KR20220071713A - 뉴럴 네트워크 가중치 압축 방법 및 장치 - Google Patents
뉴럴 네트워크 가중치 압축 방법 및 장치 Download PDFInfo
- Publication number
- KR20220071713A KR20220071713A KR1020200159160A KR20200159160A KR20220071713A KR 20220071713 A KR20220071713 A KR 20220071713A KR 1020200159160 A KR1020200159160 A KR 1020200159160A KR 20200159160 A KR20200159160 A KR 20200159160A KR 20220071713 A KR20220071713 A KR 20220071713A
- Authority
- KR
- South Korea
- Prior art keywords
- weight
- weights
- compression
- determined
- neural network
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006835 compression Effects 0.000 claims abstract description 310
- 238000007906 compression Methods 0.000 claims abstract description 310
- 230000008859 change Effects 0.000 claims description 53
- 230000009466 transformation Effects 0.000 claims description 21
- 238000013138 pruning Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/70—Type of the data to be coded, other than image and sound
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/60—General implementation details not specific to a particular type of compression
- H03M7/6041—Compression optimized for errors
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/136—Incoming video signal characteristics or properties
-
- 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
-
- 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
-
- 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
- G06N3/06—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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/40—Conversion to or from variable length codes, e.g. Shannon-Fano code, Huffman code, Morse code
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/40—Conversion to or from variable length codes, e.g. Shannon-Fano code, Huffman code, Morse code
- H03M7/4031—Fixed length to variable length coding
- H03M7/4037—Prefix coding
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/46—Conversion to or from run-length codes, i.e. by representing the number of consecutive digits, or groups of digits, of the same kind by a code word and a digit indicative of that kind
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
뉴럴 네트워크 가중치 압축 방법 및 장치가 개시된다. 일 실시예는 뉴럴 네트워크의 가중치들을 포함하는 가중치 세트를 압축하고, 상기 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정하며, 상기 가중치 세트의 압축 결과와 상기 결정된 각 변형 가중치 세트의 압축 결과를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하고, 상기 계산된 각 압축 효율값을 이용하여 상기 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정하고, 상기 결정된 타겟 가중치의 대체 결과를 기초로 상기 가중치들의 최종 압축 결과를 결정한다.
Description
아래 실시예들은 뉴럴 네트워크 가중치 압축 방법 및 장치에 관한 것이다.
뉴럴 네트워크는 복잡한 입력 데이터에 대한 많은 양의 연산을 필요로 할 수 있다. 뉴럴 네트워크가 트레이닝하는 데이터의 양이 증가함에 따라, 뉴럴 네트워크를 구성하는 레이어들 간의 연결이 복잡해질 수 있다. 뿐만 아니라, 뉴럴 네트워크가 트레이닝하는 데이터의 양이 증가함에 따라, 과거의 트레이닝 데이터에 대한 정확도는 증가하지만, 새로운 입력 데이터에 대한 예측 값의 신뢰성이 저하되는 과적합(Over-Fitting) 문제가 발생할 수 있다. 뉴럴 네트워크의 복잡도가 증가함에 따라 메모리 할당량 또한 과도하게 증가되어 소형화 및 상용화에 있어서 문제가 발생할 수 있다.
일 측에 따른 뉴럴 네트워크 가중치 압축 방법은 뉴럴 네트워크의 가중치들을 포함하는 가중치 세트를 압축하는 단계; 상기 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정하는 단계; 상기 가중치 세트의 압축 결과와 상기 결정된 각 변형 가중치 세트의 압축 결과를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하는 단계; 상기 계산된 각 압축 효율값을 이용하여 상기 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정하는 단계; 및 상기 결정된 타겟 가중치의 대체 결과를 기초로 상기 가중치들의 최종 압축 결과를 결정하는 단계를 포함한다.
상기 계산하는 단계는 상기 가중치 세트의 압축 결과의 사이즈와 상기 결정된 각 변형 가중치 세트의 압축 결과의 사이즈 사이의 차이를 계산하는 단계; 상기 가중치 세트와 상기 결정된 각 변형 가중치 세트 사이의 변경 오차를 계산하는 단계; 및 상기 계산된 각 차이와 상기 계산된 각 변경 오차를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하는 단계를 포함할 수 있다.
상기 변경 오차를 계산하는 단계는 상기 가중치들 중 제1 가중치가 이웃 가중치로 변경되어 제1 변형 가중치 세트가 결정된 경우에서, 상기 제1 가중치와 상기 이웃 가중치 사이의 차이 및 상기 제1 가중치의 빈도수를 이용하여 상기 가중치 세트와 상기 제1 변형 가중치 세트 사이의 변경 오차를 계산하는 단계를 포함할 수 있다.
상기 변형 가중치 세트들을 결정하는 단계는 상기 가중치들의 분포를 기초로 상기 가중치들 중에서 하나를 선택하는 단계; 및 상기 선택된 가중치의 이웃 가중치를 상기 선택된 가중치로 변경하는 단계를 포함할 수 있다.
상기 변형 가중치 세트들을 결정하는 단계는 상기 가중치들 중 제1 가중치를 이웃 가중치로 대체하여 제1 변형 가중치 세트를 결정하는 단계를 포함할 수 있다.
상기 타겟 가중치를 결정하는 단계는 상기 계산된 각 압축 효율값에서, 상기 제1 변형 가중치 세트에 대한 압축 효율값이 최대인 경우, 상기 제1 가중치를 상기 타겟 가중치로 결정하는 단계를 포함할 수 있다.
상기 타겟 가중치를 결정하는 단계는 상기 계산된 각 압축 효율값과 임계치를 비교하여 상기 임계치보다 크거나 동일한 압축 효율값을 갖는 변형 가중치 세트를 식별하는 단계; 및 상기 식별된 변형 가중치 세트가 상기 가중치 세트 내의 특정 가중치가 변경됨으로써 결정된 것이면, 상기 특정 가중치를 상기 타겟 가중치로 결정하는 단계를 포함할 수 있다.
상기 변형 가중치 세트들을 결정하는 단계는 상기 가중치들 중 서로 다른 가중치들 각각을 이웃 가중치로 대체함으로써 n개의 변형 가중치 세트들을 결정하는 단계를 포함할 수 있다.
상기 타겟 가중치를 결정하는 단계는 상기 n개의 변형 가중치 세트들 각각의 압축 효율값이 임계치 이상인 경우, 상기 서로 다른 가중치들 각각을 상기 타겟 가중치로 결정하는 단계를 포함할 수 있다.
상기 최종 압축 결과를 결정하는 단계는 상기 서로 다른 가중치들 각각을 상기 서로 다른 가중치들 각각의 이웃 가중치로 대체하여 추가 변형 가중치 세트를 결정하는 단계; 및 상기 결정된 추가 변형 가중치 세트의 압축 결과를 상기 최종 압축 결과로 결정하는 단계를 포함할 수 있다.
상기 최종 압축 결과를 결정하는 단계는 상기 결정된 타겟 가중치를 이웃 가중치로 대체한 변형 가중치 세트에서, 분포 변경이 발생한 적어도 하나의 가중치와 분포 변경이 발생하지 않은 가중치들을 식별하는 단계; 상기 분포 변경이 발생하지 않은 가중치들이 튜닝되고 상기 분포 변경이 발생한 적어도 하나의 가중치는 튜닝되지 않도록 상기 뉴럴 네트워크를 트레이닝하는 단계; 및 상기 튜닝되지 않은 적어도 하나의 가중치와 상기 튜닝된 가중치들을 압축하는 단계를 포함할 수 있다.
