fastai와 파이토치가 만나 꽃피운 딥러닝

280

2



fastai 애플리케이션 계층 이해하기

용 데이터셋 손실이 나빠지더라도 정확도는 계속해서 증가함을 알 수 있습니다. 궁극적으로 우

리가 알고싶은것은 손실이 아니라, 비지니스 목적에 알맞게 고른 평가 지표여야 합니다. 손실

은 단지 컴퓨터가 최적화해야 하는 함수일 뿐이죠.

모델을 학습시킬 때는 학습을 얼마나 오래 진행할지도 결정해야 합니다. 바로 이어서 살펴보죠.

5.5.4



에포크 횟수를 정할 때 주로 제약받는 부분은 (일반화 및 정확도 수준이 아니라) 학습을 진행

할 시간입니다. 따라서 얼마나 오랫동안 학습을 기다릴 수 있는지에 따라 에포크의 횟수를 선

정하는 방법을 가장 먼저 고려해야 합니다. 그다음 학습용과 검증용 데이터셋 손실 및 평가지

표 도표를 확인합니다. 최종 에포크에서도 여전히 모델이 개선될 여지가 있다면, 학습 시간이

충분하지 않았다는 의미입니다.

한편 학습 종반에 선택한 평가지표가 나빠지는 상황을 목격할지도 모릅니다. 검증용 데이터셋

손실뿐만 아니라 실제 평가지표가 나빠지는지도 관찰해야 함을 명심하세요. 모델의 자신감이

과해지는 순간 검증용 데이터셋 손실이 나빠지기 시작하며, 데이터를 올바르지 않게 기억해서

더 나빠집니다. 그런데 우리는 이 중 두 번째 상황만 걱정하면 되죠. 손실 함수는 옵티마이저가

미분과 최적화에 사용하는 것이지, 실제로 우리가 관심을 가져야 부분이 아닙니다.

원사이클

1

-

cycle

학습 방법이 개발되기 전에는 보통 에포크마다 모델을 저장하고 저장된 모델

중 정확도가 가장 ...