特許 7542793 人工知能推論モデルを軽量化する方法およびシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-08-23

(45)【発行日】2024-09-02

(54)【発明の名称】人工知能推論モデルを軽量化する方法およびシステム

(51)【国際特許分類】

   G06N 3/0495 20230101AFI20240826BHJP

   G06N 3/082 20230101ALI20240826BHJP

【ＦＩ】

G06N3/0495

G06N3/082

【請求項の数】 17

(21)【出願番号】P 2023545183

(86)(22)【出願日】2021-11-23

(65)【公表番号】

(43)【公表日】2024-01-30

(86)【国際出願番号】 KR2021017320

(87)【国際公開番号】W WO2022163985

(87)【国際公開日】2022-08-04

【審査請求日】2023-07-26

(31)【優先権主張番号】10-2021-0013311

(32)【優先日】2021-01-29

(33)【優先権主張国・地域又は機関】KR

【早期審査対象出願】

(73)【特許権者】

【識別番号】523165640

【氏名又は名称】ノタ、インコーポレイテッド

(74)【代理人】

【識別番号】110000877

【氏名又は名称】弁理士法人ＲＹＵＫＡ国際特許事務所

(72)【発明者】

【氏名】キム、タエ－ホ

(72)【発明者】

【氏名】チャエ、ミュンス

(72)【発明者】

【氏名】ベク、ジョンウォン

(72)【発明者】

【氏名】リム、ドンウク

(72)【発明者】

【氏名】チョーダリー、ビベク

(72)【発明者】

【氏名】キム、ドンウック

(72)【発明者】

【氏名】パク、チョルビン

【審査官】北川 純次

(56)【参考文献】

【文献】特開２０１９－０９６２８５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１９／０３７０６５８（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２０／０３６４５７４（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２０／０１８４３３３（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／０２－３／１０

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

少なくとも一つのプロセッサを含むコンピュータ装置によって実行される、推論モデルの軽量化のための最適なパラメータ組み合わせを決定する方法において、
前記少なくとも一つのプロセッサによって、推論モデルおよび使用者が設定した制約の入力を受ける段階；
前記少なくとも一つのプロセッサによって、前記制約を考慮して前記推論モデルに適用される互いに異なる複数の圧縮メソッド組み合わせおよび前記複数の圧縮メソッド組み合わせに関連した互いに異なる複数のパラメータ組み合わせを選択する段階；
前記少なくとも一つのプロセッサによって、複数の圧縮パイプラインを通じて前記複数の圧縮メソッド組み合わせと前記複数のパラメータ組み合わせを前記推論モデルに順次適用して複数の軽量化モデルを獲得し、ターゲットデバイスを通じて前記複数の軽量化モデルそれぞれに対する性能を獲得する段階；
前記少なくとも一つのプロセッサによって、前記性能に基づいて前記複数の軽量化モデルのうち前記制約を満足する少なくとも一つの軽量化モデルが存在するかを判断する段階；
前記少なくとも一つのプロセッサによって、前記制約を満足する前記少なくとも一つの軽量化モデルが存在すると判断されると、前記少なくとも一つの軽量化モデルのうち最も高い性能を有する軽量化モデルを最終軽量化モデルに提供し、前記最終軽量化モデルに基づいて最適なパラメータ組み合わせを決定する段階；および
前記少なくとも一つのプロセッサによって、前記制約を満足する前記少なくとも一つの軽量化モデルが存在しないと判断されると、前記複数の軽量化モデルのうち前記複数の軽量化モデルより少ない数の上位の性能を有する軽量化モデルの軽量化に利用されたパラメータ組み合わせに基づいて新しいパラメータ組み合わせを探索する、段階；を含む、方法。

【請求項2】

前記複数のパラメータ組み合わせは、
第１パラメータ組み合わせおよび前記第１パラメータ組み合わせと異なる第２パラメータ組み合わせを含む、請求項１に記載の方法。

【請求項3】

前記性能を獲得する段階は、
前記複数の軽量化モデルを前記ターゲットデバイスに伝送する段階、および
前記ターゲットデバイスから前記複数の軽量化モデルの性能に対するテスト結果を受信する段階を含む、請求項１に記載の方法。

【請求項4】

前記性能は、
前記複数の軽量化モデルに対する遅延時間および正確度のうち少なくとも一つを含む、請求項１に記載の方法。

【請求項5】

前記制約は、
デバイス、正確度（ａｃｃｕｒａｃｙ）、モデルの大きさ、遅延時間（ｌａｔｅｎｃｙ）、圧縮時間およびエネルギー消耗量のうち少なくとも一つの項目に対する値を含む、請求項１に記載の方法。

【請求項6】

前記制約の各項目には優先順位が設定されており、
前記判断する段階は、
前記優先順位に基づいて前記制約を満足する前記少なくとも一つの軽量化モデルが存在するかを判断する、請求項５に記載の方法。

【請求項7】

前記ターゲットデバイスは、
前記制約に基づいてターゲットデバイスプールから選択される、請求項１に記載の方法。

【請求項8】

前記圧縮時間の制約により前記ターゲットデバイスでの前記複数の軽量化モデルの学習回数および前記複数の圧縮メソッド組み合わせに含まれた圧縮メソッドの数のうち少なくとも一つが調節される、請求項５に記載の方法。

【請求項9】

前記複数の圧縮メソッド組み合わせに含まれた圧縮メソッドは、
圧縮メソッドプールから選択され、
前記圧縮メソッドプールは、枝刈り（Ｐｒｕｎｉｎｇ）およびフィルタ分解（Ｆｉｌｔｅｒ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）を含む、請求項１に記載の方法。

【請求項10】

データセットの入力を受けて前記ターゲットデバイスに提供する段階；をさらに含み、
前記性能は、
前記データセットを利用して前記ターゲットデバイスによって測定される、請求項３に記載の方法。

【請求項11】

コンピュータ装置と結合されて請求項１～請求項１０のいずれか一項に記載された方法をコンピュータ装置に実行させるためにコンピュータ読み取り可能な記録媒体に保存されたコンピュータプログラム。

【請求項12】

請求項１～請求項１０のいずれか一項に記載された方法をコンピュータ装置に実行させるためのプログラムが記録されているコンピュータ読み取り可能な記録媒体。

【請求項13】

少なくとも一つのプロセッサを含むコンピュータ装置において、
前記少なくとも一つのプロセッサは、
推論モデルおよび使用者が設定した制約の入力を受け、
前記制約を考慮して前記推論モデルに適用される互いに異なる複数の圧縮メソッド組み合わせおよび前記複数の圧縮メソッド組み合わせに関連した互いに異なる複数のパラメータ組み合わせを選択し、
複数の圧縮パイプラインを通じて前記複数の圧縮メソッド組み合わせと前記複数のパラメータ組み合わせを前記推論モデルに順次適用して複数の軽量化モデルを獲得し、ターゲットデバイスを通じて前記複数の軽量化モデルそれぞれに対する性能を獲得し、
前記性能に基づいて前記複数の軽量化モデルのうち前記制約を満足する少なくとも一つの軽量化モデルが存在するかを判断し、
前記制約を満足する前記少なくとも一つの軽量化モデルが存在すると判断されると、前記少なくとも一つの軽量化モデルのうち最も高い性能を有する軽量化モデルを最終軽量化モデルで提供し、前記最終軽量化モデルに基づいて最適なパラメータ組み合わせを決定し、
前記少なくとも一つのプロセッサによって、前記制約を満足する前記少なくとも一つの軽量化モデルが存在しないと判断されると、前記複数の軽量化モデルのうち前記複数の軽量化モデルより少ない数の上位の性能を有する軽量化モデルの軽量化に利用されたパラメータ組み合わせに基づいて新しいパラメータ組み合わせを探索する、コンピュータ装置。

