합성곱신경망의 에너지 효율성을 위한 비균일 양자화 기법 정량적 분석
저자
발행사항
경산 : 대구대학교 일반대학원, 2019
학위논문사항
학위논문(석사)-- 대구대학교 일반대학원 : 정보통신공학과 정보통신공학전공 2019. 2
발행연도
2019
작성언어
한국어
주제어
발행국(도시)
경상북도
형태사항
ⅳ,52 ; 26 cm
일반주기명
지도교수: 유준혁
UCI식별코드
I804:47009-200000181168
소장기관
합성곱신경망의 연산 복잡성은 제한적인 자원을 가진 임베디드 시스템에 대한 적용을 어렵게 만들기 때문에 합성곱신경망 모델 압축에 관한 고려를 필요로 한다. 합성곱신경망을 위한 양자화 기법은 개별 가중치(Weight)의 정밀도를 낮추는 압축 방법으로 연산 속도, 모델 크기 감소의 이점이 있으나 낮은 정밀도를 채택할 때 정확성이 급격히 감소하는 문제가 있다. 기존 양자화 기법 연구에서는 성능 향상 중심 연구를 통해 정확성 손실을 완전 정밀도 대비 1% 이하로 감소시켰다. 그러나 최근 양자화 기법 연구의 경우 배터리를 통해 전력을 공급 받는 임베디드 시스템에서 에너지 소비는 정확성만큼 중요한 요소임에도 불구하고 고려되지 않고 있다. 합성곱신경망의 에너지 소비는 양자화 기법을 통해 가중치의 정밀도와 가중치 및 특징 맵의 희소성(Sparsity)을 제어함으로써 감소되어 질 수 있으나 희소성 증가에 따라 정확성 손실이 커질 수 있다. 따라서 본 연구에서는 양자화 기법에 의한 정확도 손실은 최소화하고 합성곱신경망의 에너지 효율성은 향상시킬 수 있는 양자화 기법을 도출하기 위해 서로 다른 특성을 지닌 양자화 기법에 대해 분석하였다. 이를 위해 큰 값을 가지는 가중치를 세밀하게 보존하고 가중치의 희소성이 높은 특성을 가지는 역제곱 양자화 기법(Inverse Power-of-2 Quantization Method)과 학습 가능한 환산 계수(Trainable Scaling Parameter)를 새롭게 제안한다. 역제곱 양자화 기법은 기존 양자화 기법과 비교하여 추가적인 정확성 손실이 발생하지만 합성곱신경망의 에너지 효율성을 향상시킬 수 있었다. 또한 양자화된 가중치에 대해 일정 배율만큼 크기를 조정하는 환산계수를 학습을 통해 적응적으로 조정함으로써 정확성 손실을 보상하였다. 양자화 기법 분석을 위해 제안된 역제곱 양자화 기법과 크기 값에 비중을 두지 않고 균일한 간격(Uniform Interval) 고정 양자화 기법(Fixed Point Quantization Method), 작은 값을 가지는 가중치에 비중을 두는 제곱 양자화 기법(Power-of-2 Quantization Method)을 사용하였고 학습 가능한 환산계수, 활성화함수, 정밀도에 따른 성능 변화를 평가하였다. 결과적으로 완전 정밀도의 성능과 비교하여 기존 양자화 기법은 0.02 ~ 1.4 %의 정확성 손실과 18 ~34 % 에너지 소비 감소율을 보였고 제안한 양자화 기법은 약 6%의 정확성 손실이 발생하지만, 55%의 에너지 소비 감소율을 나타냈다. 제안한 양자화 기법은 기존 양자화 기법 대비 일부 정확성 손실을 감안하면 에너지 소비 감소율을 약 1.6배 ~ 4.5배로 향상시킬 수 있다.
더보기The computational complexity of Convolution Neural Network(CNN) makes it difficult to apply embedded systems with limited resources therefore, consideration is required for model compression. quantization techniques for a synthetic network are compression methods that reduce the precision of individual weights, which have the advantage of computational speed and model size reduction. but, There is a problem with the rapid decrease in accuracy when adopting low precision. existing quantization methods have shown that performance loss can be reduced by less than 1 percent through performance-driven research in the image classification. however, existing quantization methods has not considered energy consumption as important as accuracy in embedded systems powered by batteries. energy consumption in the CNN can be reduced by controlling the weight precision and sparsity of weights and feature maps through quantification method, but with increasing sparsity, accuracy loss can be increased. therefore, the study analyzed quantification methods with different characteristics in order to minimize loss of accuracy due to quantification methods and to improve energy efficiency of CNN. to this end, study proposes a new Inverse Power-of-2 Quantization Method that preserves weights with greater value and has a high sparsity of weights and the trainable scale parameter. the Inverse Power-of-2 Quantization has been able to improve the energy efficiency of CNN, although there is some additional loss of accuracy compared to existing quantization methods. and accuracy loss was also compensated for by the trainable scaling parameter, which was scaled at a certain scale for the quantified weights. for the analysis of quantification techniques, the proposed Power-of-2, Quantification Method was used, and performance changes based on the trainable scaling parameter, activations, and precisions were evaluated. consequently, compared to performance with full precision, existing quantification methods showed 0.02 to 1.4% loss of accuracy, 18 to 34% reduction in energy consumption, and proposed quantification method produced approximately 6% loss of accuracy, but 55% reduction in energy consumption. given some loss of accuracy compared to conventional quantification techniques, the proposed quantification method could improve the reduction in energy consumption by approximately 1.6 to 4.5 times.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)