상기 가중치들을 프루닝(pruning)하는 단계를 더 포함할 수 있다.
일 측에 따른 압축 장치는 뉴럴 네트워크의 가중치들을 저장하는 메모리; 및 상기 가중치들을 포함하는 가중치 세트를 압축하고, 상기 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정하며, 상기 가중치 세트의 압축 결과와 상기 결정된 각 변형 가중치 세트의 압축 결과를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하고, 상기 계산된 각 압축 효율값을 이용하여 상기 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정하고, 상기 결정된 타겟 가중치의 대체 결과를 기초로 상기 가중치들의 최종 압축 결과를 결정하는 프로세서를 포함한다.
상기 프로세서는 상기 가중치 세트의 압축 결과의 사이즈와 상기 결정된 각 변형 가중치 세트의 압축 결과의 사이즈 사이의 차이를 계산하고, 상기 가중치 세트와 상기 결정된 각 변형 가중치 세트 사이의 변경 오차를 계산하며, 상기 계산된 각 차이와 상기 계산된 각 변경 오차를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다.
상기 프로세서는 상기 가중치들 중 제1 가중치가 이웃 가중치로 변경되어 제1 변형 가중치 세트가 결정된 경우에서, 상기 제1 가중치와 상기 이웃 가중치 사이의 차이 및 상기 제1 가중치의 빈도수를 이용하여 상기 가중치 세트와 상기 제1 변형 가중치 세트 사이의 변경 오차를 계산할 수 있다.
상기 프로세서는 상기 가중치들의 분포를 기초로 상기 가중치들 중에서 하나를 선택하고, 상기 선택된 가중치의 이웃 가중치를 상기 선택된 가중치로 변경할 수 있다.
상기 프로세서는 상기 가중치들 중 제1 가중치를 이웃 가중치로 대체하여 제1 변형 가중치 세트를 결정하고, 상기 계산된 각 압축 효율값에서 상기 제1 변형 가중치 세트에 대한 압축 효율값이 최대인 경우, 상기 제1 가중치를 상기 타겟 가중치로 결정할 수 있다.
상기 프로세서는 상기 계산된 각 압축 효율값과 임계치를 비교하여 상기 임계치보다 크거나 동일한 압축 효율값을 갖는 변형 가중치 세트를 식별하고, 상기 식별된 변형 가중치 세트가 상기 가중치 세트 내의 특정 가중치가 변경됨으로써 결정된 것이면, 상기 특정 가중치를 상기 타겟 가중치로 결정할 수 있다.
상기 프로세서는 n개의 변형 가중치 세트들 -상기 n개의 변형 가중치 세트들 각각은 상기 가중치들 중 서로 다른 가중치들 각각이 이웃 가중치로 대체됨으로써 결정됨- 각각의 압축 효율값이 임계치 이상인 경우, 상기 서로 다른 가중치들 각각을 상기 타겟 가중치로 결정할 수 있다.
상기 프로세서는 상기 서로 다른 가중치들 각각을 상기 서로 다른 가중치들 각각의 이웃 가중치로 대체하여 추가 변형 가중치 세트를 결정하고, 상기 결정된 추가 변형 가중치 세트의 압축 결과를 상기 최종 압축 결과로 결정할 수 있다.
상기 프로세서는 상기 결정된 타겟 가중치를 이웃 가중치로 대체한 변형 가중치 세트에서, 분포 변경이 발생한 적어도 하나의 가중치와 분포 변경이 발생하지 않은 가중치들을 식별하고, 상기 분포 변경이 발생하지 않은 가중치들이 튜닝되고 상기 분포 변경이 발생한 적어도 하나의 가중치는 튜닝되지 않도록 상기 뉴럴 네트워크를 트레이닝하며, 상기 튜닝되지 않은 적어도 하나의 가중치와 상기 튜닝된 가중치들을 압축할 수 있다.
상기 프로세서는 상기 가중치들을 프루닝할 수 있다.
도 1은 일 실시예에 따른 뉴럴 네트워크를 개략적으로 도시한 도면이다.
도 2 내지 도 7은 일 실시예에 따른 압축 장치의 가중치 압축을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 뉴럴 네트워크 가중치 압축 방법을 설명하기 위한 순서도이다.
도 9는 일 실시예에 따른 압축 장치를 설명하기 위한 블록도이다.
도 10은 일 실시예에 따른 압축 장치와 타겟 장치를 포함하는 시스템을 설명하기 위한 도면이다.
도 2 내지 도 7은 일 실시예에 따른 압축 장치의 가중치 압축을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 뉴럴 네트워크 가중치 압축 방법을 설명하기 위한 순서도이다.
도 9는 일 실시예에 따른 압축 장치를 설명하기 위한 블록도이다.
도 10은 일 실시예에 따른 압축 장치와 타겟 장치를 포함하는 시스템을 설명하기 위한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 뉴럴 네트워크를 개략적으로 도시한 도면이다.
도 1을 참조하면, 일 실시예에 따른 뉴럴 네트워크의 예시에 해당하는 딥 뉴럴 네트워크(Deep Neural Network)의 개략적인 구조가 도시된다. 이하, 설명의 편의를 위하여 딥 뉴럴 네트워크의 구조를 예로 들어 설명하지만, 반드시 이에 한정되는 것은 아니며 다양한 구조의 뉴럴 네트워크들이 사용될 수 있다.
딥 뉴럴 네트워크는 뉴럴 네트워크를 구현하는 하나의 방식으로서, 복수의 레이어들(layers)을 포함한다. 딥 뉴럴 네트워크는, 예를 들어, 입력 데이터가 인가되는 입력 레이어(Input Layer), 트레이닝을 바탕으로 입력 데이터에 기반한 예측을 통해 도출된 결과 값을 출력하는 출력 레이어(Output Layer), 및 입력 레이어와 출력 레이어 사이의 다중의 은닉 레이어(Hidden Layer)들을 포함할 수 있다.
딥 뉴럴 네트워크는 정보를 처리하기 위해 이용되는 알고리즘에 따라, 컨볼루션 신경망(Convolutional Neural Network), 및 리커런트 신경망(Recurrent Neural Network) 등으로 분류될 수 있다. 이하, 뉴럴 네트워크 분야의 일반적인 관행에 따라 입력 레이어를 최하위 레이어, 출력 레이어를 최상위 레이어라고 부르며, 최상위 레이어인 출력 레이어부터 최하위 레이어인 입력 레이어까지 순차적으로 레이어들의 순위를 지정하여 명명할 수 있다. 도 1에서, 은닉 레이어 2는 은닉 레이어 1 및 입력 레이어보다 상위 레이어이고, 출력 레이어보다는 하위 레이어에 해당할 수 있다.
딥 뉴럴 네트워크에서 인접한 레이어들 사이에서는 상대적으로 상위인 레이어가, 상대적으로 하위인 레이어의 출력 값에 가중치를 곱하고 바이어스를 적용한 값을 인가 받아 소정의 연산 결과를 출력할 수 있다. 이 때, 출력되는 연산 결과는 해당 레이어에 인접한 상위 레이어에 유사한 방식으로 인가될 수 있다.
뉴럴 네트워크를 트레이닝하는 방식을 예를 들어, 딥러닝(Deep Learning)이라 하며, 상술한 바와 같이 딥러닝에는 컨볼루션 뉴럴 네트워크, 리커런트 뉴럴 네트워크와 같이 다양한 알고리즘이 이용될 수 있다.