【請求項14】

前記複数のパラメータ組み合わせは、
第１パラメータ組み合わせおよび前記第１パラメータ組み合わせと相異なった第２パラメータ組み合わせを含む、請求項１３に記載のコンピュータ装置。

【請求項15】

通信インターフェース；をさらに含み、
前記少なくとも一つのプロセッサは、
前記通信インターフェースを通じて前記複数の軽量化モデルをターゲットデバイスに伝送し、
前記通信インターフェースを通じて前記ターゲットデバイスから前記複数の軽量化モデルの性能に対するテスト結果を受信する、請求項１３に記載のコンピュータ装置。

【請求項16】

前記制約は、
デバイス、正確度（ａｃｃｕｒａｃｙ）、モデルの大きさ、遅延時間（ｌａｔｅｎｃｙ）、圧縮時間およびエネルギー消耗量のうち少なくとも一つの項目に対する値を含む、請求項１３に記載のコンピュータ装置。

【請求項17】

前記制約の各項目には優先順位が設定されており、
前記少なくとも一つのプロセッサは、
前記優先順位に基づいて前記制約を満足する前記少なくとも一つの軽量化モデルが存在するかを判断する、請求項１６に記載のコンピュータ装置。

【発明の詳細な説明】

【技術分野】

【0001】

以下の説明は人工知能推論モデルを軽量化する方法およびシステムに関する。

【背景技術】

【0002】

ディープラーニングモデル（または人工知能モデル）の軽量化は与えられたディープラーニングモデルをさらに小さいディープラーニングモデルに作る関数、モジュールおよび／または機能を意味する。ここで、「小さい」はディープラーニングモデルを構成する加重値（ｗｅｉｇｈｔｓ／ｂｉａｓ）の数を減らしたり、容量を減らしたり、推論速度をはやくすることを意味し得る。この時、軽量化を進めながら性能を低下させないことが非常に重要である。

【0003】

軽量化技法には多様な種類がある。大きく分類すれば、枝刈り（Ｐｒｕｎｉｎｇ）、量子化（Ｑｕａｎｔｉｚａｔｉｏｎ）、知識蒸留（Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｔｉｌｌａｔｉｏｎ）、モデル探索（Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ）、フィルタ分解（Ｆｉｌｔｅｒ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）があり、各分類内にも非常に多様な種類の軽量化技法が存在する。

【0004】

この時、各軽量化技法は単純に利用することはできない。各軽量化技法を利用するためのパラメータが存在する。例えば、枝刈りの場合、各Ｌａｙｅｒ別にどれほど多い量のパラメータを枝刈りするかに対するパラメータを予め調整しなければならず、パラメータをどのように設定するかにより軽量化性能に多くの影響を与える。

【発明の概要】

【発明が解決しようとする課題】

【0005】

多様な軽量化技法を順次および／または並列的にディープラーニングモデルに適用してディープラーニングモデルを圧縮できる軽量化方法およびシステムを提供する。

【課題を解決するための手段】

【0006】

少なくとも一つのプロセッサを含むコンピュータ装置の軽量化方法において、前記少なくとも一つのプロセッサによって、軽量化のための推論モデルの入力を受ける段階；前記少なくとも一つのプロセッサによって、ターゲットデバイスプールからターゲットデバイスを選択する段階；前記少なくとも一つのプロセッサによって、圧縮メソッドプールから圧縮メソッドの組み合わせを選択する段階；前記少なくとも一つのプロセッサによって、前記推論モデルを前記選択された圧縮メソッドの組み合わせを利用して圧縮する段階；前記少なくとも一つのプロセッサによって、前記選択されたターゲットデバイスを利用して前記圧縮された推論モデルの性能を測定する段階；および前記少なくとも一つのプロセッサによって、前記測定された性能に基づいて最終軽量化推論モデルを決定する段階を含む軽量化方法を提供する。

【0007】

一側面によると、前記圧縮する段階は、前記選択された圧縮メソッドの組み合わせが含むメソッドを圧縮パイプラインを通じて前記推論モデルに順次適用して前記推論モデルを圧縮することを特徴とすることができる。

【0008】

他の側面によると、前記性能を測定する構成は、前記圧縮された推論モデルを前記選択されたターゲットデバイスに伝送する段階；および前記ターゲットデバイスから前記圧縮された推論モデルの性能に対するテスト結果を受信する段階を含むことを特徴とすることができる。

【0009】

さらに他の側面によると、前記選択されたターゲットデバイスは、前記圧縮された推論モデルに対する遅延時間および正確度のうち少なくとも一つを含む性能を測定するように具現されることを特徴とすることができる。

【0010】

さらに他の側面によると、前記軽量化方法は前記少なくとも一つのプロセッサによって、デバイス、正確度（ａｃｃｕｒａｃｙ）、モデルの大きさ、遅延時間（ｌａｔｅｎｃｙ）、圧縮時間およびエネルギー消耗量のうち少なくとも一つの項目に対する値を含む制約（ｃｏｎｓｔｒａｉｎｔ）を設定する段階をさらに含むことができる。

【0011】

さらに他の側面によると、前記軽量化方法は前記少なくとも一つのプロセッサによって、前記設定された制約の項目別優先順位を設定する段階をさらに含むことができる。

【0012】

さらに他の側面によると、前記ターゲットデバイスを選択する段階は、前記デバイスの制約により前記ターゲットデバイスを選択することを特徴とすることができる。

【0013】

さらに他の側面によると、前記最終軽量化推論モデルを決定する段階は、前記正確度の制約、前記遅延時間の制約および前記エネルギー消耗量の制約のうち少なくとも一つと前記測定された性能に基づいて前記最終軽量化推論モデルを決定することを特徴とすることができる。

【0014】

さらに他の側面によると、前記圧縮時間の制約により前記ターゲットデバイスでの前記圧縮された推論モデルの学習回数および前記選択された圧縮メソッドの組み合わせが含む圧縮メソッドの数のうち少なくとも一つが調節されることを特徴とすることができる。

【0015】

さらに他の側面によると、前記圧縮メソッドの組み合わせを選択する段階は、前記圧縮メソッドプールから前記圧縮メソッドの複数の組み合わせを選択し、前記圧縮する段階は、前記推論モデルを前記選択された複数の組み合わせそれぞれに圧縮することを特徴とすることができる。

