• 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.

• 한국구조물진단유지관리공학회 논문집
• /
• 제19권6호
• /
• pp.18-28
• /
• 2015

이 연구의 목표는 학교 건물과 같은 저층 보-기둥 철근콘크리트 구조 건물에서 프리캐스트 벽패널을 사용한 새로운 내진보강 방법을 개발하는데 있다. 1개의 무 보강 보-기둥 실험체와 U형 PC 패널로 보강한 2개의 보강 보-기둥 실험체에 대한 정적 이력 하중실험을 진행하였다. 앵커 접합부 실험체는 전단 파괴될 것으로 해석되었고 철판 용접 접합부 실험체는 휨 파괴할 것으로 예측되었다. 실험체의 종국 내력은 상부 접합부의 전단 내력과 PC 패널 절곡 부 휨 위험단면에서 휨 내력 중 약한 것으로 결정되었다. 이 실험체에서, 한쪽 RC기둥이 가 하중(미는 실험 하중)을 받아 PC 패널 부재를 밀게 된다면, 다른 쪽 내부 수직부재는 상부 전단 접합부로부터 부 하중(당기는 실험 하중)을 받게 되어있었다. 가 하중을 받는 2개의 부재는 합성 휨 거동이 지배적이므로 합성단면의 휨 내력이 실험체의 최종 내력을 결정하게 되지만, 이 경우 최종 내력에 대하여 상부 전단 접합부 강도의 직접적인 영향은 없다고 볼 수 있다. 그러나 부 하중(당기는 하중)을 받는 RC 기둥과 PC 패널 부재는 비합성 거동이 지배적이고 실험체의 최종 내력은 상부 전단 접합부 전단내력의 크기에서 직접 영향을 받는 것으로 파악되었다. ACI 318M-11 Appendix-D 앵커 전단설계에 기초한 전단내력 그리고 실험에서 얻은 최대하중을 적용하여 마이다스 젠 탄성설계에 의하여 계산한 전단 외력에 대한 비교 해석결과는 실험결과와 일치하는 해석결과를 보여주었다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제33권3호
• /
• pp.261-268
• /
• 2010

고 에너지 광자선 치료 시 공동의 존재로 인한 실험적 선량분포와 치료계획상의 선량분포의 변화를 비교, 평가 하고자 하였으며, 선형가속기의 6 MV 광자선을 이용해서 폴리스틸렌 팬텀, 자체 제작한 아크릴 팬텀으로 공동을 만들고 표면에서 공동까지의 거리는 3 cm로 하고 선원-측정기간 거리는 100 cm로 고정하였고 공동의 크기는 가로 $\times$ 세로 $\times$ 높이로 정하였다. 공동의 넓이, 높이, 존재 유무, 그리고 조사면과 공동의 크기비율에 따른 깊이에 대한 선량변화를 평판형전리함과 미소전류계를 이용하여 측정하였다. 치료계획상의 선량분포는 불균질 보정을 하고 치료계획을 하여 비교하였다. 그 결과 공동의 넓이가 커짐에 따라 선량은 점차 감소하였다. 공동의 존재 시에, 공동후면 이후 깊이선량은 공동의 비존재시보다 크게 나타났다. 공동의 크기를 $5{\times}5{\times}3\;cm^3$로 고정했을 때 조사면이 $4{\times}4\;cm^2$, $5{\times}5\;cm^2$, $6{\times}6\;cm^2$일 경우에 rebuild-up이 일어났다. 그러나 조사면이 $10{\times}10\;cm^2$에서는 선량감소만이 나타났다. 또한 조사면을 $5{\times}5\;cm^2$로 고정했을 때, 공동의 넓이가 $4{\times}4\;cm^2$, $5{\times}5\;cm^2$일 경우에는 rebuild-up현상이 일어났지만, $2{\times}2\;cm^2$, $3{\times}3\;cm^2$일 경우에는 일어나지 않았다. 모든 경우에서 치료계획상의 선량분포에서 rebuild-up 현상이 나타나지 않았다. 따라서 공동이 위치한 곳에 종양이 존재할 때는 치료계획상의 선량분포에 차이가 있으므로 주의를 할 필요가 있다.