"뉴럴 네트워크를 트레이닝한다"는 것은 레이어들 간의 가중치(들) 및 바이어스(들)를 결정하고 갱신하는 것, 및/또는 인접한 레이어들 중 서로 다른 레이어에 속하는 복수의 뉴런들 간의 가중치(들) 및 바이어스(들)를 결정하고 갱신하는 것을 모두 포괄하는 의미로 이해될 수 있다.
복수의 레이어들, 복수의 레이어들 간의 계층적 구조, 뉴런들 간의 가중치 및 바이어스를 모두 총칭하여 뉴럴 네트워크의 "연결성(connectivity)"이라 표현할 수 있다. 이에 따라, "뉴럴 네트워크를 트레이닝한다"는 것은 연결성을 구축하고 트레이닝하는 것으로도 이해될 수 있다.
뉴럴 네트워크에서 복수의 레이어들 각각은 복수의 노드들(nodes)을 포함할 수 있다. 노드는 뉴럴 네트워크의 뉴런(neuron)에 해당할 수 있다. 용어 "뉴런"은 "노드"라는 용어와 동일한 의미로 사용될 수 있다.
도 1의 딥 뉴럴 네트워크에서 어느 한 레이어에 포함된 복수의 노드들과 인접한 레이어에 포함된 복수의 노드들의 조합들 간에 모두 연결 관계가 형성된 것을 볼 수 있다. 이와 같이 뉴럴 네트워크의 인접한 레이어들에 포함된 모든 노드들의 조합들이 모두 서로 연결된 것을 "완전 연결(fully-connected)"이라 부를 수 있다. 도 1에 도시된 은닉 레이어 2의 노드 3-1은 은닉 레이어 1의 모든 노드들, 즉, 노드 2-1 내지 노드 2-4 모두와 연결되어 각각의 노드들의 출력 값에 대하여 소정의 가중치를 곱한 값을 입력 받을 수 있다.
입력 레이어에 입력된 데이터가 복수의 은닉 레이어들을 거쳐 처리됨으로써 출력 레이어를 통해 출력 값이 출력될 수 있다. 이때, 각 노드의 출력 값에 대해 곱해지는 가중치가 클수록 대응하는 두 개의 노드들 간의 연결성이 강화됨을 의미하고, 가중치가 작을수록 두 개의 노드들 간의 연결성이 약화됨을 의미할 수 있다. 가중치가 0인 경우, 두 노드들 간의 연결성이 없음을 의미할 수 있다.
가중치를 통한 노드들 간의 연결성이 증가할수록 뉴럴 네트워크의 연결성이 강화되며 복잡성이 증가할 수 있다. 이에 따라, 호스트가 가중치들을 타겟 장치로 전송하기 위한 이동량이 증가할 수 있다. 후술하겠지만, 타겟 장치는 뉴럴 네트워크의 추론을 수행하는 장치로, 예를 들어, NPU(Neural Processing Unit), GPU(Graphic Processing Unit) 등을 포함할 수 있으나 이에 제한되지 않는다.
일 실시예에 있어서, 압축 장치는 뉴럴 네트워크의 가중치들을 압축할 수 있다. 이를 위해, 압축 장치는 뉴럴 네트워크의 가중치들을 중 압축 효율이 좋은 것으로 결정된 하나 이상의 가중치를 변경할 수 있다. 이에 따라, 압축 장치는 압축률(compression rate) 대비 뉴럴 네트워크의 추론 정확도가 감소하지 않도록 할 수 있다. 이하, 가중치 압축에 대해 설명한다.
도 2 내지 도 7은 일 실시예에 따른 압축 장치의 가중치 압축을 설명하기 위한 도면이다.
도 2를 참조하면, 압축 장치(210)는 뉴럴 네트워크의 가중치들을 획득할 수 있다. 이 때, 뉴럴 네트워크는 미리 트레이닝된(Pre-training) 것일 수 있다.
구현에 따라, 압축 장치(210)는 가중치들에 프루닝(pruning)을 수행할 수 있다. 프루닝에 의해, 프루닝 임계치보다 작은 값을 갖는 가중치는 0으로 변환될 수 있다.
압축 장치(210)는 뉴럴 네트워크의 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정할 수 있다. 이하, 도 3 내지 도 5를 참조하면서 압축 기법이 허프만 코딩(Huffman coding)일 때를 설명하고 도 6 및 도 7을 참조하면서 압축 기법이 런 길이 코딩(run length coding, RLC)일 때를 설명한다. 압축 기법은 허프만 코딩과 런 길이 코딩으로 제한되지 않는다.
도 3을 참조하면, 압축 장치(210)는 뉴럴 네트워크의 가중치들을 포함하는 가중치 세트를 허프만 코딩 기법에 따라 압축할 수 있다. 도 3에 도시된 예에서, 가중치 세트는 2개의 α1, 8개의 α2, 3개의 α3, 1개의 α4, 9개의 α5, 4개의 α6, 3개의 α7, 4개의 α8, 5개의 α9, 7개의 α10을 포함할 수 있다. 압축 장치(210)는 가중치들의 분포를 분석하여 가중치들에 대한 빈도 정보(frequency information)(310)를 결정할 수 있고, 빈도 정보(310)를 기초로 가중치 세트를 압축함으로써 압축 결과(320)를 생성할 수 있다. 도 3에 도시된 예와 같이, 압축 장치(210)는 빈도수가 최대인 가중치(α5)를 가장 작은 비트수로 인코딩할 수 있고, 빈도수가 최소인 가중치(α4)를 가장 많은 비트수로 인코딩할 수 있다.
가중치들 α1 내지 α10 각각이 1bit라 가정하면, 압축 결과(320)의 사이즈(또는 길이)는 145bits이다.
압축 장치(210)는 가중치들 α1 내지 α10 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정할 수 있다. 일례로, 압축 장치(210)는 빈도 정보(310) 또는 압축 결과(320)를 이용하여 최빈도 가중치(α5)를 찾을 수 있고, 최빈도 가중치(α5)의 이웃 가중치를 최빈도 가중치(α5)로 대체할 수 있다. 도 4에 도시된 예와 같이, 압축 장치(210)는 최빈도 가중치(α5)의 이웃 가중치(α4)를 최빈도 가중치(α5)로 대체할 수 있다. 압축 장치(210)는 가중치(α4)를 가중치(α5)로 대체하여 제1 변형 가중치 세트를 결정할 수 있다. 제1 변형 가중치 세트는 2개의 α1, 8개의 α2, 3개의 α3, 10개의 α5, 4개의 α6, 3개의 α7, 4개의 α8, 5개의 α9, 7개의 α10을 포함할 수 있다. 압축 장치(210)는 가중치(α4)를 가중치(α5)로 대체한 빈도 정보(410)를 결정할 수 있고, 빈도 정보(410)를 기초로 제1 변형 가중치 세트를 압축함으로써 압축 결과(420)를 생성할 수 있다.
압축 결과(420)의 사이즈(또는 길이)는 140bits일 수 있다.
