에서, 레이어 분배부(410)는 신경망 워크프레임의 성능을 극대화하기 위하여 데이터타입 데이터베이스(430)에 포함된 정보를 참조하여, 각 프로세서들이 사용할 데이터 타입을 획득할 수 있다. 데이터타입 데이터베이스(430)에 포함된 정보는, 예로, 인공 신경망을 처리하기에 적합한 복수 개의 프로세서들(110) 각각의 데이터 타입을 포함할 수 있다. 복수 개의 프로세서들(110) 별 데이터 타입을 참조하여, 레이어 분배부(410)는 복수 개의 프로세서들(110) 각각에 적합한 양자화 방식을 결정할 수도 있다. 이 때, 데이터 타입은, 예로, 16비트 부동 소수점(16-bit floating-points, F16), 8비트 양자화 정수(quantized 8-bit integers, QUInt8) 등을 포함할 수 있으나, 전술한 타입에 제한되는 것은 아니다.
일반적으로, GPU는 그래픽 어플리케이션의 이용에 최적화되도록 부동 소수점을 이용하고, CPU는 한 사이클 당 다수의 8비트 정수를 처리할 수 있는 벡터 ALUs(Arithmetic Logic Units)을 포함할 수 있다. 이 경우, 데이터 타입의 변환을 위하여, 예로, 반정밀 부동 소수점(half-precision floating point) 방식 또는 선형 양자화(linear quantization) 방식이 이용될 수 있다. 반정밀 부동 소수점 방식은, 지수와 가수를 줄임으로써 32비트의 부동 소수점을 16비트의 부동 소수점으로 표현할 수 있다. 선형 양자화 방식은 32비트의 부동 소수점을 8비트의 양의 정수로 표현할 수 있다.
레이어 분배부(410)는 입력 값, 필터, 출력 값을 선형 양자화된 8비트의 정수 값으로 저장할 수 있다. 이는 CPU, GPU 및 메모리 간의 데이터 이동 크기를 최소화할 수 있다.
도 6은, 전술한 두 종류의 양자화 방법의 적용에 따른 신경망 실행 레이턴시를 감소하는 과정을 나타내는 도면이다. 도 6의 (a)는 CPU를 대상으로 데이터 타입을 변환하여 신경망 레이어의 연산을 수행하는 예이고, 도 6의 (b)는 GPU를 대상으로 데이터 타입을 변환하여 신경망 레이어의 연산을 수행하는 예이다.
도 6의 (a)에서, CPU는 벡터 ALUs의 충분한 활용을 위하여 8비트 정수로 신경망의 연산을 수행할 수 있다. CPU에서 8비트의 입력 값과 필터와의 컨벌루션 연산의 누적에 따라 32비트 값이 생성되면, 32비트 출력 값은 기 정의된 양자화 과정을 거쳐서 8비트의 정수 값으로 변환될 수 있다.
도 6의 (b)에서, GPU는 연산 레이턴시를 최소화하기 위하여, 16비트 부동 소수점으로 신경망의 연산을 수행할 수 있다. 이에, 도 6의 (b)에서 8비트 입력 값은 역양자화를 통하여 16비트 값으로 변환되고, 16비트의 입력 값과 필터와의 컨벌루션 연산의 누적에 따라 16비트 값이 생성되면, 16비트 출력 값은 기정의된 양자화 과정을 거쳐서 8비트의 정수 값으로 변환될 수 있다.
이와 같이, 각 프로세서들이 이용할 데이터 타입을 지정함에 따라, 신경망 레이어의 연산 레이턴시가 최소화되고, CPU, GUP 및 메모리 간에 데이터의 이동에 필요한 자원 소비가 최소화될 수 있다.
한편, 최근의 인공 신경망의 연산은 동일한 입력 값을 여러 시퀀스들에 따라 분기(branch)하여 처리하는 방식으로 수행될 수도 있다. 이는, 입력 값이 매우 크거나, 신경망 레이어의 수가 많아서 오버피팅(overfitting) 발생 가능성이 큰 상황에서 이용될 수 있다. 분기 연산은, 다른 필터 크기들을 이용하여 컨벌루션 연산을 수행하거나, 동일한 입력 값에 대하여 병렬로 풀링 연산을 수행한 후, 출력 채널 차수를 기준으로 연산 결과를 연결하여 최종 출력 값을 획득하는 방식으로 수행될 수 있다. 이러한, 분기 연산 방식의 인공 신경망 처리는, 예로, GoogLeNet, SqueezeNet 모듈 등이 있을 수 있다.
