매스웍스가 지난 9월 26일 릴리스 2017b(이하 R2017b)를 발표했다. R2017b에는 매트랩(MATLAB) 및 시뮬링크(Simulink)의 새로운 기능, 신제품 6개 및 기타 86개 제품에 대한 업데이트 및 버그 수정이 포함됐다. 또한, 이번 R2017b에는 엔지니어, 연구원 및 기타 도메인 전문가가 모델을 설계, 교육 및 배포하는 방식을 간소화하는 새로운 딥러닝 주요 기능이 추가됐다.
R017b 출시 간담회에서 발표를 맡은 매스웍스 코리아 김영우 전무는 딥러닝의 적용에 있어 엔지니어가 수행해야 할 중 도전 과제에 대해 설명했다. 김 전무가 설명한 딥러닝 도전 과제는 등이 있다. ▲수백만장의 이미지 분류를 위해 어떻게 ‘라벨링’을 할 것인가? ▲전문가들이 생성한 모델을 어떻게 나의 딥러닝 모델 기반으로 사용할 수 있을까? ▲딥러닝 모델 트레이닝 및 예측을 어떻게 가속화할 수 있는가? ▲새로운 모델을 다른 사람들과 어떻게 공유할 수 있을까?
딥러닝에 대한 세간의 관심이 증폭되면서 매스웍스는 위와 같은 도전 과제를 해결하기 위한 주요 기능들을 지속적으로 추가해왔다. 이번 R2018b 발표를 통해 추가적으로 지원하는 딥러닝 기능들은 엔지니어, 연구원, 전문가들이 딥러닝 모델을 설계하고 교육 및 배포하는 데 있어 보다 편리하게 진행할 수 있도록 돕는다.
더욱 다채로워진 딥러닝 지원
먼저 뉴럴 네트워크 툴박스(Neural Network Toolbox) 에는 방향성 비사이클 그래프(DAG) 및 장단기메모리(LSTM) 네트워크를 비롯한 복합 아키텍처에 대한 지원이 추가됐다. 이는 구글넷(GoogLeNet) 등의 잘 알려진 사전 학습 모델에 액세스할 수 있다.
컴퓨터 비전 시스템 툴박스(Computer Vision System Toolbos)의 이미지 라벨러(Image Laveler) 앱에서는 연속적 이미지에서 지상 실측 데이터에 레이블을 지정하는 편리한 대화형 방식을 제공한다. 또한 컴퓨터 비전 시스템 툴박스는 객체 감지 워크플로 외에도, 딥러닝을 사용하여 이미지의 픽셀 영역을 분류하고 분할 결과를 평가 및 시각화할 수 있는 시맨틱 분할(Symantic Segmentation)을 지원한다.
이밖에도 신제품인 GPU 코더(GPU Coder)는 딥러닝 모델을 엔비디아(NVIDIA) GPU용 쿠다(CUDA) 코드로 자동 변환하는 기능을 갖고 있다. 매스웍스 내부 벤치마크 결과에 따르면, 딥러닝 추론용으로 생성된 코드는 배포된 모델에서 카페2(Caffe2)보다 성능이 최대 4.5배 향상됐으며, 텐서플로우(TensorFlow)보다 성능이 7배 향상됐다.
이처럼 R2017b에 새로 도입된 기능과 더불어, 사전 학습 모델은 알렉스넷(AlexNet), VGG-16 및 VGG-19를 포함한 컨벌루션 신경망(Convolutional Neural Network, CNN) 모델이 전이 학습에 사용될 수 있다. 이밖에도 Caffe Model Zoo를 포함한 카페(Caffe) 모델 등도 학습에 사용이 가능하다. CNN을 사용한 이미지 분류, 객체 감지 및 회귀 등의 여러 모델링을 처음부터 개발할 수 있다는 점도 특징이다.
매스웍스의 데이비드 리치(David Rich) 매트랩 마케팅 책임자는 “스마트 디바이스 및 사물인터넷(IoT)의 증가로 인해 기업 내 설계 팀은 더욱 지능적인 제품과 응용 프로그램을 만들어야 할 때 딥러닝 기술을 자체적으로 개발하거나, 딥러닝 전문 지식을 알고 있지만 응용 프로그램 컨텍스트는 잘 모르는 다른 팀에 의존해야 한다”고 진단했다.
▲ 매스웍스 코리아 김영우 전무
이어 그는 “이제 R2017b를 통해 기업의 엔지니어링 팀과 시스템 통합 팀은 딥러닝에 매트랩을 사용하여 전체 설계 프로세스에 대한 제어력을 강화하고, 더 빠른 기간 내에 고품질의 설계를 구현할 수 있다. 이를 통해 기업들은 사전 학습 네트워크를 사용하고, 코드 및 모델에 대한 협업을 수행하며, GPU 및 임베디드 디바이스를 배포할 수 있다. 뿐만 아니라, 매트랩을 사용하면 지상 실측 데이터의 레이블 지정 작업을 자동화함으로써 모델 개발 시간을 단축시키는 동시에 결과의 품질을 향상할 수 있다”고 설명했다.