압축 장치(210)는 가중치 세트의 압축 결과(320)와 제1 변형 가중치 세트의 압축 결과(420)를 이용하여 제1 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다. 일례로, 압축 장치(210)는 가중치 세트의 압축 결과(320)의 사이즈와 제1 변형 가중치 세트의 압축 결과(420)의 사이즈 사이의 차이를 계산할 수 있고, 가중치 세트와 제1 변형 가중치 세트 사이의 변경 오차를 계산할 수 있으며, 계산된 사이즈 차이와 계산된 변경 오차를 이용하여 제1 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다. 도 4에 도시된 예에서, 압축 장치(210)는 가중치 세트의 압축 결과(320)의 사이즈는 145bits이고 제1 변형 가중치 세트의 압축 결과(420)의 사이즈는 140bits이므로, 가중치 세트의 압축 결과(320)의 사이즈와 제1 변형 가중치 세트의 압축 결과(420)의 사이즈 사이의 차이 "5"를 계산할 수 있다. 압축 장치(210)는 가중치(α5)와 가중치(α4) 사이의 차이 "α5―α4"와 가중치(α4)의 빈도수를 곱하여 가중치 세트와 제1 변형 가중치 세트 사이의 변경 오차를 계산할 수 있다. 가중치 세트에서 가중치(α4)의 빈도수는 1이므로, 가중치 세트와 제1 변형 가중치 세트 사이의 변경 오차는 "α5―α4"일 수 있다. 압축 장치(210)는 앞서 계산된 사이즈 차이 "5"를 변경 오차 "α5―α4" 나눠 제1 변형 가중치 세트의 압축 효율값을 계산할 수 있다. 다시 말해, 압축 장치(210)는 "5/(α5―α4)"를 제1 변형 가중치 세트의 압축 효율값으로 결정할 수 있다.
가중치 세트에서, 최빈도 가중치(α5)는 가중치(α4) 뿐 아니라 가중치(α6)와 이웃하고 있다. 도 4를 통해 설명한 것과 유사하게, 압축 장치(210)는 가중치 세트에서 최빈도 가중치(α5)의 이웃 가중치(α6)를 최빈도 가중치(α5)로 대체할 수 있다. 압축 장치(210)는 가중치(α6)를 가중치(α5)로 대체함으로써 제2 변형 가중치 세트를 결정할 수 있다. 제2 변형 가중치 세트는 2개의 α1, 8개의 α2, 3개의 α3, 1개의 α4, 13개의 α5, 3개의 α7, 4개의 α8, 5개의 α9, 7개의 α10을 포함할 수 있다. 제2 변형 가중치 세트에서 α5가 13개인 것은 4개의 α6이 α5로 대체되었기 때문이다. 압축 장치(210)는 가중치(α6)를 가중치(α5)로 대체한 빈도 정보를 결정할 수 있고, 결정된 빈도 정보를 기초로 제2 변형 가중치 세트를 압축할 수 있다. 압축 장치(210)는 가중치 세트의 압축 결과(320)와 제2 변형 가중치 세트의 압축 결과를 이용하여 제2 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다.
가중치 세트에서, 가중치(α2)는 두번째로 빈도수가 높고, 가중치(α1)와 이웃하고 있다. 가중치(α2)의 빈도수는 가중치(α1)의 빈도수보다 크므로, 압축 장치(210)는 가중치(α1)를 가중치(α2)로 대체하여 제3 변형 가중치 세트를 결정할 수 있다. 압축 장치(210)는 제3 변형 가중치 세트를 압축할 수 있고, 압축 결과(320)와 제3 변형 가중치 세트의 압축 결과를 이용하여 제3 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다. 가중치 세트에서, 가중치(α2)는 가중치(α3)와 이웃하고 있고, 가중치(α2)의 빈도수는 가중치(α3)의 빈도수보다 크다. 압축 장치(210)는 가중치(α2)의 이웃 가중치(α3)를 가중치(α2)로 대체하여 제4 변형 가중치 세트를 결정할 수 있다. 압축 장치(210)는 제4 변형 가중치 세트를 압축할 수 있고, 압축 결과(320)와 제4 변형 가중치 세트의 압축 결과를 이용하여 제4 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다.
가중치 세트에서, 가중치(α10)는 세번째로 빈도수가 높고, 가중치(α9)와 이웃하고 있다. 가중치(α10)의 빈도수는 가중치(α9)의 빈도수보다 크므로, 압축 장치(210)는 가중치(α9)를 가중치(α10)로 대체하여 제5 변형 가중치 세트를 결정할 수 있다. 압축 장치(210)는 제5 변형 가중치 세트를 압축할 수 있고, 압축 결과(320)와 제5 변형 가중치 세트의 압축 결과를 이용하여 제5 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다.
가중치 세트에서, 가중치(α9)는 네번째로 빈도수가 높고 가중치(α10) 및 가중치(α8)와 이웃하고 있다. 이 때, 가중치(α9)의 빈도수는 가중치(α10)의 빈도수보다 낮아 압축 장치(210)는 가중치(α10)를 가중치(α9)로 대체하지 않을 수 있다. 압축 장치(210)는 가중치(α9)의 빈도수가 가중치(α8)의 빈도수보다 커서, 가중치(α8)를 가중치(α9)로 대체하여 제6 변형 가중치 세트를 결정할 수 있다. 압축 장치(210)는 제6 변형 가중치 세트를 압축할 수 있고, 압축 결과(320)와 제6 변형 가중치 세트의 압축 결과를 이용하여 제6 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다.
이러한 방식으로, 압축 장치(210)는 가중치 세트 내의 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정할 수 있고, 가중치 세트의 압축 결과(320)와 각 변형 가중치 세트의 압축 결과를 이용하여 각 변형 가중치 세트에 대한 압축 효율값을 계산할 수 있다.
압축 장치(210)는 각 변형 가중치 세트에 대한 압축 효율값을 이용하여 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정할 수 있다. 일례로, 압축 장치(210)는 각 변형 가중치 세트에 대한 압축 효율값에서 제1 변형 가중치 세트의 압축 효율값 "5/(α5―α4)"이 최대인 경우, 가중치(α4)를 타겟 가중치로 결정할 수 있다. 달리 표현하면, 가중치(α4)를 가중치(α5)로 대체하는 것이 변경 오차 대비 압축 효율이 최대가 되므로, 압축 장치(210)는 가중치(α4)를 타겟 가중치로 결정할 수 있다.
압축 장치(210)는 가중치(α4)를 타겟 가중치로 결정하는 경우 가중치(α4)의 대체 결과(즉, 제1 변형 가중치 세트)를 기초로 최종 압축 결과를 결정할 수 있다.
일례로, 압축 장치(210)는 제1 변형 가중치 세트의 압축 결과(420)를 최종 압축 결과로 결정할 수 있다.
다른 일례로, 압축 장치(210)는 제1 변형 가중치 세트를 정밀 튜닝(fine tuning)하기 위해 뉴럴 네트워크를 트레이닝할 수 있다. 이 때, 압축 장치(210)는 변경이 있는 가중치를 고정시킨 채로 뉴럴 네트워크를 트레이닝할 수 있다. 보다 구체적으로, 앞서 설명한 것과 같이 제1 변형 가중치 세트는 2개의 α1, 8개의 α2, 3개의 α3, 10개의 α5, 4개의 α6, 3개의 α7, 4개의 α8, 5개의 α9, 7개의 α10을 포함한다. 가중치(α4)가 가중치(α5)로 대체됨으로써, 가중치(α5)의 분포가 변경된다. 압축 장치(210)는 제1 변형 가중치 세트에서 분포 변경이 있는 가중치(α5)와 분포 변경이 없는 가중치들(α1, α2, α3, α6, α7, α8, α9, α10)을 식별 또는 구분할 수 있다. 압축 장치(210)는 분포 변경이 있는 가중치(α5)는 튜닝되지 않고 분포 변경이 없는 가중치들(α1, α2, α3, α6, α7, α8, α9, α10)이 튜닝되도록 뉴럴 네트워크를 트레이닝할 수 있다. 이에 따라, 뉴럴 네트워크의 추론 정확도가 보다 향상될 수 있다. 압축 장치(210)는 튜닝되지 않은 가중치(α5)와 튜닝된 가중치들(α1, α2, α3, α6, α7, α8, α9, α10)을 압축할 수 있고, 튜닝되지 않은 가중치(α5)와 튜닝된 가중치들(α1, α2, α3, α6, α7, α8, α9, α10)의 압축 결과를 최종 압축 결과로 결정할 수 있다.