• Restorative Dentistry and Endodontics
• /
• 제30권6호
• /
• pp.450-460
• /
• 2005

본 연구에서는 복합레진의 중합수축시 와동의 형태, 접착층의 성숙도, 및 와동의 부피가 와동저의 접착면에 발생되는 중합수축응력에 미치는 영향을 평가하였다. 1급 와동 충전시의 응력발생을 모방하기 위해, 98개의 대구치를 $2\times2\times2$ 실험군에 무작위로 분배하고 교합면 상아질을 평탄하게 연마한 후, 복합레진 충전을 위한 몰드의 역할을 할 수 있는 구멍을 가진 iris를 올려놓고 복합레진을 bulk-filling법으로 충전하였다. 각각의 변수로서 와동 형태에 관하여는 iris 재질 (접착제를 도포한 상아질 iris: 높은 C-factor, Teflon 처리된 금속 iris: 낮은 C-factor), 접착층의 성숙도에 관하여는 2종의 접착제 (Scotchbond Multi-purpose와 Xeno III), 와동의 부피에 관하여는 iris내 구멍의 직경 (직경 1 또는 $3mm{\times}높이$) 5mm)을 달리하여 전단접착강도를 측정하였다 와동의 C-factor가 클수록, 접착층의 성숙도가 우수할수록 그리고 부피가 클수록 접착력은 유의하게 감소하였다. 복합레진이 중합될 때, 와동의 형태적 제한에 따라 레진-상아질 접착계면에 발생되는 중합수축응력은 접착이 우수할수록 복합레진의 부피가 클수록 증가되므로, C-factor를 정의할 때 와동의 형태뿐 아니라, 접착층의 성숙도와 복합레진의 부피도 함께 고려되어야 된다.

• 대한환경공학회지
• /
• 제32권1호
• /
• pp.33-46
• /
• 2010

본 연구는 광분해 산화공정으로 난분해성 물질인 N-Nitrosodimethylamine (NDMA)인 제거 및 부산물 생성 특성을 파악하기 위한 3개의 독립변수 (자외선 강도($X_1:\;1.5{\sim}4.5\;mW/cm^2$, 초기 NDMA 농도($X_2:\;100{\sim}300\;uM$), pH(X3:3~9))와 4개의 종속변수(NDMA 제거율($Y_1$), dimethylamine (DMA) 생성농도($Y_2$), dimethylformamide (DMF) 생성농도($Y_3$) 및 $NO_2$-N 생성농도($Y_4$))로 구성된 박스-벤켄 설계를 이용한 실험계획을 적용시켜 예측 모델과 광분해 산화 최적조건을 수립하였다. 실험결과 2시간 광분해 후 NDMA는 거의 완전히 제거되었으며 DMA, DMF와 $NO_2$-N은 NDMA 광분해와 동시에 부산물로 생성되었다. 광분해 최적의 조건을 얻기 위해 정준분석을 수행하여 최적 점 (반응값, 독립변수 조건)과 예측반응모델을 수립한 결과, 다음과 같은 결과를 얻었다 ($Y_1=117+21X_1-0.3X_2-17.2X_3+{2.43X_1}^2+{0.001X_2}^2+{3.2X_3}^2-0.08X_1X_2-1.6X_1X_3-0.05X_2X_3$ ($R^2$ = 96%, Adjusted $R^2$ = 88%)와 99.3% ($X_1:\;4.5\;mW/cm^2$, $X_2:\;190\;uM$, $X_3:\;3.2$), $Y_2=-101+18.5X_1+0.4X_2+21X_3-{3.3X_1}^2-{0.01X_2}^2-{1.5X_3}^2-0.01X_1X_2-0.07X_1X_3-0.01X_2X_3$ ($R^2$= 99.4%, 수정 $R^2$ = 95.7%)와 35.2 uM ($X_1:\;3\;mW/cm^2$, $X_2:\;220\;uM$, $X_3:\;6.3$), $Y_3=-6.2+0.2X_1+0.02X_2+2X_3-{0.26X_1}^2-{0.01X_2}^2-{0.2X_3}^2-0.004X_1X_2+0.1X_1X_3-0.02X_2X_3$ ($R^2$= 98%, 수정 $R^2$ = 94.4%)와 3.7 uM ($X_1:\;4.5\;mW/cm^2$, $X_2:\;290\;uM$, $X_3:\;6.2$), $Y_4=-25+12.2X_1+0.15X_2+7.8X_3+{1.1X_1}^2+{0.001X_2}^2-{0.34X_3}^2+0.01X_1X_2+0.08X_1X_3-3.4X_2X_3$ ($R^2$= 98.5%, 수정 $R^2$ = 95.7%)와 74.5 uM ($X_1:\;4.5\;mW/cm^2$, $X_2:\;220\;uM$, $X_3:\;3.1$). 반응표면분석법 중 하나인 박스-벤켄법은 UV 광분해에 의한 NDMA 분해 및 부산물 생성에 대한 통계학적 및 수학적인 결과 및 최적의 운전조건을 제시하였다. 예측모델의 검정을 통하여 박스-벤켄법은 매우 높은 신뢰성을 보였다.