본 개시의 실시 예들은 전술한 분기 연산 방식의 인공 신경망 처리에도 적용되어 실행 레이턴시(execution latency)을 더욱 줄일 수 있다. 예로, 레이어 분배부(410)는 분기에 대응되도록 프로세서 별로 연산을 분배할 수 있다. 구체적으로, 레이어 분배부(410)는 병렬 가능한 분기 세트를 식별하고, 식별된 분기 세트들 각각을 제1 프로세서 및 제2 프로세서에 할당할 수 있다. 이에 따라, 제1 및 제2 프로세서가 인공 신경망을 대상으로 분기 연산을 수행하는 것이 가능해질 수 있다.
도 7은, 도 4의 신경망 프레임워크의 레이어 분배부를 상세하게 나타내는 도면이다.
도 7에서, 레이어 분배부(710)는 도 4의 레이어 분배부(410)에 대응될 수 있다. 레이어 분배부(710)는 전술한 채널 지향 기준의 신경망 레이어 연산 분배 방식, 프로세서 별 적합한 양자화 방식 또는 분기 대응 연산 분배 방식 중 적어도 하나를 수행하는 인공 신경망 프레임워크를 위한 소프트웨어 레이어일 수 있다.
레이어 분배부(710)는 인공 신경망 및 필터를 분석하여, 상기 방식들을 인공 신경망의 연산에 적용할 수 있다.
레이어 분배부(710)는 신경망 분할부(711) 및 신경망 실행부(712)를 포함할 수 있다. 신경망 분할부(711)는 프로세서 간 협력 실행하는 신경망 연산 계획을 획득할 수 있다. 예로, 신경망 분할부(711)는, 전술한 채널 지향 기준의 신경망 레이어 연산 분배 방식을 실행하기 위하여, 프로세서 별 최적의 분배 비율을 결정할 수 있다. 예로, 신경망 분할부(711)는 신경망 레이어의 파라미터(예: 필터 크기, 카운트(count) 등) 및 복수 개의 프로세서들 각각의 가용 자원을 고려하여, 프로세서 별 레이턴시를 예측하고, 이를 고려하여 복수 개의 프로세서 별 최적의 분배 비율을 결정할 수 있다. 이때, 프로세서 별 레이턴시를 예측하기 위하여, 예로, 로지스틱 회귀(logistic regression) 알고리즘이 이용될 수 있다.
신경망 실행부(712)는 신경망 연산 계획에 기반하여, 인공 신경망을 실행할 수 있다. 먼저, 신경망 실행부(712)는 필터들을 제1 및 제2 프로세서의 메모리로 업로드할 수 있다. 필터들이 업로드되면, 신경망 분할부(712)는 필터들의 값을 16비트 부동 소수점으로 역양자화(dequantize)할 수 있다. 이후, 신경망 실행부(712)는 최적의 분배 비율로 레이어의 연산을 수행하기 위하여, 미들웨어의 API 함수(예: GPU 실행을 위한 OpenCL 커맨드 등)를 실행시킬 수 있다.
도 8은 본 개시의 실시예에 따른 인공 신경망을 처리하는 전자 장치의 흐름도를 나타낸다.
먼저, 동작 801에서, 전자 장치(100)는 제1 프로세서(111) 및 제2 프로세서(112)를 이용하여 인공 신경망을 구성하는 일 신경망 레이어의 연산을 수행하기 위한, 신경망 연산 계획을 획득할 수 있다. 이때, 신경망 연산 계획은, 제1 프로세서(111) 및 제2 프로세서(112) 간의 연산 비율, 또는 제1 프로세서(111) 및 제2 프로세서(112) 각각의 연산량 중 적어도 하나를 포함할 수 있다.
일 실시예에 따르면, 전자 장치(100)는 제1 프로세서(111) 및 제2 프로세서(112) 각각의 일 신경망 레이어의 처리 시간 또는 제1 프로세서(111) 및 제2 프로세서(112) 각각의 가용 자원 중 적어도 하나에 기반하여, 신경망 연산 계획을 획득할 수 있다.
일 실시예에 따르면, 전자 장치(100)는 인공 신경망의 구조로서, 인공 신경망의 입력 값의 크기, 필터의 크기, 필터의 개수 또는 출력 값의 크기 중 적어도 하나에 기반하여, 신경망 연산 계획을 획득할 수 있다.
일 실시예에 따르면, 전자 장치(100)는 제1 프로세서(111) 및 제2 프로세서(112)를 이용하여 인공 신경망을 구성하는 복수 개의 신경망 레이어들 각각의 연산을 수행하기 위한, 신경망 연산 계획을 획득할 수 있다.
동작 803에서, 전자 장치(100)는 획득된 신경망 연산 계획에 따라, 제1 프로세서(111)를 이용하여 일 신경망 레이어의 일부 연산을 수행하고, 제2 프로세서(112)를 이용하여 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다.
