트레이딩을 위한 ONNX 학습 - 페이지 15

[MetaQuotes]

GRCon20 - ONNX를 사용한 GNU 라디오의 딥 러닝 추론

GRCon20 - ONNX를 사용한 GNU 라디오의 딥 러닝 추론

이 동영상에서는 라디오 주파수 영역에서 유연한 오픈 소스 솔루션으로 딥 러닝을 통합하기 위한 개방형 형식으로 ONNX를 사용하는 방법에 대해 설명합니다. 발표자는 GNU Radio와 ONNX 모두에 Python 인터페이스를 사용하는 새로운 모듈 GR DNN DN4를 발표하고 GNU Radio에서 생성된 시뮬레이션 데이터에서 훈련된 심층 합성곱 신경망 모델을 사용하여 자동 변조 분류의 예를 통해 그 기능을 시연합니다. 또한 BGG16 모델로 SDR 데이터를 분류하기 위해 딥 러닝을 사용할 때의 요구 사항과 과제에 대해 논의하고 GPU와 같은 하드웨어 가속을 사용하여 추론을 개선하고 실시간 결과를 얻을 것을 제안합니다. 이 프로젝트는 오픈 소스이며 협업이 권장됩니다.

• 00:00:00 비디오의 이 섹션에서는 Oscar Rodriguez가 ONNX를 사용하는 GNU Radio에서 딥 러닝 추론을 사용한 작업에 대해 설명합니다. 그들의 프로젝트의 주요 목표는 딥 러닝을 무선 주파수 영역에 대한 유연한 오픈 소스 솔루션으로 통합하는 것이었습니다. ONNX는 서로 다른 프레임워크 간의 기계 학습 상호 운용성을 허용하는 개방형 형식이므로 호환되지 않는 딥 러닝 프레임워크의 문제를 해결하기 때문에 ONNX를 선택했습니다. 그러나 모델을 ONNX에 적용하는 비용이 있으며 특정 작업에 운영 가용성 문제가 있을 수 있습니다. 단, 이는 ONNX가 Microsoft에서 적극적으로 개발 및 지원된다는 사실로 완화됩니다. 궁극적으로 ONNX는 사용자 모델과 다양한 딥 러닝 프레임워크 사이에 추상화 계층을 제공합니다.
  
  
• 00:05:00 섹션에서는 ONNX 블록에서 사용할 공통 형식으로 변환하기 전에 TensorFlow 및 PyTorch와 같은 다양한 프레임워크에서 기계 학습 모델을 설계하고 교육할 수 있는 ONNX 사용에 대해 설명합니다. ONNX는 딥 러닝 모델에서 일반적으로 사용되는 일련의 기본 작업을 정의하며 해당 런타임은 다양한 소프트웨어 및 하드웨어 가속을 위한 인터페이스와 지원을 제공합니다. 런타임은 또한 사용 가능한 가속기를 기반으로 다양한 실행 공급자에 작업을 할당하는 모델의 그래프 표현을 생성합니다.
  
  
• 00:10:00 이 섹션에서 연사는 모든 ONNX 작업이 해당 플랫폼에서 구현되는 한 새로운 하드웨어 플랫폼을 지원할 수 있는 ONNX의 실행 공급자 확장성에 대해 설명합니다. 그런 다음 GNU 라디오와 ONNX 모두에 Python 인터페이스를 사용하는 새로운 모듈인 GR DNN DN4를 소개합니다. 동기화 모듈은 입력을 모델의 예상 형식에 맞게 조정하고 변환된 데이터로 모델을 맞춘 다음 출력을 다시 1차원 형식으로 변환합니다. 이 모듈을 사용하면 ONNX에서 지원되는 다양한 실행 공급자를 선택할 수도 있습니다. 연사는 계속해서 GNU 라디오에서 생성된 시뮬레이션 데이터로 훈련된 심층 합성곱 신경망 모델을 사용하여 자동 변조 분류의 예를 통해 GR DNN DN4의 기능을 시연합니다.
  
  
• 00:15:00 이 섹션에서 발표자는 BGG16 모델을 사용하여 SDR 데이터를 분류하기 위해 딥 러닝을 사용하는 방법에 대해 설명합니다. 그들은 모델의 입력이 SDR 장치의 출력에 맞게 조정되어야 하는 128 IQ 값의 벡터를 필요로 한다고 설명합니다. 또한 딥 러닝 추론은 계산 집약적이며 성능은 모델의 복잡성에 따라 달라집니다. 연사는 GPU와 같은 하드웨어 가속을 사용하면 추론을 개선하고 실시간 결과를 얻을 수 있다고 제안하며 결론을 내립니다.
  
  
• 00:20:00 이 섹션에서 발표자는 딥 러닝 모델 표현을 위한 표준 형식을 사용하고 다양한 가속 방법을 지원하는 딥 러닝 추론과 소프트웨어 정의 무선(SDR)을 통합할 수 있는 새로운 무선 구현에 대해 논의합니다. 발표자는 자동 변조 분류에 모듈을 사용하고 하드웨어 가속을 통해 실시간 추론을 달성하는 방법을 보여줍니다. 연사는 또한 다양한 유형의 딥 러닝 모델에 대해 보다 유연하게 만들고 블록 내의 사전 처리 기능을 포함하여 모듈의 향후 개선 사항에 대해 논의합니다. 이 프로젝트는 오픈 소스이며 협업이 권장됩니다.