fastai와 파이토치가 만나 꽃피운 딥러닝

318

2



fastai 애플리케이션 계층 이해하기

전이 학습에서 점진적 크기 조절을 하면 성능을 해칠지도 모릅니다. 이 현상은 사전 학습된 모

델이 전이 학습하려는 문제와 유사하고 이미지 크기도 비슷할 때 발생할 가능성이 높습니다.

학습될 내용이 적어서 가중치에 많은 변화를 기대하기 어렵기 때문이죠. 이때 더 작은 이미지

로 학습을 진행하면 이미 잘 구성된 가중치를 망가뜨리는 결과를 초래할지도 모릅니다.

반면 데이터셋이 사전 학습된 데이터와는 다른 크기와 스타일의 이미지로 구성된다면, 점진적

크기 조절 방식이 유용합니다. 하지만 언제나 그렇듯이 “도움이 될까요?”의 대답은 ‘직접 시도

해보기’로 얻을 수 있다는 점을 잊지 마세요.

검증용 데이터셋에 데이터 증강을 도입하는 기법도 시도해볼 만합니다. 지금까지는 데이터 증

강을 학습용 데이터셋에만 적용했고 검증용 데이터셋의 이미지는 원본 그대로 놔두었죠. 하지

만 검증용 데이터셋 이미지의 여러 버전을 만들고 예측을 수행하여 평균을 내는 방법도 있습니

다. 이어지는 절에서 이런 접근법을 시도합니다.

7.4



지금까지 임의로 자르는 데이터 증강 방식을 사용해 비교적 적은 데이터셋으로도 일반화가 더

잘 된 결과를 얻을 수 있었습니다. 한편 이 방식을 명시적으로 사용할 때

fastai

는 자동으로 검

증용 데이터셋의 중심부를 잘라냅니다. 즉 이미지 중앙에서 이미지 모서리 영역을 넘어가지 않

는 가장 큰 정사각형 영역을 선택합니다.

하지만 이 방식에는 문제가 있습니다. 예를 들어 다중 레이블 데이터셋에서 ...