일 실시예에 따르면, 전자 장치(100)는 제1 프로세서(111) 및 제2 프로세서(112) 각각에서 이용되는 데이터 타입을 획득할 수 있다. 그리고, 획득된 신경망 연산 계획 및 데이터 타입에 따라, 제1 프로세서(111)를 이용하여 일 신경망 레이어의 일부 연산을 수행하고, 제2 프로세서(112)를 이용하여 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다.
일 실시예에 따르면, 전자 장치(100)는 제1 입력 채널을 대상으로 제1 프로세서(111)를 이용하여 일 신경망 레이어의 일부 연산을 수행하고, 제1 입력 채널과 다른 제2 입력 채널을 대상으로 제2 프로세서(112)를 이용하여 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다. 이때, 일 신경망 레이어는 컨벌루션 레이어 또는 완전 연결 레이어일 수 있다.
일 실시예에 따르면, 전자 장치(100)는 제1 출력 채널을 대상으로 제1 프로세서(111)를 이용하여 일 신경망 레이어의 일부 연산을 수행하고, 제1 출력 채널과 다른 제2 출력 채널을 대상으로 제2 프로세서(112)를 이용하여 일 신경망 레이어의 다른 일부 연산을 수행할 수 있다. 이때, 일 신경망 레이어는 풀링 레이어일 수 있다.
동작 805에서, 전자 장치(100)는 제1 프로세서의 수행 결과에 따른 제1 출력 값 및 제2 프로세서의 수행 결과에 따른 제2 출력 값을 획득할 수 있다.
동작 807에서, 전자 장치(100)는 획득된 제1 출력 값 및 제2 출력 값을 인공 신경망을 구성하는 다른 일 신경망 레이어의 입력 값으로써 이용할 수 있다.
본 개시에 따라. 복수 개의 프로세서를 이용하여 인공 신경망을 구성하는 복수 개의 레이어들 각각에 대하여 협업 연산을 수행하는 경우, 인공 신경망의 처리 시간이 종래 기술 대비 크게 개선될 수 있다. 예로, 본 개시의 실시예에 따라 이미지 분류 신경망들(예: GoogLeNet, SqueezeNet, VGG-16, AlexNet, MobileNet)의 처리 시간 및 소모 전력이 단일의 프로세서를 이용하는 종래 기술 대비 크게 개선될 수 있다.
본 개시의 실시예를 갤럭시 노트 5에 적용한 결과, 처리 시간은 종래 기술 대비 평균 59.9%가 단축되고, 소모 에너지는 종래 기술 대비 평균 26%가 감소되는 것이 확인될 수 있다. 또한, 본 개시의 실시예를 갤럭시 A5에 적용한 결과, 처리 시간은 종래 기술 대비 평균 69.6%가 단축되고, 소모 에너지는 종래 기술 대비 평균 34%가 감소되는 것이 확인될 수 있다.
이와 같이, 인공 신경망의 처리 시간 단축 및 에너지의 소비량 감소는 인공 신경망의 효율적인 운영 및 활용 분야의 다양화에 큰 기여가 될 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 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, 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(100)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 메모리(120))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(100))의 프로세서(예: 복수 개의 프로세서들(110) 중 적어도 하나)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 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 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 두개의 사용자 장치들(예: 스마트폰들) 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 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.