앞서, 최대 압축 효율을 가진 가중치(α4)를 타겟 가중치로 결정하는 것에 대해 설명하였다. 이에 제한되지 않고, 압축 장치(210)는 임계치와 각 변형 가중치 세트의 압축 효율값을 비교함으로써 타겟 가중치를 결정할 수 있다. 보다 구체적으로, 가중치(α4)가 가중치(α5)로 대체된 제1 변형 가중치 세트의 압축 효율값, 가중치(α6)가 가중치(α5)로 대체된 제2 변형 가중치 세트의 압축 효율값, 및 가중치(α1)가 가중치(α2)로 대체된 제3 변형 가중치 세트의 압축 효율값이 임계치 이상일 수 있다. 이 경우, 압축 장치(210)는 가중치(α1), 가중치(α4), 및 가중치(α6) 각각을 타겟 가중치로 결정할 수 있다. 다시 말해, 압축 장치(210)는 압축 효율값이 임계치 이상이 되게 만드는 가중치(α1), 가중치(α4), 및 가중치(α6) 각각을 타겟 가중치로 결정할 수 있다.
압축 장치(210)는 도 5에 도시된 예와 같이 가중치(α1)를 가중치(α2)로 대체하고, 가중치(α4)를 가중치(α5)로 대체하며, 가중치(α6)를 가중치(α5)로 대체할 수 있고, 추가 변형 가중치 세트를 결정할 수 있다. 추가 변형 가중치 세트는 10개의 α2, 3개의 α3, 14개의 α5, 3개의 α7, 4개의 α8, 5개의 α9, 7개의 α10을 포함한다. 압축 장치(210)는 추가 변형 가중치 세트에 대한 빈도 정보(510)를 결정할 수 있고 빈도 정보(510)를 기초로 추가 변형 가중치 세트를 압축하여 압축 결과(520)를 생성할 수 있다. 압축 장치(210)는 압축 결과(520)를 가중치들의 최종 압축 결과로 결정할 수 있다.
구현에 따라, 압축 장치(210)는 추가 변형 가중치 세트를 정밀 튜닝하기 위해 뉴럴 네트워크를 트레이닝할 수 있다. 이 때, 압축 장치(210)는 변경이 있는 가중치를 고정시킨 채로 뉴럴 네트워크를 트레이닝할 수 있다. 보다 구체적으로, 압축 장치(210)는 추가 변형 가중치 세트에서 분포 변경이 있는 가중치들(α2, α5)와 분포 변경이 없는 가중치들(α3, α7, α8, α9, α10)을 식별 또는 구분할 수 있다. 압축 장치(210)는 분포 변경이 있는 가중치들(α2, α5)은 튜닝되지 않고 분포 변경이 없는 가중치들(α3, α7, α8, α9, α10)이 튜닝되도록 뉴럴 네트워크를 트레이닝할 수 있다. 이에 따라, 뉴럴 네트워크의 추론 정확도가 보다 향상될 수 있다. 압축 장치(210)는 튜닝되지 않은 가중치들(α2, α5)과 튜닝된 가중치들(α3, α7, α8, α9, α10)을 압축할 수 있고, 튜닝되지 않은 가중치들(α2, α5)과 튜닝된 가중치들(α3, α7, α8, α9, α10)의 압축 결과를 최종 압축 결과로 결정할 수 있다.
이하, 도 6 및 도 7을 참조하면서 압축 기법이 런 길이 코딩(RLC)일 때를 설명한다.
도 6을 참조하면, 압축 장치(210)는 가중치 세트(610)를 RLC에 따라 압축하여 압축 결과 "a8b6c2"(620)를 생성할 수 있다.
압축 장치(210)는 가중치 세트(610)에서 연속되는 횟수가 가장 많은 가중치(a)를 찾을 수 있고, 가중치(a)의 인접 가중치(b)를 찾을 수 있다. 압축 장치(210)는 가중치(b)를 가중치(a)로 대체하여 변형 가중치 세트 a를 결정할 수 있고, 변형 가중치 세트 a를 압축할 수 있다. 도 7에 도시된 예와 같이, 압축 장치(210)는 변형 가중치 세트 a의 압축 결과 "a14c2"(710)를 생성할 수 있다.
압축 장치(210)는 가중치 세트(610)의 압축 결과(620)와 변형 가중치 세트 a의 압축 결과(710)를 이용하여 변형 가중치 세트 a에 대한 압축 효율값을 계산할 수 있다. 일례로, 압축 장치(210)는 가중치 세트(610)의 압축 결과(620)의 사이즈와 변형 가중치 세트 a의 압축 결과(710)의 사이즈 사이의 차이를 계산할 수 있다. 압축 장치(210)는 가중치 세트(610)와 변형 가중치 세트 a사이의 변경 오차를 계산할 수 있다. 보다 구체적으로, 압축 장치(210)는 압축 장치(210)는 가중치(b)와 가중치(a) 사이의 차이 "b―a"와 가중치(b)의 연속 횟수를 곱하여 가중치 세트(610)와 변형 가중치 세트 a 사이의 변경 오차를 계산할 수 있다. 압축 장치(210)는 계산된 사이즈 차이와 계산된 변경 오차를 이용하여 변형 가중치 세트 a에 대한 압축 효율값을 계산할 수 있다.
압축 장치(210)는 가중치 세트에서 연속되는 횟수가 두번째로 많은 가중치(b)를 찾을 수 있다. 가중치(b)의 인접 가중치(a)의 연속 횟수는 가중치(b)의 연속 횟수보다 크지만, 가중치(b)의 인접 가중치(c)의 연속 횟수는 가중치(b)의 연속 횟수보다 작다. 압축 장치(210)는 가중치(c)를 가중치(b)로 대체하여 변형 가중치 세트 b를 결정할 수 있고, 변형 가중치 세트 b를 압축할 수 있다. 도 7에 도시된 예와 같이, 압축 장치(210)는 변형 가중치 세트 b의 압축 결과 "a8b8"(720)를 생성할 수 있다. 앞서 변형 가중치 세트 a에 대한 압축 효율값과 유사하게, 압축 장치(210)는 가중치 세트(610)의 압축 결과(620)와 변형 가중치 세트 b의 압축 결과(720)를 이용하여 변형 가중치 세트 b에 대한 압축 효율값을 계산할 수 있다.
압축 장치(210)는 변형 가중치 세트 a에 대한 압축 효율값과 변형 가중치 세트 b에 대한 압축 효율값 중 변형 가중치 세트 b에 대한 압축 효율값이 최대인 경우, 변형 가중치 세트 b를 기초로 최종 압축 결과를 결정할 수 있다. 일례로, 압축 장치(210)는 변형 가중치 세트 b의 압축 결과(720)를 최종 압축 결과로 결정할 수 있다. 다른 일례로, 압축 장치(210)는 변형 가중치 세트 b를 정밀 튜닝하기 위해 뉴럴 네트워크를 트레이닝할 수 있다. 변형 가중치 세트 b는 가중치(c)가 가중치(b)로 대체된 것이므로, 압축 장치(210)는 연속 횟수가 변경된 가중치(b)는 튜닝되지 않고 연속 횟수가 변경되지 않은 가중치(a)가 튜닝되도록 뉴럴 네트워크를 트레이닝할 수 있다. 압축 장치(210)는 튜닝된 가중치(a)와 튜닝되지 않은 가중치(b)의 압축 결과를 최종 압축 결과로 결정할 수 있다.
