1 |
1
심층학습 신경망 데이터 압축 방법에 있어서,입력 데이터를 입력 받아 학습을 통해 상기 입력 데이터에 대응하는 심층학습 모델 파라미터를 채널 별로 추출하는 단계;상기 채널 별로 추출된 상기 심층학습 모델 파라미터를 비트플레인 별로 재구성하여 비트플레인 별로 재구성된 심층학습 모델 파라미터를 출력하는 단계;상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 압축하여 압축 데이터로써 출력하는 단계를 포함하는 방법
|
2 |
2
제 1 항에 있어서,상기 채널 별로 추출된 상기 심층학습 모델 파라미터는 복수의 레이어들을 포함하고,상기 채널 별로 추출된 상기 심층학습 모델 파라미터는 부동 소수점 형식으로 표현되는 방법
|
3 |
3
제 2 항에 있어서,상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 출력하는 단계는:부동 소수점 형식으로 표현된 상기 채널 별로 추출된 상기 심층학습 모델 파라미터의 각각의 가수 부분의 하나 이상의 최상위 비트들을 하나 이상의 최상위 벡터들로 재구성하는 단계를 포함하는 방법
|
4 |
4
제 3 항에 있어서,상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 출력하는 단계는:상기 하나 이상의 최상위 벡터들을 상기 복수의 레이어들에 저장하는 단계를 더 포함하는 방법
|
5 |
5
제 1 항에 있어서,상기 압축 데이터로써 출력하는 단계는 상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 산술 압축 기법을 이용하여 압축하는 단계를 포함하는 방법
|
6 |
6
심층학습 신경망 데이터 압축 장치를 포함하는 시스템에 있어서,상기 시스템은 클라우드 서버 및 엣지 단말을 포함하되,상기 클라우드 서버는:입력 데이터를 입력 받아 채널 별로 심층 학습 모델 파라미터를 추출하는 파라미터 추출부;상기 채널 별로 추출된 상기 심층 학습 모델 파라미터에 기반하여 비트플레인 별로 재구성된 심층 학습 모델 파라미터를 출력하는 비트플레인 분해부; 및상기 비트플레인 별로 재구성된 심층 학습 모델 파라미터를 압축하여 압축 데이터로써 출력하는 압축부를 포함하고,상기 엣지 단말은:상기 압축 데이터를 압축 해제하는 압축 해제부;상기 비트플레인 별로 재구성된 심층학습 모델 파라미터에 기반하여 경량화된 심층학습 모델 파라미터를 출력하는 비트플레인 합성부; 및상기 경량화된 심층학습 모델 파라미터에 기반하여 학습을 수행하는 심층학습 응용 애플리케이션부를 포함하는 시스템
|
7 |
7
제 6 항에 있어서,상기 파라미터 추출부는,복수 개의 레이어들을 포함하도록 상기 채널 별로 추출된 상기 심층학습 모델 파라미터를 추출하고, 상기 채널 별로 추출된 상기 심층학습 모델 파라미터를 부동 소수점 형식으로 출력하는 시스템
|
8 |
8
제 7 항에 있어서,상기 비트플레인 분해부는,부동 소수점 형식으로 표현된 상기 채널 별로 추출된 상기 심층학습 모델 파라미터의 각각의 가수 부분의 하나 이상의 최상위 비트들을 하나 이상의 최상위 벡터들로 재구성하는 시스템
|
9 |
9
제 6 항에 있어서,상기 압축부는,상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 산술 압축 기법을 이용하여 압축하는 시스템
|
10 |
10
제 8 항에 있어서,상기 비트플레인 합성부는,상기 비트플레인 별로 재구성된 심층학습 모델 파라미터의 벡터들 중 미리 설정된 개수의 벡터들을 결정하고, 상기 결정한 벡터들에 대응하는 부동 소수점 형식으로 표현되는, 상기 경량화된 심층학습 모델 파라미터를 출력하는 시스템
|
11 |
11
심층학습 신경망 데이터 압축 장치를 포함하는 시스템의 동작 방법에 있어서,입력 데이터를 입력 받아 학습을 통해 상기 입력 데이터에 대응하는 심층학습 모델 파라미터를 채널 별로 추출하는 단계;상기 채널 별로 추출된 상기 심층학습 모델 파라미터를 비트플레인 별로 재구성하여 비트플레인 별로 재구성된 심층학습 모델 파라미터를 출력하는 단계;상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 압축하여 압축 데이터로써 출력하는 단계;상기 압축 데이터를 압축 해제하고, 상기 비트플레인 별로 재구성된 심층학습 모델 파라미터에 기반하여 경량화된 심층학습 모델 파라미터를 출력하는 단계; 및상기 경량화된 심층학습 모델 파라미터에 기반하여 학습을 수행하는 단계를 포함하는 동작 방법
|
12 |
12
제 11 항에 있어서,상기 채널 별로 추출된 상기 심층학습 모델 파라미터는 복수의 레이어들을 포함하고,상기 채널 별로 추출된 상기 심층학습 모델 파라미터는 부동 소수점 형식으로 표현되는 동작 방법
|
13 |
13
제 12 항에 있어서,상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 출력하는 단계는:부동 소수점 형식으로 표현된 상기 채널 별로 추출된 상기 심층학습 모델 파라미터의 각각의 가수 부분의 하나 이상의 최상위 비트들을 하나 이상의 최상위 벡터들로 재구성하는 단계를 포함하는 동작 방법
|
14 |
14
제 13 항에 있어서,상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 출력하는 단계는:상기 하나 이상의 최상위 벡터들을 상기 복수의 레이어들에 저장하는 단계를 더 포함하는 동작 방법
|
15 |
15
제 11 항에 있어서,상기 압축 데이터로써 출력하는 단계는 상기 비트플레인 별로 재구성된 심층학습 모델 파라미터를 산술 압축 기법을 이용하여 압축하는 단계를 포함하는 동작 방법
|
16 |
16
제 13 항에 있어서,상기 경량화된 심층학습 모델 파라미터를 출력하는 단계는:상기 비트플레인 별로 재구성된 심층학습 모델 파라미터의 벡터들 중 미리 설정된 개수의 벡터들을 결정하는 단계; 및상기 결정한 벡터들에 대응하는 부동 소수점 형식으로 표현되는, 상기 경량화된 심층학습 모델 파라미터를 출력하는 단계를 포함하는 동작 방법
|