Claims (15)

  1. 전자 장치가 인공 신경망을 처리하는 방법에 있어서,
    제1 프로세서 및 제2 프로세서를 이용하여 상기 인공 신경망을 구성하는 일 신경망 레이어의 연산을 수행하기 위한, 신경망 연산 계획을 획득하는 동작;
    상기 획득된 신경망 연산 계획에 따라, 상기 제1 프로세서를 이용하여 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제2 프로세서를 이용하여 상기 일 신경망 레이어의 다른 일부 연산을 수행하는 동작;
    상기 제1 프로세서의 수행 결과에 따른 제1 출력 값 및 상기 제2 프로세서의 수행 결과에 따른 제2 출력 값을 획득하는 동작; 및
    상기 획득된 제1 출력 값 및 상기 제2 출력 값을 상기 인공 신경망을 구성하는 다른 일 신경망 레이어의 입력 값으로써 이용하는 동작을 포함하는, 인공 신경망 처리 방법.
  2. 제1항에 있어서
    상기 신경망 연산 계획은,
    상기 제1 프로세서 및 상기 제2 프로세서 간의 연산 비율, 또는 상기 제1 프로세서 및 상기 제2 프로세서 각각의 연산량 중 적어도 하나를 포함하는, 인공 신경망 처리 방법.
  3. 제1항에 있어서,
    상기 제1 프로세서 및 상기 제2 프로세서 각각에서 이용되는 데이터 타입을 획득하는 동작을 더 포함하고,
    상기 일 신경망 레이어의 연산을 수행하는 동작은,
    상기 획득된 신경망 연산 계획 및 상기 데이터 타입에 따라, 상기 제1 프로세서를 이용하여 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제2 프로세서를 이용하여 상기 일 신경망 레이어의 다른 일부 연산을 수행하는 동작을 포함하는, 인공 신경망 처리 방법.
  4. 제1항에 있어서,
    상기 신경망 연산 계획을 획득하는 동작은,
    상기 제1 프로세서 및 상기 제2 프로세서 각각의 상기 일 신경망 레이어의 처리 시간 또는 상기 제1 프로세서 및 상기 제2 프로세서 각각의 가용 자원 중 적어도 하나에 기반하여, 상기 신경망 연산 계획을 획득하는 동작을 포함하는, 인공 신경망 처리 방법.
  5. 제1항에 있어서,
    상기 신경망 연산 계획을 획득하는 동작은,
    상기 인공 신경망의 구조로서, 상기 인공 신경망의 입력 값의 크기, 필터의 크기, 필터의 개수 또는 출력 값의 크기 중 적어도 하나에 기반하여, 상기 신경망 연산 계획을 획득하는 동작을 포함하는, 인공 신경망 처리 방법.
  6. 제1항에 있어서,
    상기 일 신경망 레이어의 연산을 수행하는 동작은,
    제1 입력 채널을 대상으로 상기 제1 프로세서를 이용하여 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제1 입력 채널과 다른 제2 입력 채널을 대상으로 상기 제2 프로세서를 이용하여 상기 일 신경망 레이어의 다른 일부 연산을 수행하는 동작을 포함하는, 인공 신경망 처리 방법.
  7. 제6항에 있어서,
    상기 일 신경망 레이어는,
    컨벌루션 레이어, 완전 연결 레이어, LSTM 레이어 또는 GRU 레이어인, 인공 신경망 처리 방법.
  8. 제1항에 있어서,
    상기 일 신경망 레이어의 연산을 수행하는 동작은,
    제1 출력 채널을 대상으로 상기 제1 프로세서를 이용하여 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제1 출력 채널과 다른 제2 출력 채널을 대상으로 상기 제2 프로세서를 이용하여 상기 일 신경망 레이어의 다른 일부 연산을 수행하는 동작을 포함하는, 인공 신경망 처리 방법.
  9. 제8항에 있어서,
    상기 일 신경망 레이어는, 풀링 레이어인, 인공 신경망 처리 방법.
  10. 제1항에 있어서,
    상기 신경망 연산 계획을 획득하는 동작은,