도 8은 일 실시예에 따른 뉴럴 네트워크 가중치 압축 방법을 설명하기 위한 순서도이다.
도 8을 참조하면, 압축 장치(210)는 뉴럴 네트워크의 가중치들을 포함하는 가중치 세트를 압축한다(810).
압축 장치(210)는 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정한다(820). 단계(820)에서, 압축 장치(210)는 가중치들의 분포를 기초로 가중치들 중에서 하나 이상을 선택할 수 있다. 가중치들의 분포는, 예를 들어, 가중치들에 대한 빈도 정보 또는 각 가중치의 연속 횟수를 포함할 수 있으나 이에 제한되지 않는다. 일례로, 압축 장치(210)는 최빈도 가중치 또는 연속 횟수가 최대인 가중치를 선택할 수 있고, 선택된 가중치의 최근접(nearest) 가중치를 찾을 수 있다. 여기서, "최근접"은 선택된 가중치와 차이가 가장 작은 것을 의미한다. 압축 장치(210)는 최근접 가중치를 선택된 가중치로 변경할 수 있다. 앞서 도 4를 통해 설명한 예에서, 압축 장치(210)는 최빈도 가중치(α5)의 최근접 가중치(α4)를 찾을 수 있고, 가중치(α4)를 가중치(α5)로 변경하여 제1 변형 가중치 세트를 결정할 수 있다. 이와 같이, 압축 장치(210)는 가중치 선택 및 대체를 반복함으로써 변형 가중치 세트들을 결정할 수 있다.
압축 장치(210)는 가중치 세트의 압축 결과와 각 변형 가중치 세트의 압축 결과를 이용하여 각 변형 가중치 세트에 대한 압축 효율값을 계산한다(830). 이에 대해선 위에서 자세히 설명하였으므로, 여기에서 상세한 설명을 생략한다.
압축 장치(210)는 계산된 각 압축 효율값을 이용하여 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정하고(840), 타겟 가중치의 대체 결과를 기초로 가중치들의 최종 압축 결과를 결정한다(850). 달리 표현하면, 압축 장치(210)는 계산된 각 압축 효율값을 이용하여 변형 가중치 세트들 중 하나 이상을 선택할 수 있고, 이러한 선택 결과를 기초로 최종 압축 결과를 결정할 수 있다. 일례로, 압축 장치(210)는 위에서 설명한 제1 변형 가중치 세트의 압축 효율값이 최대인 경우 제1 변형 가중치 세트를 선택할 수 있다. 압축 장치(210)는 제1 변형 가중치 세트의 압축 결과(420)를 최종 압축 결과로 결정할 수 있다. 다른 일례로, 압축 장치(210)는 각 변형 가중치 세트의 압축 효율값을 임계치와 비교할 수 있다. 이 때, 압축 장치(210)는 n개의 변형 가중치 세트들(여기서, n개의 변형 가중치 세트들 각각은 가중치들 중 서로 다른 가중치들 각각이 이웃 가중치로 대체됨으로써 결정됨) 각각의 압축 효율값이 임계치 이상인 경우, 서로 다른 가중치들 각각을 타겟 가중치로 결정할 수 있다. 보다 구체적으로, 압축 장치(210)는 위에서 설명한 제1 내지 제3 변형 가중치 세트 각각의 압축 효율값이 임계치 이상인 경우, 가중치(α1), 가중치(α4), 및 가중치(α6) 각각을 타겟 가중치로 결정할 수 있다. 압축 장치(210)는 가중치(α1)를 가중치(α2)로 대체하고 가중치(α4)를 가중치(α5)로 대체하며 가중치(α6)를 가중치(α5)로 대체함으로써 추가 변형 가중치 세트를 결정할 수 있고, 추가 변형 가중치 세트를 기초로 최종 압축 결과를 결정할 수 있다.
도 1 내지 도 7을 통해 기술된 사항들은 도 8을 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
도 9는 일 실시예에 따른 압축 장치를 설명하기 위한 블록도이다.
도 9를 참조하면, 압축 장치(210)는 메모리(910) 및 프로세서(920)를 포함한다.
메모리(910)는 뉴럴 네트워크의 가중치들을 저장한다.
프로세서(920)는 압축 장치(210)의 전체적인 동작을 제어 또는 수행한다.
프로세서(920)는 가중치들을 포함하는 가중치 세트를 압축한다.
프로세서(9210)는 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정한다.
프로세서(920)는 가중치 세트의 압축 결과와 각 변형 가중치 세트의 압축 결과를 이용하여 각 변형 가중치 세트에 대한 압축 효율값을 계산한다.
프로세서(920)는 계산된 각 압축 효율값을 이용하여 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정한다.
프로세서(920)는 타겟 가중치의 대체 결과를 기초로 가중치들의 최종 압축 결과를 결정한다.
도 1 내지 도 7을 통해 기술된 사항들은 도 8을 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
도 10은 일 실시예에 따른 압축 장치와 타겟 장치를 포함하는 시스템을 설명하기 위한 도면이다.
도 10을 참조하면, 시스템(1000)은 호스트(1010), 메모리(1020), 및 타겟 장치(1030)를 포함한다.
시스템(1000)은 서버 시스템으로 구현될 수 있다. 이에 제한되지 않고, 시스템(1000)은 스마트폰, 태블릿 PC 등의 이동 단말로 구현될 수 있다.
호스트(1010)는 압축 장치(210)를 포함한다.
메모리(1020)는 DRAM(Dynamic Random Access Memory)일 수 있으나 이에 제한되지 않는다.
압축 장치(210)는 최종 압축 결과를 메모리(1020)에 저장할 수 있다.
타겟 장치(1030)는 뉴럴 네트워크의 추론을 수행하는 장치로, NPU, GPU 등을 포함할 수 있으나 이에 제한되지 않는다. 이러한 추론은, 예를 들어, 객체 분류, 객체 검출, 객체 추적, 객체 식별, 객체 인식, 사용자 인증 등을 포함할 수 있으나 이에 제한되지 않는다.
타겟 장치(1030)는 메모리(1020)에서 가중치들의 최종 압축 결과를 가져와 메모리(1030-1)에 저장할 수 있다. 메모리(1030-1)는 SRAM(Static Random Access Memory)일 수 있으나 이에 제한되지 않는다.
타겟 장치(1030)의 압축 해제기(decompressor)(1030-2)는 메모리(1030-1)에 저장된 최종 압축 결과를 해제할 수 있다. 일례로, 최종 압축 결과가 도 4를 통해 설명한 압축 결과(420)에 해당할 수 있다. 압축 해제기(1030-2)는 압축 결과(420)를 해제함으로써 2개의 α1, 8개의 α2, 3개의 α3, 10개의 α5, 4개의 α6, 3개의 α7, 4개의 α8, 5개의 α9, 7개의 α10을 획득할 수 있다.
압축 해제기(1030-2)는 압축 해제 결과를 버퍼(1030-3)에 저장할 수 있다.
