첨부파일
이와 같이 응용의 범위가 넓고 다양해짐에 따라 응용들의 목표 성능을 높이기 위해 다양한 방식으로 딥러닝 모델이 진화하고 있다. 모델의 규모가 커지고 있고(Large Scale Model), 모델들을 결합하여(Ensemble Model) 목표성능을 높이고 있고, 이질적 형태의 특징을 함께 처리하기도하며(Multimodal Model), 기존의 모델을 다른 분야에 적용시키기도 한다(Tansfer Learning).
이러한 발전 추세 중 딥러닝 모델의 규모가 커진다는 것은 모델을 구성하는 뉴런이 많아지고 뉴런을 연결하는 은닉 계층이 깊어짐을 뜻한다. 이는 SW 엔지니어링 관점에서 볼 때, 딥러닝의 인퍼런스나 트레이닝 과정에 계산략이 많아지고 메모리 요구량이 커지면서 한 컴퓨터(또는 계산 디바이스)의 한계를 넘는 상황이 발생할 수 있기 때문에 다수의 컴퓨터가 이를 효율적으로 나누어 처리하기 위한 분산 처리 기술이 요구됨을 의미한다.
출처 - 한국전자통신연구원
추천 리포트
-
[코센리포트] 건물 부문 탈탄소 및 에너지전환
-
[코센리포트] 사이버전쟁에서의 기만적 방어
-
[코센리포트] 환경/철강/반도체/소재/에너지 산업 분야에서 2050년 탄소중립 달성을 위한 기체분리막 활용 현황 및 기술개발 동향
-
[동향보고서] 사이키델릭 치료제 연구동향
-
[동향보고서] SW 관련 주요 디지털 통상 규정의 배경과 내용분석
-
[코센리포트] 분산형 폐수처리 시스템 연구 현황
-
[코센리포트] AI 기반 사회기반시설 모니터링 및 유지관리
-
[코센리포트] 사용후핵연료의 수송
-
리포트 평점
해당 콘텐츠에 대한 회원님의 소중한 평가를 부탁드립니다. -
0.0 (0개의 평가)