• 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.

• 한국전통조경학회지
• /
• 제39권4호
• /
• pp.24-37
• /
• 2021

본 연구는 대한제국과 그 전후의 시기를 중심으로 창덕궁 부용정과 주합루 권역의 원형 경관을 새롭게 조명하고, 향후 복원정비에 유용한 연구성과를 도출하기 위해 수행되었다. 연구 결과는 다음과 같이 요약할 수 있다. 첫째, 부용지 인공섬의 석축은 본래 정연하게 가공된 석재를 활용해 바른층쌓기로 조성되어 있었다. 하지만 1960~1970년대의 정비공사 과정에서 부용지 인공섬은 자연석과 가공석이 혼합된 형태로 변형되었다. 부용지 인공섬의 상부에 설치된 난간은 유사사례를 찾아보기 어려운 독특한 시설로 대한제국기에도 실존했지만, 일제강점기에 완전히 멸실되었다. 둘째, 오늘날 어수문 좌우에 남아 있는 취병은 2008년 조릿대를 기반으로 재현된 결과물이다. 어수문 취병의 식물 소재를 주목으로 보는 시각도 존재하지만, 구체적인 수종은 여전히 밝혀지지 않은 상태이다. 관련 자료와 정황을 다각적으로 고려하면 적어도 근대기의 어수문 취병은 동관왕묘와 경복궁 건청궁처럼 '향나무'로 제작되어 있었을 가능성이 높다. 셋째, 주합루 후원은 석계 형태의 구조물 위에 수목이 밀생하지 않은 공간이었다. 주합루 후원의 석계는 비교적 개방된 형태로 관리되면서 주변 건축물을 왕래할 수 있는 공간으로도 기능하였다. 하지만 1980년대 후반에 대규모 식재공사가 이루어지면서 주합루 후원은 화계와 같은 형태로 정비되었고, 다수의 화관목이 식재되어 폐쇄적인 공간으로 변모하였다. 넷째, 규장각과 개유와처럼 서고(書庫) 기능을 가졌던 영화당 남행각은 1900년대 후반 무렵에 멸실되어 본래 모습을 파악하기 어려운 건축물이었다. 본 연구에서는 근대기 사진과 스케치 자료를 토대로 영화당 남행각의 배치축을 확증하고, 형태와 의장적 특징을 확인하였다. 또한 기초자료 구축 차원에서 「동궐도」와 「동궐도형」을 참고한 추정복원도를 제시하였다.