1 |
1
인공 신경망을 구성하는 복수의 학습 모델 중 최적의 학습 모델을 선택하는 학습 모델 선택 장치를 이용한 학습 모델 선택 방법에 있어서,상기 학습 모델 선택 장치가 상기 인공 신경망을 구성하는 복수의 학습 블록들을 부모-자식 노드 관계를 갖는 트리구조로 배치하는 단계;복수의 학습 블록을 포함하여 이루어지고, 각 학습 블록의 연결 경로가 상이한 각 학습 모델에 대하여 상기 학습 모델 선택 장치가 개별적으로 선행 학습을 수행하여 각 학습 모델에 대한 학습 인자를 설정하는 선행 학습 단계;상기 학습 모델 선택 장치가 각 학습 모델에 대하여 본 학습을 수행하고, 검증 데이터를 적용하여 각 학습 모델에 대한 학습 결과를 평가하는 단계; 및상기 학습 모델 선택 장치가 상기 평가 결과에 기초하여 최적의 학습 모델을 선택하는 단계를 포함하되,상기 선행 학습 단계는 상기 인공 신경망에서 설정할 수 있는 모든 학습 모델에 대하여 적어도 1회 이상은 선행 학습을 수행하는 것인 최적 학습 모델 선택 방법
|
2 |
2
제 1 항에 있어서,상기 트리구조로 배치하는 단계는각 계층별로 동일 계층에서의 분기 지점에 평가함수 노드를 배치하는 단계를 포함하고,평가함수 노드에는 각 평가함수 노드가 참조된 횟수 및 해당 평가함수 노드가 상기 연결 경로에 포함되는 각 학습 모델에 대한 평가값이 저장되는 것인 최적 학습 모델 선택 방법
|
3 |
3
제 1 항에 있어서,상기 선행 학습 단계는 상기 연결 경로에 따라 결정되는 개별적인 학습 모델에 대하여 서로 독립적으로 선행학습을 수행하는 것인 최적 학습 모델 선택 방법
|
4 |
4
제 1 항에 있어서,상기 선행 학습 단계는 상기 연결 경로에 따라 결정되는 개별적인 학습 모델에 대하여 선행학습을 수행하되, 동일한 학습 블록을 공유하는 각각의 학습 모델은 학습 인자를 공유하도록 선행학습을 수행하는 것인 최적 학습 모델 선택 방법
|
5 |
5
제 4 항에 있어서,상기 선행 학습 단계는 상기 개별적인 학습 모델에 대하여 미리 설정된 횟수 만큼 동일한 횟수의 선행학습을 수행하거나, 상기 개별적인 학습 모델에 대하여 상기 미리 설정된 횟수에 소정의 변수를 곱한 값에 따라 서로 상이한 횟수의 선행학습을 수행하는 것인 최적 학습 모델 선택 방법
|
6 |
6
제 1 항에 있어서,상기 학습 결과를 평가하는 단계는트리의 분기점에 도달하면 분기점에 배치된 평가함수노드의 정보를 기초로, 모든 자식 학습 블록들이 참조되었는지 확인하는 단계 및참조되지 않은 자식 학습 블록이 있는 경우 해당 블록을 우선적으로 학습하는 단계를 포함하는 최적 학습 모델 선택 방법
|
7 |
7
제 6 항에 있어서,상기 학습 결과를 평가하는 단계는 참조되지 않은 자식 학습 블록이 없는 경우 엡실론 정책 평가 단계에 따라 랜덤값을 지정하고, 랜덤값이 엡실론 값보다 큰 경우 자식 학습 블록들중 임의 자식 학습 블록을 선택하고, 랜덤값이 엡실론값보다 작은 경우 평가값이 가장 큰 경로에 위치한 자식 학습 블록을 선택하는 단계를 더 포함하되,상기 평가값은 아래 수학식 1에 따라 특정된 평가함수(Evaluation function)에 의하여 산출되는 것이고, 상기 엡실론 값은 아래 수학식 2에 따라 산출되는 것인 최적 학습 모델 선택 방법
|
8 |
8
제 2 항에 있어서,상기 각 학습 모델은 입력 레이어로서 기능하며, 입력 데이터에 대하여 합성곱(Convolution) 연산을 수행하고, 자동 정규화(Batch normalization)를 처리하는 제 1 학습 블록,상기 제 1 학습 블록의 자식 노드로서 연결되고, 최대 풀링(max pooling) 처리, 합성곱 연산 및 자동 정규화 처리를 순차적으로 수행하는 제 2 학습 블록,상기 제 1 학습 블록의 자식 노드로서 연결되고, 상기 제 2 학습 블록과 동일 계층에 위치하며, 평균 풀링(average pooling) 처리, 합성곱 연산 및 자동 정규화 처리를 순차적으로 수행하는 제 3 학습 블록,상기 제 2 학습 블록의 자식 노드로서 연결되고, 최대 풀링(max pooling) 처리, 합성곱 연산 및 자동 정규화 처리를 순차적으로 수행하는 제 4 학습 블록,상기 제 2 학습 블록의 자식 노드로서 연결되고, 상기 제 4 학습 블록과 동일 계층에 위치하며 평균 풀링(average pooling) 처리, 