MAC 배열(Multiply-Accumulate Operation array)(1030-4)는 버퍼(1030-3)에 저장된 가중치들을 기초로 연산을 수행할 수 있다. 이러한 연산에 따라 뉴럴 네트워크의 추론 결과가 생성될 수 있다.
타겟 장치(1030)는 뉴럴 네트워크의 추론 결과를 호스트(1010)로 전송할 수 있다.
도 1 내지 도 9를 통해 기술된 사항들은 도 10을 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 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 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (20)
- 뉴럴 네트워크 가중치 압축 방법에 있어서,
뉴럴 네트워크의 가중치들을 포함하는 가중치 세트를 압축하는 단계;
상기 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정하는 단계;
상기 가중치 세트의 압축 결과와 상기 결정된 각 변형 가중치 세트의 압축 결과를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하는 단계;
상기 계산된 각 압축 효율값을 이용하여 상기 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정하는 단계; 및
상기 결정된 타겟 가중치의 대체 결과를 기초로 상기 가중치들의 최종 압축 결과를 결정하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제1항에 있어서,
상기 계산하는 단계는,
상기 가중치 세트의 압축 결과의 사이즈와 상기 결정된 각 변형 가중치 세트의 압축 결과의 사이즈 사이의 차이를 계산하는 단계;
상기 가중치 세트와 상기 결정된 각 변형 가중치 세트 사이의 변경 오차를 계산하는 단계; 및
상기 계산된 각 차이와 상기 계산된 각 변경 오차를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제2항에 있어서,
상기 변경 오차를 계산하는 단계는,
상기 가중치들 중 제1 가중치가 이웃 가중치로 변경되어 제1 변형 가중치 세트가 결정된 경우에서, 상기 제1 가중치와 상기 이웃 가중치 사이의 차이 및 상기 제1 가중치의 빈도수를 이용하여 상기 가중치 세트와 상기 제1 변형 가중치 세트 사이의 변경 오차를 계산하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제1항에 있어서,
상기 변형 가중치 세트들을 결정하는 단계는,
상기 가중치들의 분포를 기초로 상기 가중치들 중에서 하나를 선택하는 단계; 및
상기 선택된 가중치의 이웃 가중치를 상기 선택된 가중치로 변경하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제1항에 있어서,
상기 변형 가중치 세트들을 결정하는 단계는,
상기 가중치들 중 제1 가중치를 이웃 가중치로 대체하여 제1 변형 가중치 세트를 결정하는 단계
를 포함하고,
상기 타겟 가중치를 결정하는 단계는,
상기 계산된 각 압축 효율값에서, 상기 제1 변형 가중치 세트에 대한 압축 효율값이 최대인 경우, 상기 제1 가중치를 상기 타겟 가중치로 결정하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제1항에 있어서,
상기 타겟 가중치를 결정하는 단계는,
상기 계산된 각 압축 효율값과 임계치를 비교하여 상기 임계치보다 크거나 동일한 압축 효율값을 갖는 변형 가중치 세트를 식별하는 단계; 및
상기 식별된 변형 가중치 세트가 상기 가중치 세트 내의 특정 가중치가 변경됨으로써 결정된 것이면, 상기 특정 가중치를 상기 타겟 가중치로 결정하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제1항에 있어서,
상기 변형 가중치 세트들을 결정하는 단계는,
상기 가중치들 중 서로 다른 가중치들 각각을 이웃 가중치로 대체함으로써 n개의 변형 가중치 세트들을 결정하는 단계
를 포함하고,
상기 타겟 가중치를 결정하는 단계는,
상기 n개의 변형 가중치 세트들 각각의 압축 효율값이 임계치 이상인 경우, 상기 서로 다른 가중치들 각각을 상기 타겟 가중치로 결정하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제7항에 있어서,
상기 최종 압축 결과를 결정하는 단계는,
상기 서로 다른 가중치들 각각을 상기 서로 다른 가중치들 각각의 이웃 가중치로 대체하여 추가 변형 가중치 세트를 결정하는 단계; 및
상기 결정된 추가 변형 가중치 세트의 압축 결과를 상기 최종 압축 결과로 결정하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제1항에 있어서,
상기 최종 압축 결과를 결정하는 단계는,
상기 결정된 타겟 가중치를 이웃 가중치로 대체한 변형 가중치 세트에서, 분포 변경이 발생한 적어도 하나의 가중치와 분포 변경이 발생하지 않은 가중치들을 식별하는 단계;
상기 분포 변경이 발생하지 않은 가중치들이 튜닝되고 상기 분포 변경이 발생한 적어도 하나의 가중치는 튜닝되지 않도록 상기 뉴럴 네트워크를 트레이닝하는 단계; 및
상기 튜닝되지 않은 적어도 하나의 가중치와 상기 튜닝된 가중치들을 압축하는 단계
를 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 제1항에 있어서,
상기 가중치들을 프루닝(pruning)하는 단계
를 더 포함하는,
뉴럴 네트워크 가중치 압축 방법. - 뉴럴 네트워크의 가중치들을 저장하는 메모리; 및
상기 가중치들을 포함하는 가중치 세트를 압축하고, 상기 가중치들 중 적어도 하나를 변경하여 변형 가중치 세트들을 결정하며, 상기 가중치 세트의 압축 결과와 상기 결정된 각 변형 가중치 세트의 압축 결과를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하고, 상기 계산된 각 압축 효율값을 이용하여 상기 가중치들 중에서 압축 효율 조건을 만족시키는 타겟 가중치를 결정하고, 상기 결정된 타겟 가중치의 대체 결과를 기초로 상기 가중치들의 최종 압축 결과를 결정하는 프로세서
를 포함하는,
압축 장치. - 제11항에 있어서,
상기 프로세서는,
상기 가중치 세트의 압축 결과의 사이즈와 상기 결정된 각 변형 가중치 세트의 압축 결과의 사이즈 사이의 차이를 계산하고, 상기 가중치 세트와 상기 결정된 각 변형 가중치 세트 사이의 변경 오차를 계산하며, 상기 계산된 각 차이와 상기 계산된 각 변경 오차를 이용하여 상기 결정된 각 변형 가중치 세트에 대한 압축 효율값을 계산하는,
압축 장치. - 제12항에 있어서,
상기 프로세서는,
상기 가중치들 중 제1 가중치가 이웃 가중치로 변경되어 제1 변형 가중치 세트가 결정된 경우에서, 상기 제1 가중치와 상기 이웃 가중치 사이의 차이 및 상기 제1 가중치의 빈도수를 이용하여 상기 가중치 세트와 상기 제1 변형 가중치 세트 사이의 변경 오차를 계산하는,
압축 장치. - 제11항에 있어서,
상기 프로세서는,
상기 가중치들의 분포를 기초로 상기 가중치들 중에서 하나를 선택하고, 상기 선택된 가중치의 이웃 가중치를 상기 선택된 가중치로 변경하는,
압축 장치. - 제11항에 있어서,
상기 프로세서는,
상기 가중치들 중 제1 가중치를 이웃 가중치로 대체하여 제1 변형 가중치 세트를 결정하고, 상기 계산된 각 압축 효율값에서 상기 제1 변형 가중치 세트에 대한 압축 효율값이 최대인 경우, 상기 제1 가중치를 상기 타겟 가중치로 결정하는,
압축 장치. - 제11항에 있어서,
상기 프로세서는,
상기 계산된 각 압축 효율값과 임계치를 비교하여 상기 임계치보다 크거나 동일한 압축 효율값을 갖는 변형 가중치 세트를 식별하고, 상기 식별된 변형 가중치 세트가 상기 가중치 세트 내의 특정 가중치가 변경됨으로써 결정된 것이면, 상기 특정 가중치를 상기 타겟 가중치로 결정하는,
압축 장치. - 제11항에 있어서,
상기 프로세서는,
n개의 변형 가중치 세트들 -상기 n개의 변형 가중치 세트들 각각은 상기 가중치들 중 서로 다른 가중치들 각각이 이웃 가중치로 대체됨으로써 결정됨- 각각의 압축 효율값이 임계치 이상인 경우, 상기 서로 다른 가중치들 각각을 상기 타겟 가중치로 결정하는,
압축 장치. - 제17항에 있어서,
상기 프로세서는,
상기 서로 다른 가중치들 각각을 상기 서로 다른 가중치들 각각의 이웃 가중치로 대체하여 추가 변형 가중치 세트를 결정하고, 상기 결정된 추가 변형 가중치 세트의 압축 결과를 상기 최종 압축 결과로 결정하는,
압축 장치. - 제11항에 있어서,
상기 프로세서는,
상기 결정된 타겟 가중치를 이웃 가중치로 대체한 변형 가중치 세트에서, 분포 변경이 발생한 적어도 하나의 가중치와 분포 변경이 발생하지 않은 가중치들을 식별하고, 상기 분포 변경이 발생하지 않은 가중치들이 튜닝되고 상기 분포 변경이 발생한 적어도 하나의 가중치는 튜닝되지 않도록 상기 뉴럴 네트워크를 트레이닝하며, 상기 튜닝되지 않은 적어도 하나의 가중치와 상기 튜닝된 가중치들을 압축하는,
압축 장치. - 제11항에 있어서,
상기 프로세서는,
상기 가중치들을 프루닝하는,