【0016】

さらに他の側面によると、前記圧縮メソッドプールは、枝刈り（Ｐｒｕｎｉｎｇ）、量子化（Ｑｕａｎｔｉｚａｔｉｏｎ）、知識蒸留（Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｔｉｌｌａｔｉｏｎ）、モデル探索（Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ）およびフィルタ分解（Ｆｉｌｔｅｒ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）のうち少なくとも一つに基づいた２つ以上の圧縮メソッドを含むことを特徴とすることができる。

【0017】

コンピュータ装置と結合されて前記方法をコンピュータ装置に実行させるためにコンピュータ読み取り可能な記録媒体に保存されたコンピュータプログラムを提供する。

【0018】

前記方法をコンピュータ装置に実行させるためのプログラムが記録されているコンピュータ読み取り可能な記録媒体を提供する。

【0019】

コンピュータ装置で読み取り可能な命令を実行するように具現される少なくとも一つのプロセッサを含み、前記少なくとも一つのプロセッサによって、軽量化のための推論モデルの入力を受け、ターゲットデバイスプールからターゲットデバイスを選択し、圧縮メソッドプールから圧縮メソッドの組み合わせを選択し、前記推論モデルを前記選択された圧縮メソッドの組み合わせを利用して圧縮し、前記選択されたターゲットデバイスを利用して前記圧縮された推論モデルの性能を測定し、前記測定された性能に基づいて最終軽量化推論モデルを決定することを特徴とするコンピュータ装置を提供する。

【発明の効果】

【0020】

多様な軽量化技法を順次および／または並列的にディープラーニングモデルに適用してディープラーニングモデルを圧縮することができる。

【図面の簡単な説明】

【0021】

【図1】本発明の一実施例に係るネットワーク環境の例を図示した図面である。

【図2】本発明の一実施例に係るコンピュータ装置の例を図示したブロック図である。

【図3】本発明の一実施例に係る軽量化システムの例を図示した図面である。

【図4】本発明の一実施例に係る軽量化方法の例を図示したフローチャートである。

【図5】本発明の一実施例において、最適パラメータ決定過程の例を図示した図面である。

【発明を実施するための形態】

【0022】

以下、実施例を添付した図面を参照して詳細に説明する。

【0023】

本発明の実施例に係る軽量化システムは少なくとも一つのコンピュータ装置によって具現され得る。この時、コンピュータ装置には本発明の一実施例に係るコンピュータプログラムが設置および駆動され得、コンピュータ装置は駆動されたコンピュータプログラムの制御により本発明の実施例に係る軽量化方法を遂行できる。前述したコンピュータプログラムはコンピュータ装置と結合されて軽量化方法をコンピュータに実行させるためにコンピュータ読み取り可能な記録媒体に保存され得る。

【0024】

図１は、本発明の一実施例に係るネットワーク環境の例を図示した図面である。図１のネットワーク環境は複数の電子機器１１０、１２０、１３０、１４０、複数のサーバー１５０、１６０およびネットワーク１７０を含む例を示している。このような図１は発明の説明のための一例であり、電子機器の数やサーバーの数が図１のように限定されるものではない。また、図１のネットワーク環境は本実施例に適用可能な環境のうち一つの例を説明するものに過ぎず、本実施例に適用可能な環境が図１のネットワーク環境に限定されるものではない。

【0025】

複数の電子機器１１０、１２０、１３０、１４０はコンピュータ装置で具現される固定型端末であるか移動型端末であり得る。複数の電子機器１１０、１２０、１３０、１４０の例を挙げると、スマートフォン（ｓｍａｒｔ ｐｈｏｎｅ）、携帯電話、ナビゲーション、コンピュータ、ノートパソコン、デジタル放送用端末、ＰＤＡ（登録商標）（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔｓ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）、タブレットＰＣなどがある。一例として、図１では電子機器１１０の例としてスマートフォンの形状を示しているが、本発明の実施例で電子機器１１０は実質的に無線または有線通信方式を利用してネットワーク１７０を通じて他の電子機器１２０、１３０、１４０および／またはサーバー１５０、１６０と通信できる多様な物理的なコンピュータ装置のうち一つを意味し得る。

【0026】

通信方式は制限されず、ネットワーク１７０が含むことができる通信網（一例として、移動通信網、有線インターネット、無線インターネット、放送網）を活用する通信方式だけでなく、機器間の近距離無線通信も含まれ得る。例えば、ネットワーク１７０は、ＰＡＮ（ｐｅｒｓｏｎａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＣＡＮ（ｃａｍｐｕｓ ａｒｅａ ｎｅｔｗｏｒｋ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、ＢＢＮ（ｂｒｏａｄｂａｎｄ ｎｅｔｗｏｒｋ）、インターネットなどのネットワークのうち一つ以上の任意のネットワークを含むことができる。また、ネットワーク１７０はバスネットワーク、スターネットワーク、リングネットワーク、メッシュネットワーク、スター－バスネットワーク、ツリーまたは階層的（ｈｉｅｒａｒｃｈｉｃａｌ）ネットワークなどを含むネットワークトポロジーのうち任意の一つ以上を含むことができるが、これに制限されない。

【0027】

サーバー１５０、１６０それぞれは、複数の電子機器１１０、１２０、１３０、１４０とネットワーク１７０を通じて通信して命令、コード、ファイル、コンテンツ、サービスなどを提供するコンピュータ装置または複数のコンピュータ装置で具現され得る。例えば、サーバー１５０はネットワーク１７０を通じて接続した複数の電子機器１１０、１２０、１３０、１４０でサービス（一例として、インスタントメッセージングサービス、ソーシャルネットワークサービス、決済サービス、仮想取引所サービス、リスクモニタリングサービス、ゲームサービス、グループ通話サービス（または音声カンファレンスサービス）、メッセージングサービス、メールサービス、地図サービス、翻訳サービス、金融サービス、検索サービス、コンテンツ提供サービスなど）を提供するシステムであり得る。

【0028】

図２は、本発明の一実施例に係るコンピュータ装置の例を図示したブロック図である。前述した複数の電子機器１１０、１２０、１３０、１４０それぞれやサーバー１５０、１６０それぞれは、図２を通じて図示されたコンピュータ装置２００により具現され得る。

