파이토치로 배우는 LLM & AI

118

1

부

모델 구축

그림

3-19

가위, 바위, 보 분류기 테스트의 결과

파일 이름을 보면 어떤 이미지인지 알 수 있습니다.

조금 더 자세히 살펴보면

scissors4

.

png

파일의 출력이

[-

2

.

5582

,

-

1

.

7362

,

3

.

8465

]

입니

다. 가장 큰 숫자가 세 번째이고, 알파벳 순서대로 생각해 보면 세 번째 뉴런이 가위를 나타내

므로 올바르게 분류했습니다. 다른 파일에 대해서도 비슷한 결과를 얻었습니다.

테스트에 사용할 수 있는 일부 이미지를 다운로드할 수 있습니다. 물론 직접 준비한 사진을 사

용할 수도 있습니다. 하지만 훈련 이미지는 모두 흰 배경이므로 직접 찍은 사진의 배경이 복잡

하다면 모델이 혼동할 수도 있습니다.

3.9

드롭아웃 규제

앞서

3

장 초반에 과대적합을 언급했습니다. 과대적합은 신경망이 특정한 종류의 입력 데이터

에 과도하게 맞춰져 있어 다른 데이터에서는 성능이 나쁜 경우였습니다. 이를 극복하는 한 가

지 기법은

드롭아웃 규제

dropout

regularization

입니다.

신경망을 훈련할 때 개별 뉴런은 같은 층의 다른 뉴런에 영향을 받습니다. 특히 신경망의 규모

가 크다면 시간이 지남에 따라 일부 뉴런이 과도하게 전문화될 수 있습니다. 이후 층에도 이런

119

3

장

고급 컴퓨터 비전: 이미지에서 특징 감지하기

영향이 전달되어 전체적으로 신경망이 ...