합성곱 연산 및 자동 정규화 처리를 순차적으로 수행하는 제 5 학습 블록,상기 제 3 학습 블록의 자식 노드로서 연결되고, 최대 풀링(max pooling) 처리, 합성곱 연산 및 자동 정규화 처리를 순차적으로 수행하는 제 6 학습 블록 및상기 제 3 학습 블록의 자식 노드로서 연결되고, 상기 제 5 학습 블록과 동일 계층에 위치하며 평균 풀링(average pooling) 처리, 합성곱 연산 및 자동 정규화 처리를 순차적으로 수행하는 제 7 학습 블록을 포함하며,상기 제 1 학습 블록, 제 2 학습 블록 및 제 3 학습 블록의 연결 지점에 제 1 평가 함수 노드가 배치되고, 상기 제 2 학습 블록, 제 4 학습 블록 및 제 5 학습 블록의 연결 지점에 제 2 평가 함수 노드가 배치되며, 상기 제 3 학습 블록, 제 6 학습 블록 및 제 7 학습 블록의 연결 지점에 제 3 평가 함수 노드가 배치되는 것인 최적 학습 모델 선택 방법
|
9 |
9
인공 신경망을 구성하는 복수의 학습 모델 중 최적의 학습 모델을 선택하는 학습 모델 선택 장치에 있어서,학습 모델 선택 프로그램을 저장하는 메모리,데이터 입출력을 수행하는 데이터 입출력 모듈 및상기 메모리에 저장된 학습 모델 선택 프로그램을 실행하는 프로세서를 포함하되,상기 학습 모델 선택 프로그램은 상기 프로세서에 의하여 구동되어, 상기 인공 신경망을 구성하는 복수의 학습 블록들을 부모-자식 노드 관계를 갖는 트리구조로 배치하는 과정, 복수의 학습 블록을 포함하여 이루어지고, 각 학습 블록의 연결 경로가 상이한 각 학습 모델에 대하여 개별적으로 선행 학습을 수행하여 각 학습 모델에 대한 학습 인자를 설정하는 선행 학습 과정, 각 학습 모델에 대하여 본 학습을 수행하고, 검증 데이터를 적용하여 각 학습 모델에 대한 학습 결과를 평가하는 과정, 상기 평가 결과에 기초하여 최적의 학습 모델을 선택하는 과정을 수행하되, 상기 선행 학습 과정은 상기 인공 신경망에서 설정할 수 있는 모든 학습 모델에 대하여 적어도 1회 이상은 선행 학습을 수행하는 것인 학습 모델 선택 장치
|
10 |
10
제 9 항에 있어서,상기 트리구조로 배치하는 과정은각 계층별로 동일 계층에서의 분기 지점에 평가함수 노드를 배치하는 것을 특징으로 하고, 평가함수 노드에는 각 평가함수 노드가 참조된 횟수 및 해당 평가함수 노드가 상기 연결 경로에 포함되는 각 학습 모델에 대한 평가값이 저장되는 것인 학습 모델 선택 장치
|
11 |
11
제 9 항에 있어서,상기 선행 학습 과정은 상기 연결 경로에 따라 결정되는 개별적인 학습 모델에 대하여 서로 독립적으로 선행학습을 수행하는 것인 학습 모델 선택 장치
|
12 |
12
제 9 항에 있어서,상기 선행 학습 과정은 상기 연결 경로에 따라 결정되는 개별적인 학습 모델에 대하여 선행학습을 수행하되, 동일한 학습 블록을 공유하는 각각의 학습 모델은 학습 인자를 공유하도록 선행학습을 수행하는 것인 학습 모델 선택 장치
|
13 |
13
제 12 항에 있어서,상기 선행 학습 과정은 상기 개별적인 학습 모델에 대하여 미리 설정된 횟수 만큼 동일한 횟수의 선행학습을 수행하거나, 상기 개별적인 학습 모델에 대하여 상기 미리 설정된 횟수에 소정의 변수를 곱한 값에 따라 서로 상이한 횟수의 선행학습을 수행하는 것인 학습 모델 선택 장치
|
14 |
14
제 9 항에 있어서,상기 학습 결과를 평가하는 과정은트리의 분기점에 도달하면 분기점에 배치된 평가함수노드의 정보를 기초로, 모든 자식 학습 블록들이 참조되었는지 확인하는 과정 및참조되지 않은 자식 학습 블록이 있는 경우 해당 블록을 우선적으로 학습하는 과정을 수행하는 학습 모델 선택 장치
|
15 |
15
제 9 항에 있어서,상기 학습 결과를 평가하는 과정은 참조되지 않은 자식 학습 블록이 없는 경우 엡실론 정책 평가 단계에 따라 랜덤값을 지정하고, 랜덤값이 엡실론 값보다 큰 경우 자식 학습 블록들중 임의 자식 학습 블록을 선택하고, 랜덤값이 엡실론값보다 작은 경우 평가값이 가장 큰 경로에 위치한 자식 학습 블록을 선택하는 과정을 더 포함하되,상기 평가값은 아래 수학식1에 따라 특정된 평가함수(Evaluation function)에 의하여 산출되는 것이고, 상기 엡실론 값은 아래 수학식 2에 따라 산출되는 것인 학습 모델 선택 장치
|