초소형 IoT 장치에 구현 가능한 딥러닝 양자화 기술 분석Analysis of Deep learning Quantization Technology for Micro-sized IoT devices
- Other Titles
- Analysis of Deep learning Quantization Technology for Micro-sized IoT devices
- Authors
- 김영민; 한경현; 황성운
- Issue Date
- Feb-2023
- Publisher
- 한국사물인터넷학회
- Keywords
- Internet of Things; Deep Learning; Quantization; Model Training; Experimental Configuration; 사물인터넷; 딥러닝; 양자화; 모델 훈련; 실험 구성
- Citation
- 사물인터넷융복합논문지, v.9, no.1, pp.9 - 17
- Journal Title
- 사물인터넷융복합논문지
- Volume
- 9
- Number
- 1
- Start Page
- 9
- End Page
- 17
- URI
- https://scholarworks.bwise.kr/gachon/handle/2020.sw.gachon/87215
- ISSN
- 2466-0078
- Abstract
- 많은 연산량을 가진 딥러닝은 초소형 IoT 장치나 모바일 장치에 구현하기가 어렵다. 최근에는 이러한 장치에서도 딥러닝을 구현할 수 있도록 모델의 연산량을 줄이는 딥러닝 경량화 기술이 소개되었다. 양자화는 연속적인 분포를가지는 파라미터 값들을 고정된 비트의 이산 값으로 표현하여 모델의 메모리 및 크기 등을 줄여 효율적으로 사용할수 있는 경량화 기법이다. 그러나 양자화로 인한 이산 값 표현으로 인해 모델의 정확도가 낮아지게 된다. 본 논문에서는정확도를 개선할 수 있는 다양한 양자화 기술을 소개한다. 먼저 기존 양자화 기술 중 APoT와 EWGS를 선택하여 동일한 환경에서 실험을 통해 결과를 비교 분석하였다. 선택된 기술은 ResNet모델에서 CIFAR-10 또는 CIFAR-100 데이터 세트로 훈련되고 테스트 되었다. 실험 결과 분석을 통해 기존 양자화 기술의 문제점을 파악하고 향후 연구에 대한방향성을 제시하였다.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - IT융합대학 > 컴퓨터공학과 > 1. Journal Articles
![qrcode](https://api.qrserver.com/v1/create-qr-code/?size=55x55&data=https://scholarworks.bwise.kr/gachon/handle/2020.sw.gachon/87215)
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.