꿈라CBT다음 <보기>의 학습 곡선에 대한 진단과 대응으로 가장 적절한 것은?
보기
이미지 분류 신경망을 60 에폭 학습하며 기록한 손실이다.
| 에폭 | 학습 손실 | 검증 손실 |
|---|---|---|
| 10 | 0.62 | 0.65 |
| 20 | 0.31 | 0.34 (최저) |
| 40 | 0.09 | 0.51 |
| 60 | 0.01 | 0.78 |
모형의 파라미터는 약 2,300만 개이고 학습 이미지는 8,000장이며, 드롭아웃·데이터 증강은 적용하지 않았다.
- 1학습 손실이 0.01까지 내려갔으므로 학습은 성공적이며, 검증 손실 상승은 검증 데이터가 학습 데이터와 다른 분포에서 왔기 때문이므로 검증 데이터를 교체해야 한다.
- 2검증 손실이 오르는 것은 학습률이 너무 작아 국소 최솟값에 갇혔기 때문이므로, 학습률을 10배로 높여 다시 학습해야 한다.
- 3학습 손실과 검증 손실이 모두 감소하다 멈춘 과소적합 상태이므로, 층을 더 쌓고 에폭을 100까지 늘려야 한다.
- 420에폭 이후 학습 손실만 줄고 검증 손실이 오르는 과적합이며 파라미터가 많고 규제가 없는 것이 원인이므로, 조기 종료와 드롭아웃·증강을 적용해야 한다.