• 지능정보연구
• /
• 제23권2호
• /
• pp.1-17
• /
• 2017

딥러닝 프레임워크의 대표적인 기능으로는 '자동미분'과 'GPU의 활용' 등을 들 수 있다. 본 논문은 파이썬의 라이브러리 형태로 사용 가능한 프레임워크 중에서 구글의 텐서플로와 마이크로소프트의 CNTK, 그리고 텐서플로의 원조라고 할 수 있는 티아노를 비교하였다. 본문에서는 자동미분의 개념과 GPU의 활용형태를 간단히 설명하고, 그 다음에 logistic regression을 실행하는 예를 통하여 각 프레임워크의 문법을 알아본 뒤에, 마지막으로 대표적인 딥러닝 응용인 CNN의 예제를 실행시켜보고 코딩의 편의성과 실행속도 등을 확인해 보았다. 그 결과, 편의성의 관점에서 보면 티아노가 가장 코딩 하기가 어렵고, CNTK와 텐서플로는 많은 부분이 비슷하게 추상화 되어 있어서 코딩이 비슷하지만 가중치와 편향을 직접 정의하느냐의 여부에서 차이를 보였다. 그리고 각 프레임워크의 실행속도에 대한 평가는 '큰 차이는 없다'는 것이다. 텐서플로는 티아노에 비하여 속도가 느리다는 평가가 있어왔는데, 본 연구의 실험에 의하면, 비록 CNN 모형에 국한되었지만, 텐서플로가 아주 조금이지만 빠른 것으로 나타났다. CNTK의 경우에도, 비록 실험환경이 달랐지만, 실험환경의 차이에 의한 속도의 차이의 편차범위 이내에 있는 것으로 판단이 되었다. 본 연구에서는 세 종류의 딥러닝 프레임워크만을 살펴보았는데, 위키피디아에 따르면 딥러닝 프레임워크의 종류는 12가지가 있으며, 각 프레임워크의 특징을 15가지 속성으로 구분하여 차이를 특정하고 있다. 그 많은 속성 중에서 사용자의 입장에서 볼 때 중요한 속성은 어떤 언어(파이썬, C++, Java, 등)로 사용가능한지, 어떤 딥러닝 모형에 대한 라이브러리가 잘 구현되어 있는지 등일 것이다. 그리고 사용자가 대규모의 딥러닝 모형을 구축한다면, 다중 GPU 혹은 다중 서버를 지원하는지의 여부도 중요할 것이다. 또한 딥러닝 모형을 처음 학습하는 경우에는 사용설명서가 많은지 예제 프로그램이 많은지 여부도 중요한 기준이 될 것이다.

• 인지과학
• /
• 제12권3호
• /
• pp.29-46
• /
• 2001

본 연구에서는 선형적 삼단 논법에서 결론의 생성이 두 전제에서 공통되는 항목인 중간 항목에 대한 처리를 매개로 이루어짐을 보이고자 하였다. 실험 1에서는 Clark(1969a)의 언어설과 조명한과 김청택(1988)의 언어 이해설을 대비시켜, 두 전제에서 질문과 합치하도록 말단 항목을 표상하는 것이 문제 풀이에 더 중요한지 아니면 두 전제에서 중간 항목을 표상하는 것이 더 중요한지를 살펴보았다. 이를 위해 두 전제 각각에 질문을 하여 두 전제에서 모두 중간 항목이 답이 되거나 또는 말단 항목이 답이 되도록 하였다. 질문에 의해 중간 항목의 부호화가 용이하였던 중간 항목 표상 조건이 말단 항목의 부호화가 용이하였던 말단 항목 표상 조건보다 문제 풀이가 더 빨라 중간 항목의 처리가 문제 풀이에 더 중요함을 보여주었다. 실험 2에서는 중간 항목을 통해 전제간에 공통 참조적 연결을 이루는 것만으로 전제가 통합될 수 있는지 아니면 중간 항목에 대한 상대적 위치 정보가 부가적으로 더 처리되어야 하는지를 살펴보았다. 이를 위해 두 번째 전제의 중간 항목을 대명사화 하여 중간 항목의 확인을 어렵게 만든 후, 중간 항목이 누구를 가리키는지를 직접 알려준 조건과 중간 항목의 상대적 위치를 알려준 조건의 수행을 비교하였다. 중간 항목의 상대적 위치를 알려준 경우의 수행이 더 우수하였는데, 이는 중간 항목의 상대적 위치 정보가 처리되는 것이 문제 풀이에 중요하다는것을 나타낸다. 실험 1과 실험 2의 결과는 삼어 서열 문제에서 두 전제의 통합은 중간 항목을 중심으로, 이루어지며 이때 중간 항목은 두 전제간의 공통 참조적 연결을 가능하게 할 뿐만 아니라 말단 항목 대한 상대적 위치를 나타내어 중간 항목을 중심으로 말단 항목의 위치가 계산될 수 있도록 하는 역할을 수행함을 보여주었다.핵형이 생성된다. 이러한 기전에 의해서 만들어진 새로운 완전한 배우체들은 동일한 형태의 배우자와 수정되므로써 새로운 상동염색체를 가진 종 L. dorsalis, L. leucopus, L. ruficaudatus, L. edwardsi가 형성되었다 이 결과들은 유전적으로 완전한 새로운 종이 교잡종의 군집으로부터 활성화된 염색체들의 융합, 접합기에서 환형으로의 배열 기전을 통해 형성될 수 있다는 이론을 뒷받침한다.aritoxin으로 보고한 ST-1은 ciguatoxin의 형태인 less polar cigutoxin (LPCTX) 으로 생각된다.에서 각각 대조구의 57, 413 및 315% 증진되었다. 거품의 열안정성은 15분 whipping시, pH 4.0(대조구, 30.2%) 및 5.0(대조구, 23.7%)에서 각각 $0{\sim}38.0$ 및 $0{\sim}57.0%$이었고 pH 7.0(대조구, 39.6%) 및 8.0(대조구, 43.6%)에서 각각 $0{\sim}59.4$ 및 $36.6{\sim}58.4%$이었으며 sodium alginate 첨가시가 가장 양호하였다. 전체적으로 보아 거품안정성이 높은 것은 열안정성도 높은 경향이며, 표면장력이 낮으면 거품형성능이 높아지고, 비점도가 높으면 거품안정성 및 열안정성이 높아지는 경향이 있었다.protocol.eractions between application agents that are developed using different languages. Dynamic agent invocation is accomplished by Java Native Interface(JNI) that links two heterogeneous methods,