【0029】

このようなコンピュータ装置２００は図２に図示された通り、メモリ２１０、プロセッサ２２０、通信インターフェース２３０そして入出力インターフェース２４０を含むことができる。メモリ２１０はコンピュータで読み取り可能な記録媒体であって、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）およびディスクドライブのような非消滅性大容量記録装置（ｐｅｒｍａｎｅｎｔ ｍａｓｓ ｓｔｏｒａｇｅ ｄｅｖｉｃｅ）を含むことができる。ここで、ＲＯＭとディスクドライブのような非消滅性大容量記録装置はメモリ２１０とは区分される別途の永久保存装置であって、コンピュータ装置２００に含まれてもよい。また、メモリ２１０には運営体制と少なくとも一つのプログラムコードが保存され得る。このようなソフトウェア構成要素は、メモリ２１０とは別途のコンピュータで読み取り可能な記録媒体からメモリ２１０にローディングされ得る。このような別途のコンピュータで読み取り可能な記録媒体はフロッピードライブ、ディスク、テープ、ＤＶＤ／ＣＤ－ＲＯＭドライブ、メモリカードなどのコンピュータで読み取り可能な記録媒体を含むことができる。他の実施例においてソフトウェア構成要素は、コンピュータで読み取り可能な記録媒体ではなく通信インターフェース２３０を通じてメモリ２１０にローディングされ得る。例えば、ソフトウェア構成要素はネットワーク１７０を通じて受信されるファイルによって設置されるコンピュータプログラムに基づいてコンピュータ装置２００のメモリ２１０にローディングされ得る。

【0030】

プロセッサ２２０は基本的な算術、ロジックおよび入出力演算を遂行することによって、コンピュータプログラムの命令を処理するように構成され得る。命令はメモリ２１０または通信インターフェース２３０によりプロセッサ２２０に提供され得る。例えばプロセッサ２２０はメモリ２１０のような記録装置に保存されたプログラムコードにより受信される命令を実行するように構成され得る。

【0031】

通信インターフェース２３０はネットワーク１７０を通じてコンピュータ装置２００が他の装置（一例として、前述した保存装置）と互いに通信するための機能を提供することができる。一例として、コンピュータ装置２００のプロセッサ２２０がメモリ２１０のような記録装置に保存されたプログラムコードにより生成した要請や命令、データ、ファイルなどが、通信インターフェース２３０の制御によりネットワーク１７０を通じて他の装置に伝達され得る。逆に、他の装置からの信号や命令、データ、ファイルなどがネットワーク１７０を経てコンピュータ装置２００の通信インターフェース２３０を通じてコンピュータ装置２００に受信され得る。通信インターフェース２３０を通じて受信された信号や命令、データなどはプロセッサ２２０やメモリ２１０に伝達され得、ファイルなどはコンピュータ装置２００がさらに含むことができる保存媒体（前述した永久保存装置）に保存され得る。

【0032】

入出力インターフェース２４０は入出力装置２５０とのインターフェースのための手段であり得る。例えば、入力装置はマイク、キーボードまたはマウスなどの装置を、そして出力装置はディスプレイ、スピーカーのような装置を含むことができる。他の例として、入出力インターフェース２４０はタッチスクリーンのように入力と出力のための機能が一つで統合された装置とのインターフェースのための手段であってもよい。入出力装置２５０のうち少なくとも一つはコンピュータ装置２００と一つの装置で構成されてもよい。例えば、スマートフォンのようにタッチスクリーン、マイク、スピーカーなどがコンピュータ装置２００に含まれた形態で具現され得る。

【0033】

また、他の実施例において、コンピュータ装置２００は図２の構成要素よりさらに少ないかあるいはさらに多くの構成要素を含んでもよい。しかし、多くの従来技術的構成要素を明確に図示する必要性はない。例えば、コンピュータ装置２００は前述した入出力装置２５０のうち少なくとも一部を含むように具現されるかまたはトランシーバー（ｔｒａｎｓｃｅｉｖｅｒ）、データベースなどのような他の構成要素をさらに含んでもよい。

【0034】

図３は、本発明の一実施例に係る軽量化システムの例を図示した図面である。本実施例に係る軽量化システム３００はハイパーパラメータ最適化部３１０（以下、ＨＰＯ（Ｈｙｐｅｒｐａｒａｍｅｔｅｒ Ｏｐｔｉｍｉｚａｔｉｏｎ））、ターゲットデバイスプール（Ｔａｒｇｅｔ Ｄｅｖｉｃｅ Ｐｏｏｌ、３２０）、圧縮メソッドプール（Ｃｏｍｐｒｅｓｓｉｏｎ Ｍｅｔｈｏｄ Ｐｏｏｌ、３３０）および圧縮パイプライン（Ｃｏｍｐｒｅｓｓｉｏｎ ｐｉｐｅｌｉｎｅ、３４０）を含むことができる。

【0035】

軽量化技法はパラメータにより依存度が大きいため、多数の軽量化技法を利用する場合、各軽量化技法のパラメータがどのようにセッティングされているかにより大きく性能が左右され得る。このような問題を解決するために、軽量化システム３００はＨＰＯ３１０およびターゲットデバイスプール３２０を含むことができる。

【0036】

ＨＰＯ３１０は与えられたハイパーパラメータ探索空間（Ｈｙｐｅｒｐａｒａｍｅｔｅｒ ｓｅａｒｃｈ ｓｐａｃｅ）で最適なハイパーパラメータを探すアルゴリズムであり得、実質的には軽量化システム３００を具現するコンピュータ装置２００のプロセッサ２２０がコンピュータプログラムの制御により動作する機能の機能的表現であり得る。例えば、ＨＰＯ３１０は可能なパラメータ組み合わせのうちパラメータ組み合わせ１、パラメータ組み合わせ２、…、パラメータ組み合わせＮに対してそれぞれ学習を進めた後、性能が低いパラメータ組み合わせを一部廃棄し、上位性能が良いパラメータ組み合わせに基づいて新しいパラメータ組み合わせを探索することができる。ハイパーパラメータの例示としては、バッチサイズ（Ｂａｔｃｈ ｓｉｚｅ）、学習率（Ｌｅａｒｎｉｎｇ Ｒａｔｅ）、モメンタム（Ｍｏｍｅｎｔｕｍ）等がある。ハイパーパラメータの範疇をレイヤの数、ニューロン（ｎｅｕｒｏｎ）の数、レイヤのタイプと設定する場合、ＨＰＯ３１０はＮＡＳ（Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ）を含むことができる。

【0037】

本実施例に係るＨＰＯ３１０は異様な探索空間（ｓｅａｒｃｈ ｓｐａｃｅ）で探索を処理することができる。多数の軽量化技法のパラメータが探索空間（ｓｅａｒｃｈ ｓｐａｃｅ）となり得る。例えば枝刈り比率（ｐｒｕｎｉｎｇ ｒａｔｉｏ）、量子化臨界値（ｑｕａｎｔｉｚａｔｉｏｎ ｔｈｒｅｓｈｏｌｄ）、知識蒸留（Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｔｉｌｌａｔｉｏｎ）での温度（Ｔｅｍｐｅｒａｔｕｒｅ ｉｎ ＫＤ）等がＨＰＯ３１０の探索空間となり得る。このようなＨＰＯ３１０は一例として、ハイパーバンド（Ｈｙｐｅｒｂａｎｄ）、ベイズ最適化（Ｂａｙｅｓｉａｎ Ｏｐｔｉｍｉｚａｔｉｏｎ）のようなアルゴリズムを活用することができる。

【0038】

一方、ターゲットデバイスプール３２０と圧縮メソッドプール３３０は一例として、データベースの形態で具現され得る。ターゲットデバイスプール３２０は多様なデバイスに対する情報を含むことができ、圧縮メソッドプール３３０は多様な圧縮メソッドそれぞれのためのコードを含むことができる。ＨＰＯ３１０は圧縮メソッドプール３３０から圧縮メソッドを選択することができ、選択された圧縮メソッドを利用して推論モデルを軽量化することができる。ターゲットデバイスプール３２０に含まれるデバイスと圧縮メソッドプール３３０に含まれる圧縮メソッドはすでに広く知られているデバイスおよび圧縮メソッドが活用され得る。

【0039】

この時、ＨＰＯ３１０は推論モデルを軽量化するにおいて、圧縮メソッドプール３３０から２つ以上の圧縮メソッドを選択することができ、選択された２つ以上の圧縮メソッドを圧縮パイプライン３４０に順次配置することができる。以後、ＨＰＯ３１０は推論モデルを圧縮パイプライン３４０に入力して推論モデルが２つ以上の圧縮メソッドによって順次圧縮されるように推論モデルに対する軽量化を処理することができる。実施例により圧縮パイプライン３４０はＨＰＯ３１０に含まれる形態で具現され得る。

【0040】

また、ＨＰＯ３１０は圧縮メソッドの多様な組み合わせごとに軽量化モデルを生成してもよい。実施例により、ＨＰＯ３１０は多数の圧縮パイプラインを運用することによって、一つの推論モデルに互いに異なる組み合わせの圧縮メソッドを適用して多数の軽量化モデルを並列的に生成してもよい。一例として、多数のターゲットデバイスが存在する場合、ＨＰＯ３１０は多数の圧縮パイプラインを運用して多数のターゲットデバイスのための多数の軽量化モデルを同時に生成することができる。

【0041】

また、ＨＰＯ３１０はターゲットデバイスプール３２０を通じて選択されたターゲットデバイス３５０に軽量化された推論モデルを伝達することができる。ターゲットデバイス３５０は軽量化された推論モデルのコードを実行して遅延時間、正確性などの性能を測定した後、測定された性能をＨＰＯ３１０に返還することができる。ＨＰＯ３１０は返還された性能に基づいてパラメータ組み合わせ間の優劣をつけることができるようになり、このような優劣によりターゲットデバイス３５０に最適化されたパラメータ組み合わせを探すことができる。

【0042】

このような過程のために、ＨＰＯ３１０は一例として、軽量化のための推論モデルとデータセット（データおよびラベルを含む）そして制約（ｃｏｎｓｔｒａｉｎｔ）の入力を受けることができる。ここで、制約はデバイス、正確度（ａｃｃｕｒａｃｙ）、モデルの大きさ、遅延時間（ｌａｔｅｎｃｙ）、圧縮時間およびエネルギー消耗量のうち少なくとも一つの項目に対する値を含むことができる。

【0043】

デバイスの制約はターゲットデバイス３５０の選定のための情報を含むことができる。軽量化システム３００はデバイスの制約によりターゲットデバイスプール３２０からターゲットデバイス３５０を選択することができる。

【0044】

また、正確度の制約は軽量化された推論モデルが有するべき正確度の最小臨界値であり得る。換言すると、ＨＰＯ３１０は軽量化された推論モデルが少なくとも正確度の制約による最小臨界値以上の正確度を有するように推論モデルを軽量化することができる。例えば、ＨＰＯ３１０はターゲットデバイス３５０が返還する性能としての正確度が正確度の制約による最小臨界値以上のパラメータ組み合わせを選択することができる。

【0045】

モデルの大きさの制約は軽量化されたモデルの大きさに対する制約であり得る。モデルの大きさの制約が設定された場合、ＨＰＯ３１０は軽量化推論モデルのうちモデルの大きさの制約以下（または未満）の大きさを有する軽量化推論モデルを使って性能テストを進行することができる。

【0046】

遅延時間の制約は軽量化された推論モデルが入力値に対する出力値を生成するのにかかる時間に対する制約であり得る。軽量化された推論モデルに対する遅延時間はターゲットデバイスがＨＰＯ３１０に返還する性能に含まれ得る。ＨＰＯ３１０は返還された性能に含まれた遅延時間に基づいて遅延時間の制約を満足する軽量化された推論モデルを選択することによって、パラメータ組み合わせを選択することができる。

【0047】

圧縮時間の制約は軽量化された推論モデルを生成するのにかかる時間の制約であり得る。一例として、望む入力条件を満足する推論モデルを生成する時間は推論モデルを圧縮するシステムの性能およびリソースに依存的であり、一つの推論モデルを圧縮するのに何日もかかる場合もある。しかし、使用者が圧縮時間の制約を設定する場合、ＨＰＯ３１０は設定された圧縮時間の制約に合うように最大学習回数（エポック（ｅｐｏｃｈ））を指定したり順次適用される圧縮メソッドの数を減らして軽量化された推論モデルの生成時間が使用者が設定した遅延時間の制約を越えないように調節することができる。

【0048】

エネルギー消耗量の制約はターゲットデバイスで軽量化された推論モデルの性能を測定するにおいて、ターゲットデバイスでのエネルギー消耗量に対する制約を含むことができる。換言すると、ＨＰＯ３１０はターゲットデバイスでのエネルギー消耗量が使用者によって設定されたエネルギー消耗量の制約を越えないパラメータ組み合わせを選択することができる。このために、ターゲットデバイスにはエネルギー消耗測定モジュールが含まれ得、ターゲットデバイスで測定されるエネルギー消耗量が軽量化された推論モデルに対する性能の一部としてＨＰＯ３１０に伝達され得る。

【0049】

一方、すべての制約を満足する結果（軽量化推論モデル）が生成される場合もあれば、そうでない場合もある。例えば、軽量化推論モデルの性能において、さらに低い遅延時間のために正確度を低くしなければならないこともある。他の例として、さらに低いエネルギー消耗量のために正確度を低くしなければならないこともある。したがって、制約には優先順位が指定され得、ＨＰＯ３１０は指定された優先順位により優先順位が高い制約を先に満足し、下位の制約を満足するモデル最適化を進行することができる。

【0050】

図４は、本発明の一実施例に係る軽量化方法の例を図示したフローチャートである。本実施例に係る軽量化方法はＨＰＯ３１０を具現するコンピュータ装置２００により遂行され得る。一例として、コンピュータ装置２００のプロセッサ２２０はメモリ２１０が含む運営体制のコードや少なくとも一つのコンピュータプログラムのコードによる制御命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行するように具現され得る。ここで、プロセッサ２２０はコンピュータ装置２００に保存されたコードが提供する制御命令によりコンピュータ装置２００が図４の方法が含む段階４１０～４７０を遂行するようにコンピュータ装置２００を制御することができる。

【0051】

段階４１０でコンピュータ装置２００は軽量化のための推論モデルの入力を受けることができる。実施例により推論モデルと共にデータセットと制約が共に入力されてもよい。データセットはデータとラベル（データに対する正解）を含むことができ、以後ターゲットデバイスに提供されてターゲットデバイスが圧縮された推論モデルの性能を測定するのに活用され得る。

【0052】

段階４２０でコンピュータ装置２００はデバイス、正確度、モデルの大きさ、遅延時間、圧縮時間およびエネルギー消耗量のうち少なくとも一つの項目に対する値を含む制約を設定することができる。圧縮時間の制約が設定された場合、設定された圧縮時間の制約により、ターゲットデバイスでの圧縮された推論モデルの学習回数および選択された圧縮メソッドの組み合わせが含む圧縮メソッドの数のうち少なくとも一つが調節され得る。設定される制約は推論モデルと共に入力される制約であり得るがこれに限定されはしない。また、実施例によりコンピュータ装置２００は設定された制約の項目別優先順位をさらに設定することができる。優先順位については前記にて詳しく説明したことがある。

【0053】

段階４３０でコンピュータ装置２００はターゲットデバイスプールからターゲットデバイスを選択することができる。ここで、ターゲットデバイスプールは先立って図３を通じて説明したターゲットデバイスプール３２０に対応し得る。この時、段階４２０でデバイスの制約が設定された場合、コンピュータ装置２００はデバイスの制約によりターゲットデバイスプールからターゲットデバイスを選択することができる。

【0054】

段階４４０でコンピュータ装置２００は圧縮メソッドプールから圧縮メソッドの組み合わせを選択することができる。ここで、圧縮メソッドプールは先立って図３を通じて説明した圧縮メソッドプール３２０に対応し得る。この時、圧縮メソッドプールは、枝刈り（Ｐｒｕｎｉｎｇ）、量子化（Ｑｕａｎｔｉｚａｔｉｏｎ）、知識蒸留（Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｔｉｌｌａｔｉｏｎ）、モデル探索（Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ）、解像度変更（Ｒｅｓｏｌｕｔｉｏｎ ｃｈａｎｇｅ）、フィルタデコンポジション（Ｆｉｌｔｅｒ ｄｅｃｏｍｐｏｓｉｔｉｏｎ）およびフィルタ分解（Ｆｉｌｔｅｒ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）のうち少なくとも一つに基づいた２つ以上の圧縮メソッドを含むことができる。実施例によりコンピュータ装置２００は圧縮メソッドプールから圧縮メソッドの複数の組み合わせを選択してもよい。

【0055】

また、コンピュータ装置２００は一定の規則に沿って圧縮メソッドの組み合わせを選択してもよい。例えば、コンピュータ装置２００は圧縮メソッドの組み合わせ内で量子化（Ｑｕａｎｔｉｚａｔｉｏｎ）に基づいた圧縮メソッドが組み合わせの最後に位置しなければならない第１規則および活性化変換（Ａｃｔｉｖａｔｉｏｎ Ｃｈａｎｇｅ）に基づいた圧縮メソッドが量子化に基づいた圧縮メソッド以前に含まれなければならない第２規則のうち少なくとも一つの規則に沿って圧縮メソッドの組み合わせを選択することができる。例えば、量子化の場合にはコンパイラ（Ｃｏｍｐｉｌｅｒ）と結合されて具現されている場合が多いので、ソフトウェアレベルで圧縮に量子化を利用する場合、量子化が圧縮パイプラインの最も最後に配置され得る。また、活性化変換は量子化の性能を高めるための目的で使われるため、活性化変換に基づいた圧縮メソッドは量子化に基づいた圧縮メソッドより組み合わせ内に先に含まれ得る。

【0056】

実施例により段階４１０～段階４４０の遂行順序は変更され得る。例えば、圧縮メソッドの組み合わせを選択した以後にターゲットデバイスを選択したりまたは推論モデルの入力以前にターゲットデバイスを選択してもよい。

【0057】

段階４５０でコンピュータ装置２００は推論モデルを選択された圧縮メソッドの組み合わせを利用して圧縮することができる。一例として、コンピュータ装置２００は選択された圧縮メソッドの組み合わせが含むメソッドを圧縮パイプラインを通じて推論モデルに順次適用して推論モデルを圧縮することができる。圧縮パイプラインは先立って図３を通じて説明した圧縮パイプライン３４０に対応し得る。一方、段階４４０で複数の組み合わせが選択された場合、コンピュータ装置２００は推論モデルを選択された複数の組み合わせそれぞれに圧縮することができる。

【0058】

段階４６０でコンピュータ装置２００は選択されたターゲットデバイスを利用して圧縮された推論モデルの性能を測定することができる。一例として、コンピュータ装置２００は圧縮された推論モデルを選択されたターゲットデバイスに伝送でき、ターゲットデバイスから圧縮された推論モデルの性能に対するテスト結果を受信することができる。この時、ターゲットデバイスは圧縮された推論モデルに対する遅延時間および正確度のうち少なくとも一つを含む性能を測定するように具現され得る。推論モデルが複数の組み合わせそれぞれに対して圧縮された場合、多数の圧縮された推論モデルそれぞれに対する性能が測定され得る。

【0059】

段階４７０でコンピュータ装置２００は測定された性能に基づいて最終軽量化推論モデルを決定することができる。一例として、コンピュータ装置２００は正確度の制約、遅延時間の制約およびエネルギー消耗量の制約のうち少なくとも一つと測定された性能に基づいて最終軽量化推論モデルを決定することができる。他の例として、コンピュータ装置２００は推論モデルに対してパラメータ組み合わせを変えながら多数の圧縮された推論モデルを生成した場合、または圧縮メソッドの多数の組み合わせを通じて多数の圧縮された推論モデルを生成した場合、多数の圧縮された推論モデルのうち性能が最も高い圧縮された推論モデルを最終軽量化推論モデルとして決定することができる。

【0060】

図５は、本発明の一実施例において、最適パラメータ決定過程の例を図示した図面である。図５は、ＨＰＯ３１０およびターゲットデバイス３５０を示している。図５の実施例は、ＨＰＯ３１０がターゲットデバイス３５０を通じて推論モデル５１０を圧縮して最終軽量化推論モデル５２０を生成する過程の例を説明する。

【0061】

パラメータ選択過程５３１でＨＰＯ３１０は入力される推論モデル５１０のためのパラメータを選択することができる。すでに説明した通り、推論モデル５１０は事前学習されたモデルであり得、パラメータは多数の圧縮メソッドの組み合わせのためのパラメータの組み合わせであり得る。

【0062】

モデル圧縮過程５３２でＨＰＯ３１０は選択されたパラメータを利用して推論モデル５１０を圧縮することができる。圧縮された推論モデルはターゲットデバイス３５０に伝達され得る。この時、圧縮された推論モデルと共に、推論モデル５１０に対して入力されたデータセット（データおよびラベル含む）がターゲットデバイス３５０に共に伝達され得る。

【0063】

モデル受信過程５３３でターゲットデバイス３５０はＨＰＯ３１０で伝達される圧縮された推論モデルを受信することができる。すでに説明した通り、ターゲットデバイス３５０は圧縮された推論モデルと共にデータセットを受信することができる。

【0064】

モデルテスト過程５３４でターゲットデバイス３５０は圧縮された推論モデルをテストすることができる。一例として、ターゲットデバイス３５０はデータセットのデータと正解であるラベルを利用して圧縮された推論モデルをテストして圧縮された推論モデルの性能（一例として、遅延時間、正確度など）を測定することができ、測定された性能をＨＰＯ３１０に伝達することができる。より具体的な例として、ターゲットデバイス３５０は圧縮された推論モデルにデータセットのデータを入力することができ、データが入力された時刻および圧縮された推論モデルが入力されたデータに対する結果を出力する時刻に基づいて遅延時間を測定することができる。他の例として、ターゲットデバイス３５０は出力された結果とデータに対する正解であるラベルを比較して圧縮された推論モデルの正確性を測定することができる。

【0065】

反復過程５３５でＨＰＯ３１０はターゲットデバイス３５０から伝達された性能によりパラメータ選択過程５３１～モデルテスト過程５３４を繰り返すかどうかを決定することができる。一例として、ＨＰＯ３１０は伝達された性能に基づいて圧縮された推論モデルが制約をすべて満足するかまたは優先順位に基づいた制約を一定基準以上満足するかどうかを判断することができる。満足する場合、ＨＰＯ３１０はパラメータ選択過程５３１～モデルテスト過程５３４の反復なしに圧縮された推論モデルを最終軽量化推論モデル５２０として提供することができる。反面、満足しない場合、ＨＰＯ３１０はパラメータ選択過程５３１～モデルテスト過程５３４を繰り返して新しいパラメータにより圧縮された推論モデルを再びテストすることができる。

【0066】

実施例により反復過程５３５は単純に互いに異なるパラメータを通じて圧縮された予め設定された数の圧縮された推論モデルをテストするための過程であり得る。この場合、ＨＰＯ３１０は制約の基準で最も性能が良い圧縮された推論モデルを最終軽量化推論モデル５２０として提供することができる。

【0067】

さらに他の実施例で反復過程５３５は、一つの圧縮された推論モデルを互いに異なる予め設定された数のターゲットデバイスにテストするための過程であってもよい。

【0068】

このように、本発明の実施例によると、多様な軽量化技法を順次および／または並列的にディープラーニングモデルに適用してディープラーニングモデルを圧縮することができる。

【0069】

以上で説明されたシステムまたは装置はハードウェア構成要素、またはハードウェア構成要素およびソフトウェア構成要素の組み合わせで具現され得る。例えば、実施例で説明された装置および構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、マイクロコンピュータ、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサ、または命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行し応答できる他のある装置とともに、一つ以上の汎用コンピュータまたは特殊目的コンピュータを利用して具現され得る。処理装置は運営体制（ＯＳ）および前記運営体制上で遂行される一つ以上のソフトウェアアプリケーションを遂行できる。また、処理装置はソフトウェアの実行に応答して、データを接近、保存、操作、処理および生成してもよい。理解の便宜のために、処理装置は一つが使われるものとして説明された場合もあるが、該当技術分野で通常の知識を有する者は、処理装置が複数個の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）および／または複数類型の処理要素を含むことができることがわかる。例えば、処理装置は複数個のプロセッサまたは一つのプロセッサおよび一つのコントローラを含むことができる。また、並列プロセッサ（ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｏｒ）のような、他の処理構成（ｐｒｏｃｅｓｓｉｎｇ ｃｏｎｆｉｇｕｒａｔｉｏｎ）も可能である。

【0070】

ソフトウェアはコンピュータプログラム（ｃｏｍｐｕｔｅｒ ｐｒｏｇｒａｍ）、コード（ｃｏｄｅ）、命令（ｉｎｓｔｒｕｃｔｉｏｎ）、またはこれらのうち一つ以上の組み合わせを含むことができ、望む通りに動作するように処理装置を構成したり独立的にまたは結合的に（ｃｏｌｌｅｃｔｉｖｅｌｙ）処理装置を命令することができる。ソフトウェアおよび／またはデータは、処理装置によって解釈されたり処理装置に命令またはデータを提供するために、或る類型の機械、構成要素（ｃｏｍｐｏｎｅｎｔ）、物理的装置、仮想装置（ｖｉｒｔｕａｌ ｅｑｕｉｐｍｅｎｔ）、コンピュータ保存媒体または装置に具体化（ｅｍｂｏｄｙ）され得る。ソフトウェアはネットワークに連結されたコンピュータシステム上に分散されて、分散された方法で保存されたり実行されてもよい。ソフトウェアおよびデータは一つ以上のコンピュータ読み取り可能記録媒体に保存され得る。

【0071】

実施例に係る方法は多様なコンピュータ手段を通じて遂行され得るプログラム命令形態で具現されてコンピュータ読み取り可能媒体に記録され得る。前記コンピュータ読み取り可能媒体はプログラム命令、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。媒体はコンピュータで実行可能なプログラムを継続して保存したり、実行またはダウンロードのために臨時保存するものであってもよい。また、媒体は単一または複数個のハードウェアが結合された形態の多様な記録手段または保存手段であり得るが、或るコンピュータシステムに直接接続される媒体に限定されず、ネットワーク上に分散存在するものであってもよい。媒体の例示としては、ハードディスク、フロッピーディスクおよび磁気テープのような磁気媒体、ＣＤ－ＲＯＭおよびＤＶＤのような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉｕｍ）、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどを含んでプログラム命令語が保存されるように構成されたものがあり得る。また、他の媒体の例示として、アプリケーションを流通するアプリストアやその他多様なソフトウェアを供給または流通するサイト、サーバーなどで管理する記録媒体または保存媒体も挙げることができる。プログラム命令の例にはコンパイラによって作られるような機械語コードだけでなく、インタープリタなどを使ってコンピュータによって実行され得る高級言語コードを含む。

【0072】

以上のように、実施例がたとえ限定された実施例と図面によって説明されたが、該当技術分野で通常の知識を有する者であれば前記の記載から多様な修正および変形が可能である。例えば、説明された技術が説明された方法とは異なる順序で遂行されたり、および／または説明されたシステム、構造、装置、回路などの構成要素が説明された方法と異なる形態で結合または組み合わせられたり、他の構成要素または均等物によって対峙されたり置換されても適切な結果が達成され得る。