압축 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200159160A KR20220071713A (ko) | 2020-11-24 | 2020-11-24 | 뉴럴 네트워크 가중치 압축 방법 및 장치 |
| US17/394,584 US11502701B2 (en) | 2020-11-24 | 2021-08-05 | Method and apparatus for compressing weights of neural network |
| US17/965,141 US11632129B2 (en) | 2020-11-24 | 2022-10-13 | Method and apparatus for compressing weights of neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200159160A KR20220071713A (ko) | 2020-11-24 | 2020-11-24 | 뉴럴 네트워크 가중치 압축 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220071713A true KR20220071713A (ko) | 2022-05-31 |
Family
ID=81657560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200159160A KR20220071713A (ko) | 2020-11-24 | 2020-11-24 | 뉴럴 네트워크 가중치 압축 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (2) | US11502701B2 (ko) |
| KR (1) | KR20220071713A (ko) |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7143046B2 (en) | 2001-12-28 | 2006-11-28 | Lucent Technologies Inc. | System and method for compressing a data table using models |
| US6917315B2 (en) | 2003-10-09 | 2005-07-12 | Nokia Corporation | Model based code compression |
| US20180082181A1 (en) | 2016-05-13 | 2018-03-22 | Samsung Electronics, Co. Ltd. | Neural Network Reordering, Weight Compression, and Processing |
| KR20170128080A (ko) | 2016-05-13 | 2017-11-22 | 삼성전자주식회사 | 신경 네트워크를 구현하는 방법 및 장치 |
| CN106548234A (zh) | 2016-11-17 | 2017-03-29 | 北京图森互联科技有限责任公司 | 一种神经网络剪枝方法及装置 |
| CN107688850B (zh) | 2017-08-08 | 2021-04-13 | 赛灵思公司 | 一种深度神经网络压缩方法 |
| US11423312B2 (en) | 2018-05-14 | 2022-08-23 | Samsung Electronics Co., Ltd | Method and apparatus for universal pruning and compression of deep convolutional neural networks under joint sparsity constraints |
| KR102153192B1 (ko) | 2018-10-31 | 2020-09-08 | 주식회사 노타 | 시뮬레이션-가이드된 반복적 프루닝을 사용하는 효율적인 네트워크 압축 |
| US11588499B2 (en) | 2018-11-05 | 2023-02-21 | Samsung Electronics Co., Ltd. | Lossless compression of neural network weights |
| KR20200064348A (ko) | 2018-11-29 | 2020-06-08 | 연세대학교 산학협력단 | 텐서 분해 기반의 모델 압축 방법 및 장치 |
| US11488329B2 (en) * | 2020-06-29 | 2022-11-01 | Tencent America LLC | Method and apparatus for multi-rate neural image compression with stackable nested model structures |
-
2020
- 2020-11-24 KR KR1020200159160A patent/KR20220071713A/ko active Search and Examination
-
2021
- 2021-08-05 US US17/394,584 patent/US11502701B2/en active Active
-
2022
- 2022-10-13 US US17/965,141 patent/US11632129B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US11502701B2 (en) | 2022-11-15 |
| US20220166444A1 (en) | 2022-05-26 |
| US20230033423A1 (en) | 2023-02-02 |
| US11632129B2 (en) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11531889B2 (en) | Weight data storage method and neural network processor based on the method | |
| US10714058B2 (en) | Decision-based data compression by means of deep learning technologies | |
| US20180082181A1 (en) | Neural Network Reordering, Weight Compression, and Processing | |
| US20220092031A1 (en) | Data compression method and computing device | |
| CN111241851A (zh) | 语义相似度确定方法、装置及处理设备 | |
| KR20180013674A (ko) | 뉴럴 네트워크의 경량화 방법, 이를 이용한 인식 방법, 및 그 장치 | |
| KR20200079059A (ko) | 비트 연산 기반의 뉴럴 네트워크 처리 방법 및 장치 | |
| WO2020204904A1 (en) | Learning compressible features | |
| US20220147792A1 (en) | Processor, and method for generating binarized weights for a neural network | |
| US20210133570A1 (en) | Neural network method and apparatus | |
| WO2023150912A1 (zh) | 算子的调度运行时间比较方法、装置及存储介质 | |
| Goetschalckx et al. | Efficiently combining svd, pruning, clustering and retraining for enhanced neural network compression | |
| KR102327026B1 (ko) | Gcn 기반의 어셈블리 코드 학습 장치 및 방법과 이를 이용한 보안 약점 탐지 장치 및 방법 | |
| KR20220073088A (ko) | 자원이 제약된 모바일 기기에서 동적 데이터 변환에 적응하기 위한 전문화된 경량 신경망 교체 방법 및 장치 | |
| Wang et al. | Training compressed fully-connected networks with a density-diversity penalty | |
| US20220284298A1 (en) | Method and apparatus for pruning neural networks | |
| KR20210053791A (ko) | 뉴럴 네트워크의 데이터를 처리하는 방법 및 장치 | |
| KR20220071713A (ko) | 뉴럴 네트워크 가중치 압축 방법 및 장치 | |
| WO2023078009A1 (zh) | 一种模型权重获取方法以及相关*** | |
| CN112840358A (zh) | 用于深度神经网络的基于光标的自适应量化 | |
| US10938412B2 (en) | Decompression of model parameters using functions based upon cumulative count distributions | |
| Zhao et al. | Genetic simulated annealing-based kernel vector quantization algorithm | |
| KR20230065017A (ko) | 인공지능 분석 기반 프로그램 소스코드의 요약문 생성 장치 및 방법 | |
| CN113537447A (zh) | 多层神经网络的生成方法、装置、应用方法及存储介质 | |
| KR20240111317A (ko) | 효율적인 객체 감지를 위한 입력 단위 네트워크 양자화 방법을 수행하는 영상인식장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |