(7강) Training & Inference 1

210826

학습 프로세스에 필요한 요소는 크게 아래와 같이 나눌 수 있다.

Loss

Loss는 Output과 Target의 차이를 어떻게 정의하느냐에 따라 다르다.

Loss는 nn.Module 을 상속하고 있기 떄문에 forward 함수가 있다. 그런데 여기서 loss.backward 의 한 줄 코드로 어떻게 모델의 전체 파라미터가 업데이트가 될까?

여기서 알아야 할 점은, nn.Module 을 상속하고 있는 모듈들은 모두 forward 함수가 있기 때문에 input부터 output까지의 연결이 생긴다는 것이다. 또, 어떤 레이어의 output은 다음 레이어의 input이 되고, 모든 레이어가 forward 함수가 있기 때문에 첫 입력단부터 loss까지는 연결이 된다고 볼 수 있다. 그래서 단순히 loss 에서 시작하더라도 입력단의 처음까지 올 수 있는 것이다.

loss.backward 가 이루어지면 각각의 파라미터의 grad 값이 갱신된다. 이 때 이러한 갱신여부를 required_grad 로 설정해줄 수 있고, False로 설정할 경우 갱신되지 않는다.

Loss함수를 Custom으로 정의할 수도 있다.

  • Focal Loss : Class Imbalance 문제가 있는 경우, 맞춘 확률이 높은 Class는 조금의 loss를, 맞춘 확률이 낮은 Class는 loss를 훨씬 높게 부여한다.

  • Label Smoothing Loss : Class target label을 Onehot이 아닌 Soft 하게 표현해서 일반화 성능을 높인다.

    • 0과 1의 값만 가지게 되면 극단의 feature만을 갖게되는데, 사실 class마다 비슷한 feature도 있을 수 있기 때문에 이러한 부분을 유연하게 설정한다

Optimizer

Optimizer는 파라미터를 갱신하는 방법을 정의한다.

왼쪽의 경우 학습률이 고정되어 있기 때문에 수렴하기가 어렵다. 오른쪽처럼 학습률이 점점 작아진다면 수렴하기가 쉬워질 것이다.

학습률을 동적으로 조절하는 LR scheduler에는 다음과 같은 것들이 있다.

StepLR

scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=2, gamma=0.1)

step_size 마다 학습률을 gamma 만큼의 비율로 설정한다.

  • step_size 는 batch_size 만큼 학습을 하고 난 뒤 파라미터를 갱신하는 횟수이다

CosineAnnealingLR

scheduler = torch.optim.lr_scheduler.CossineAnnealingLR(optimizer, T_MAX=10, eta_min=0))

학습률의 변화를 Cosine 함수처럼 만드는 함수이다. 억지처럼 보일 수 있지만, 나름의 장점도 있다. step이 많다고 무작정 낮추지 않다보니까 local minimum에 잘 빠지지 않는다는 점이다.

ReduceLROnPlateau

scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, T_MAX=10, eta_min=0))

일반적으로 가장 많이 쓰는 스케쥴러이다. 더 이상 성능 향상이 없을 때 학습률이 감소한다.

Metric

지표(=측정법)는 학습에 직접적인 영향을 미치지는 않는다. 그러나 traing의 중요한 요소로 봐야되는 이유는 지표가 없으면 객관적으로 모델의 신뢰도나 범용성을 판단할 수 없기 때문이다. 단순히 loss의 수치로만 봐서는 실제로 production에서 적용하기에는 부족한점이 많다.

모델의 평가

  • Classification

    • Accuracy : 보통 많이 쓰나 class간 imbalance가 있으면 다른 지표도 사용한다.

    • F1-score : Class별 밸런스가 좋지 않을 때 각 클래스 별로 성능을 잘 낼 수 있는지에 대한 지표이다.

    • precision

    • recall

    • ROC&AUC

  • Regression

    • MAE

    • MSE

  • Ranking : 추천시스템에서 많이 쓰이는 지표이다. 추천되는 항목이 가장 위에 떠야 하기때문에 순서까지 고려되는 지표이다.

    • MRR

    • NDCG

    • MAP

Previous(8강) Training & Inference 2Next(6강) Model 2

Last updated

Was this helpful?