【0073】

したがって、他の具現、他の実施例および特許請求の範囲と均等なものなども後述する特許請求の範囲の範囲に属する。
（他の可能な項目）
（項目１）
少なくとも一つのプロセッサを含むコンピュータ装置の軽量化方法において、
前記少なくとも一つのプロセッサによって、軽量化のための推論モデルの入力を受ける段階；
前記少なくとも一つのプロセッサによって、ターゲットデバイスプールからターゲットデバイスを選択する段階；
前記少なくとも一つのプロセッサによって、圧縮メソッドプールから圧縮メソッドの組み合わせを選択する段階；
前記少なくとも一つのプロセッサによって、前記推論モデルを前記選択された圧縮メソッドの組み合わせを利用して圧縮する段階；
前記少なくとも一つのプロセッサによって、前記選択されたターゲットデバイスを利用して前記圧縮された推論モデルの性能を測定する段階；および
前記少なくとも一つのプロセッサによって、前記測定された性能に基づいて最終軽量化推論モデルを決定する段階を含む、軽量化方法。
（項目２）
前記圧縮する段階は、
前記選択された圧縮メソッドの組み合わせが含むメソッドを圧縮パイプラインを通じて前記推論モデルに順次適用して前記推論モデルを圧縮する、項目１に記載の軽量化方法。
（項目３）
前記性能を測定する構成は、
前記圧縮された推論モデルを前記選択されたターゲットデバイスに伝送する段階；および
前記ターゲットデバイスから前記圧縮された推論モデルの性能に対するテスト結果を受信する段階を含む、項目１に記載の軽量化方法。
（項目４）
前記選択されたターゲットデバイスは、前記圧縮された推論モデルに対する遅延時間および正確度のうち少なくとも一つを含む性能を測定するように具現される、項目１に記載の軽量化方法。
（項目５）
前記少なくとも一つのプロセッサによって、デバイス、正確度（ａｃｃｕｒａｃｙ）、モデルの大きさ、遅延時間（ｌａｔｅｎｃｙ）、圧縮時間およびエネルギー消耗量のうち少なくとも一つの項目に対する値を含む制約（ｃｏｎｓｔｒａｉｎｔ）を設定する段階をさらに含む、項目１に記載の軽量化方法。
（項目６）
前記少なくとも一つのプロセッサによって、前記設定された制約の項目別優先順位を設定する段階をさらに含む、項目５に記載の軽量化方法。
（項目７）
前記ターゲットデバイスを選択する段階は、
前記デバイスの制約により前記ターゲットデバイスを選択する、項目５に記載の軽量化方法。
（項目８）
前記最終軽量化推論モデルを決定する段階は、
前記正確度の制約、前記遅延時間の制約および前記エネルギー消耗量の制約のうち少なくとも一つと前記測定された性能に基づいて前記最終軽量化推論モデルを決定する、項目５に記載の軽量化方法。
（項目９）
前記圧縮時間の制約により前記ターゲットデバイスでの前記圧縮された推論モデルの学習回数および前記選択された圧縮メソッドの組み合わせが含む圧縮メソッドの数のうち少なくとも一つが調節される、項目５に記載の軽量化方法。
（項目１０）
前記圧縮メソッドの組み合わせを選択する段階は、
前記圧縮メソッドプールから前記圧縮メソッドの複数の組み合わせを選択し、
前記圧縮する段階は、
前記推論モデルを前記選択された複数の組み合わせそれぞれに圧縮する、項目１に記載の軽量化方法。
（項目１１）
前記圧縮メソッドプールは、枝刈り（Ｐｒｕｎｉｎｇ）、量子化（Ｑｕａｎｔｉｚａｔｉｏｎ）、知識蒸留（Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｔｉｌｌａｔｉｏｎ）、モデル探索（Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ）、解像度変更（Ｒｅｓｏｌｕｔｉｏｎ ｃｈａｎｇｅ）、フィルタデコンポジション（Ｆｉｌｔｅｒ ｄｅｃｏｍｐｏｓｉｔｉｏｎ）およびフィルタ分解（Ｆｉｌｔｅｒ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）のうち少なくとも一つに基づいた２つ以上の圧縮メソッドを含む、項目１に記載の軽量化方法。
（項目１２）
前記圧縮メソッドの組み合わせを選択する段階は、
前記圧縮メソッドの組み合わせ内で量子化（Ｑｕａｎｔｉｚａｔｉｏｎ）に基づいた圧縮メソッドが前記圧縮メソッドの組み合わせの最後に位置しなければならない第１規則および活性化変換（Ａｃｔｉｖａｔｉｏｎ Ｃｈａｎｇｅ）に基づいた圧縮メソッドが量子化に基づいた圧縮メソッド以前に含まれなければならない第２規則のうち少なくとも一つの規則に沿って圧縮メソッドの組み合わせを選択する、項目１に記載の軽量化方法。
（項目１３）
コンピュータ装置と結合されて項目１～項目１２のいずれか一項に記載された方法をコンピュータ装置に実行させるためにコンピュータ読み取り可能な記録媒体に保存されたコンピュータプログラム。
（項目１４）
項目１～項目１２のいずれか一項に記載された方法をコンピュータ装置に実行させるためのプログラムが記録されているコンピュータ読み取り可能な記録媒体。
（項目１５）
コンピュータ装置で読み取り可能な命令を実行するように具現される少なくとも一つのプロセッサを含み、
前記少なくとも一つのプロセッサによって、
軽量化のための推論モデルの入力を受け、
ターゲットデバイスプールからターゲットデバイスを選択し、
圧縮メソッドプールから圧縮メソッドの組み合わせを選択し、
前記推論モデルを前記選択された圧縮メソッドの組み合わせを利用して圧縮し、
前記選択されたターゲットデバイスを利用して前記圧縮された推論モデルの性能を測定し、
前記測定された性能に基づいて最終軽量化推論モデルを決定するコンピュータ装置。
（項目１６）
前記推論モデルを圧縮するために、前記少なくとも一つのプロセッサによって、
前記選択された圧縮メソッドの組み合わせが含むメソッドを圧縮パイプラインを通じて前記推論モデルに順次適用して前記推論モデルを圧縮する、項目１５に記載のコンピュータ装置。
（項目１７）
前記圧縮された推論モデルの性能を測定するために、前記少なくとも一つのプロセッサによって、
前記圧縮された推論モデルを前記選択されたターゲットデバイスで伝送し、
前記ターゲットデバイスから前記圧縮された推論モデルの性能に対するテスト結果を受信する、項目１５に記載のコンピュータ装置。
（項目１８）
前記少なくとも一つのプロセッサによって、
デバイス、正確度（ａｃｃｕｒａｃｙ）、モデルの大きさ、遅延時間（ｌａｔｅｎｃｙ）、圧縮時間およびエネルギー消耗量のうち少なくとも一つの項目に対する値を含む制約（ｃｏｎｓｔｒａｉｎｔ）を設定する、項目１５に記載のコンピュータ装置。
（項目１９）
前記圧縮メソッドの組み合わせを選択するために、前記少なくとも一つのプロセッサによって、
前記圧縮メソッドプールから前記圧縮メソッドの複数の組み合わせを選択し、
前記推論モデルを圧縮するために、前記少なくとも一つのプロセッサによって、
前記推論モデルを前記選択された複数の組み合わせそれぞれに圧縮する、項目１５に記載のコンピュータ装置。

【図1】

【図2】

【図3】

【図4】

【図5】