    상기 제1 프로세서 및 상기 제2 프로세서를 이용하여 상기 인공 신경망을 구성하는 복수 개의 신경망 레이어들 각각의 연산을 수행하기 위한, 신경망 연산 계획을 획득하는 동작을 포함하는, 인공 신경망 처리 방법.
  11. 인공 신경망을 처리하는 전자 장치에 있어서,
    적어도 하나의 인스트럭션들을 저장하는 메모리;
    상기 메모리와 동작 가능하게 연결된, 제1 프로세서 및 제2 프로세서를 포함하는 복수 개의 프로세서들을 포함하고,
    상기 복수 개의 프로세서들 중 적어도 하나는, 인공 신경망에 포함된 일 신경망 레이어의 연산을 수행하기 위한 신경망 연산 계획을 획득하고,
    상기 획득된 신경망 연산 계획에 따라, 상기 제1 프로세서는 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제2 프로세서는 상기 일 신경망 레이어의 다른 일부 연산을 수행하고,
    상기 복수 개의 프로세서들 중 적어도 하나는, 상기 제1 프로세서의 수행 결과에 따른 획득된 제1 출력 값 및 상기 제2 프로세서의 수행 결과에 따른 획득된 제2 출력 값을 상기 인공 신경망을 구성하는 다른 일 신경망 레이어의 입력 값으로써 이용하는, 전자 장치.
  12. 제11항에 있어서
    상기 신경망 연산 계획은,
    상기 제1 프로세서 및 상기 제2 프로세서 간의 연산 비율, 또는 상기 제1 프로세서 및 상기 제2 프로세서 각각의 연산량 중 적어도 하나를 포함하는, 전자 장치.
  13. 제11항에 있어서,
    상기 복수 개의 프로세서들 중 적어도 하나는, 상기 제1 프로세서 및 상기 제2 프로세서 각각에서 이용되는 데이터 타입을 획득하고,
    상기 획득된 신경망 연산 계획 및 상기 데이터 타입에 따라, 상기 제1 프로세서는 상기 일 신경망 레이어의 일부 연산을 수행하고, 상기 제2 프로세서는 상기 일 신경망 레이어의 다른 일부 연산을 수행하는, 전자 장치.
  14. 제11항에 있어서,
    상기 복수 개의 프로세서들 중 적어도 하나는, 상기 제1 프로세서 및 상기 제2 프로세서 각각의 상기 일 신경망 레이어의 실행 시간 또는 상기 제1 프로세서 및 상기 제2 프로세서 각각의 가용 자원 중 적어도 하나에 기반하여, 상기 신경망 연산 계획을 획득하는, 전자 장치.
  15. 제11항에 있어서,
    상기 복수 개의 프로세서들 중 적어도 하나는, 상기 인공 신경망의 구조로서, 상기 인공 신경망의 입력 값의 크기, 필터의 크기, 필터의 개수 또는 출력 값의 크기 중 적어도 하나에 기반하여, 상기 신경망 연산 계획을 획득하는, 전자 장치.
PCT/KR2019/005737 2019-03-20 2019-05-13 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치 WO2020189844A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/478,246 US20220004858A1 (en) 2019-03-20 2021-09-17 Method for processing artificial neural network, and electronic device therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0031654 2019-03-20
KR1020190031654A KR20200111948A (ko) 2019-03-20 2019-03-20 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/478,246 Continuation US20220004858A1 (en) 2019-03-20 2021-09-17 Method for processing artificial neural network, and electronic device therefor

Publications (1)

Publication Number Publication Date
WO2020189844A1 true WO2020189844A1 (ko) 2020-09-24

Family

ID=72520973

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/005737 WO2020189844A1 (ko) 2019-03-20 2019-05-13 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치

Country Status (3)

Country Link
US (1) US20220004858A1 (ko)
KR (1) KR20200111948A (ko)
WO (1) WO2020189844A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220049759A (ko) * 2020-10-15 2022-04-22 삼성전자주식회사 인공 신경망 학습 방법 및 이를 지원하는 전자 장치
KR102344383B1 (ko) * 2021-02-01 2021-12-29 테이블매니저 주식회사 인공지능 기반 매장 수요 예측 방법 및 시스템
KR20230116549A (ko) * 2022-01-28 2023-08-04 삼성전자주식회사 이미지를 분류하는 서버 및 그 동작 방법
KR102656568B1 (ko) * 2022-03-31 2024-04-12 주식회사 에임퓨처 데이터를 분류하는 방법 및 장치
KR20240002416A (ko) * 2022-06-29 2024-01-05 주식회사 딥엑스 Npu를 이용한 머신 분석을 위한 비트스트림 포맷

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120055353A (ko) * 2010-11-23 2012-05-31 삼성전자주식회사 이종 멀티 프로세서 환경에서의 데이터 처리 최적화 장치 및 방법
US20150371132A1 (en) * 2014-06-18 2015-12-24 Nuance Communications, Inc. Methods and apparatus for training an artificial neural network for use in speech recognition
US20160210550A1 (en) * 2015-01-20 2016-07-21 Nomizo, Inc. Cloud-based neural networks
US20180225150A1 (en) * 2015-07-27 2018-08-09 Hewlett Packard Enterprise Development Lp Scheduling heterogenous processors
US20180285718A1 (en) * 2017-04-04 2018-10-04 Hailo Technologies Ltd. Neural Network Processor Incorporating Multi-Level Hierarchical Aggregated Computing And Memory Elements

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120055353A (ko) * 2010-11-23 2012-05-31 삼성전자주식회사 이종 멀티 프로세서 환경에서의 데이터 처리 최적화 장치 및 방법
US20150371132A1 (en) * 2014-06-18 2015-12-24 Nuance Communications, Inc. Methods and apparatus for training an artificial neural network for use in speech recognition
US20160210550A1 (en) * 2015-01-20 2016-07-21 Nomizo, Inc. Cloud-based neural networks
US20180225150A1 (en) * 2015-07-27 2018-08-09 Hewlett Packard Enterprise Development Lp Scheduling heterogenous processors
US20180285718A1 (en) * 2017-04-04 2018-10-04 Hailo Technologies Ltd. Neural Network Processor Incorporating Multi-Level Hierarchical Aggregated Computing And Memory Elements

Also Published As

Publication number Publication date
KR20200111948A (ko) 2020-10-05
US20220004858A1 (en) 2022-01-06

Similar Documents

Publication Publication Date Title
WO2020189844A1 (ko) 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치
Zhou et al. Edge intelligence: Paving the last mile of artificial intelligence with edge computing
CN107515736B (zh) 一种在嵌入式设备上加速深度卷积网络计算速度的方法
CN110837842A (zh) 一种视频质量评估的方法、模型训练的方法及装置
WO2021096009A1 (ko) 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치
CN111931917A (zh) 前向计算的实现方法及装置、存储介质、电子装置
KR102420661B1 (ko) 신경망을 위한 데이터 처리 방법 및 장치
CN111047045B (zh) 机器学习运算的分配系统及方法
CN113313241A (zh) 确定深度学习模型的张量信息的方法和计算装置
Zhao et al. Compact convolutional recurrent neural networks via binarization for speech emotion recognition
CN115081588A (zh) 一种神经网络参数量化方法和装置
WO2020231005A1 (ko) 영상 처리 장치 및 그 동작방법
Wang et al. End-to-end implementation of various hybrid neural networks on a cross-paradigm neuromorphic chip
CN109711540B (zh) 一种计算装置及板卡
US11443173B2 (en) Hardware-software co-design for accelerating deep learning inference
Liang et al. DNN surgery: Accelerating DNN inference on the edge through layer partitioning
WO2022246986A1 (zh) 数据处理方法、装置、设备及计算机可读存储介质
CN111199276B (zh) 数据处理方法及相关产品
CN117171573A (zh) 多模态模型的训练方法、装置、设备和存储介质
CN114301907B (zh) 云计算网络中的业务处理方法、系统、装置及电子设备
CN116579380A (zh) 一种数据处理方法以及相关设备
CN111709784B (zh) 用于生成用户留存时间的方法、装置、设备和介质
CN114444688A (zh) 神经网络的量化方法、装置、设备、存储介质及程序产品
CN111475775B (zh) 图形处理器的数据处理方法、文本处理方法、装置和设备
WO2023098585A1 (zh) 信息传输方法、装置及通信设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19920243

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19920243

Country of ref document: EP

Kind code of ref document: A1