http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
딥 러닝 훈련 시간 개선을 위한 쓰레드 기반 셔플링 기법
최진서(Jinseo Choi),강동현(Donghyun Kang) 한국정보과학회 2022 정보과학회 컴퓨팅의 실제 논문지 Vol.28 No.2
딥 러닝(Deep Learning)이 기존의 문제 해결에 새로운 방향을 제시함으로써, 다양한 환경에서 딥 러닝을 적용하고 있다. 이에 따라, 딥 러닝 프레임워크도 점차 발전하고 있는 추세이다. 그러나, 딥 러닝에서 대용량의 데이터를 학습하기 위해서 필요한 데이터 처리 과정은 여전히 개선의 여지를 남겨두고 있다. 이에, 본 논문에서는 딥 러닝의 학습 과정을 빠르게 진행하기 위한 새로운 데이터 처리 방법인 쓰레드 기반 셔플링 기법을 제안한다. 제안 기법은 멀티 쓰레드를 이용하여 딥 러닝 학습에 필요한 데이터를 임의의 순서로 재 정렬함으로써 CPU의 사용률을 향상시킨다. 실험을 통해 실험을 통해 우리는 제안 기법이 기존 기법 대비 셔플링 시간을 최대 50.7% 그리고 전체 훈련 시간을 최대 13.6% 감소시킬 수 있다는 사실을 확인하였다. 또한, 쓰레드 단위로 데이터를 분할함으로써 발생할 수 있는 정확도 문제를 확인함으로써, 제안 기법이 정확도에 영향을 미치지 않는다는 사실을 확인하였다. Deep learning is being applied to various environments as it is working towards a new direction that solves many traditional problems. Therefore, there is a trend that the deep learning framework is gradually developing. However, the data processing process to learn the amount of large data in deep learning has still left room for optimization. In this paper, we propose a thread-based shuffling scheme to speed up the learning process of deep learning. The proposed scheme enhances CPU utilization by ordering data in a random way with multi-threads. Through evaluation, we confirmed that our scheme can reduce the shuffling time by up to 50.7% as well as the total training time by up to 13.6% compared to the conventional approach. Additionally, we also validated the fact that the proposed scheme has no effect on the accuracy issue caused by splitting a range of data into each thread.
훈련 및 검증 성능 개선을 위한 텐서플로우 병렬 처리 기법
최진서,강동현 한국정보과학회 2022 정보과학회논문지 Vol.49 No.6
Most deep learning systems spend a lot of time on model training and validation. However, they sometimes tend to waste GPU and CPU resources because the pre-processing and batch processes based on a single thread result in a wait time. In this paper, we propose a new scheme that efficiently handles training and validation processes based on multi-threads. The proposed scheme can overlap the training and validation processes as much as possible by using a model copy operation that extends the processes with multi-threads. As a result, it improves the overall utilization of CPU and GPU. For evaluation, we implemented a convolutional neural network (CNN) using the TensorFlow framework. As a result, we clearly confirm that the proposed scheme saves the total training and validation time by up to 22.4% compared with the traditional schemes. 대부분의 딥 러닝(Deep Learning) 시스템은 모델의 훈련 및 검증을 위해 많은 시간을 소모한다. 그러나, 단일 쓰레드(Single Thread) 기반의 데이터 전처리 및 배치 과정으로 인해 대기 시간(Wait Time)이 발생하고 그 결과GPU 및 CPU의 사용률을 낭비하는 경향이 있다. 본 논문에서는 멀티 쓰레드(Multi Thread) 기반으로 모델의 훈련 및 검증 과정을 효율적으로 수행하기 위한 새로운 기법을 제안한다. 제안 기법은 모델 복사 과정을 사용함으로써 훈련과 검증 과정을 최대한 중첩(Overlapping)시키며, 그 결과 전반적인 CPU와 GPU의 사용률을 향상시킨다. 제안 기법을 평가하기 위해 우리는 텐서플로우(TensorFlow)을 이용하여 합성곱 신경망(CNN)을 구현하였다. 실험 결과, 제안 기법이 기존 기법 대비 전체 훈련 및 검증 시간을 22.4% 단축시키는 것을 확인할 수 있었다.
오피스 공간 레이아웃 생성 자동화에 관한 연구 - 공간 사용률 예측(Space Utilization Prediction)을 중심으로 -
송요안(Song, Yoan),차승현(Cha, Seung-Hyun) 대한건축학회 2023 대한건축학회 학술발표대회 논문집 Vol.43 No.1
Automation in architectural design offers various advantages such as time efficiency, cost reduction, and enhanced feasibility, leading to active research in related fields. In designing a floor plan, spatial layout entails not only physical and environmental factors but also user-centric considerations. Specifically, office buildings exhibit distinct characteristics of user types and activities based on job positions, enabling efficient space design through utilization rates. This study aims to discuss the automatic generation of spatial layouts based on previously researched utilization rates. Results indicate that an integrated process of generating spatial layouts through utilization rate predictions is achievable, providing architects with feasible alternatives to consider in the early stages of design.