eBook

AI 탑재 신호 처리 응용 프로그램에서의 데이터 및 모델링

1장: 신호 처리를 위한 딥러닝의 기본 사항

1장

신호 처리를 위한 딥러닝의 기본 사항


모든 딥러닝 탑재 신호 처리 응용 분야에 필요한 것은 무엇일까요? 여러 신호 데이터, 우수한 신경망 아키텍처, 해당 데이터를 자동화된 학습을 위한 소스로 변환하는 적절한 신호 처리 툴을 꼽을 수 있습니다.

이 eBook에서는 훨씬 다양한 신호 처리 응용 분야에 적용할 수 있는 예제로 트리거 단어 검출기를 사용합니다. 트리거 단어 검출 또는 키워드 인식은 모바일 기기에 내장되어 실행되는 음성 처리 알고리즘입니다.

아래의 짧은 비디오(0:38)에서 트리거 단어 검출의 실제 사용 예를 볼 수 있습니다.

먼저 딥러닝이 신호 데이터에서 어떻게 작동하는지 간략한 개요를 살펴보겠습니다.

절

딥러닝을 사용하는 이유

딥러닝은 AI 탑재 시스템을 이끄는 핵심 기술이며, 이를 통해 모델은 대량의 데이터로부터 복잡한 패턴 및 하이 레벨 추상화를 학습하여 예측, 입력값에 대한 응답 또는 기타 작업을 수행할 수 있습니다.

신호 데이터는 광대역 잡음, 간섭, 비선형 추세, 지터, 위상 왜곡 및 누락된 샘플 등으로 인해 변동성이 다른 데이터형보다 큽니다. 이로 인해 신호 데이터는 원시 입력값으로 사용하기가 어려우므로 딥러닝 모델의 입력값으로 사용하기 전에 준비 과정을 거쳐야 합니다. 자세한 내용은 이 주제와 관련된 심층 블로그 게시물을 참조하십시오.

딥러닝 알고리즘의 일반적인 두 유형인 RNN(순환 신경망) 및 CNN(컨벌루션 신경망)은 신호 데이터와 일반적인 신호 처리 응용 분야의 사용 사례에 적합합니다. 이들이 아닌 전통적인 머신러닝 모델을 사용할 수도 있지만, 이 경우에는 모델의 복잡성이 제한되고 데이터의 특징에 대한 전문가 지식이 필요할 수 있습니다.

절

딥러닝 워크플로

표준 딥러닝 워크플로는 데이터셋 생성 및 액세스, 데이터 전처리 및 변환, 예측 모델 개발, 모델 가속화 및 배포 등의 네 단계를 거칩니다. 통상적으로는 이러한 각각의 단계는 선형적으로 진행되는 것이 아니라 반복적인 접근 방식을 통해 예측 모델을 설계, 훈련, 최적화합니다.

각 단계에서 수행되는 작업은 프로젝트와 데이터 소스에 따라 다릅니다. 신호 처리 응용 분야는 특히 다양한 데이터 유형을 사용하며, 신경망에 대한 효과적인 학습 입력값을 생성하는 기법은 응용 사례에 따라 크게 달라집니다. 데이터 준비 및 변환은 신호 데이터를 사용하여 딥러닝 모델을 훈련하는 데 있어서 특히 중요한 작업입니다.

데이터 소스

데이터 소스

시뮬레이션 및 증대

시뮬레이션 및 증대

데이터 레이블 지정

데이터 레이블 지정

전처리

전처리

변환

변환

특징 추출

특징 추출

참조 모델 가져오기/처음부터 설계

참조 모델 가져오기/처음부터 설계

하드웨어 가속 훈련

하드웨어 가속 훈련

하이퍼파라미터 분석 및 조정

하이퍼파라미터 분석 및 조정

데스크탑 앱

데스크탑 앱

전사적 규모 시스템

전사적 규모 시스템

임베디드 기기 및 하드웨어

임베디드 기기 및 하드웨어

절

심층 신경망 디자이너

신경망 아키텍처를 정의하는 작업이 처음이라면 대화형 방식의 심층 신경망 디자이너 앱부터 시작해 보는 것이 좋습니다. 세트 목록에서 계층을 끌어서 놓을 수 있고, 단순해 보이는 신경망에도 있는 학습 가능한 가중치를 살펴볼 수도 있습니다.

처음부터 시작하지 마세요

해결하려는 문제와 비슷한 문제를 다루는 논문에 게재된 아키텍처를 통해 시작해 볼 수 있습니다. 연구 논문에는 사전 구축된 신경망을 즉시 다운로드할 수 있는 저장소가 포함된 경우가 많습니다. MATLAB® 을 통해서도 다른 딥러닝 프레임워크에서 사전 구축된 모델을 가져오거나 내보낼 수 있습니다.