신경망 학습 - (2) 미니배치 학습, 기울기 그리고 신경망 학습

들어가며

지난 시간에는 신경망 학습을 위한 지표인 손실 함수에 대해서 알아보았습니다. 이번에는 신경망의 학습하는 과정에 대해서 설명하도록 하겠습니다. 확률적 경사 하강법(Stochastic gradient discent)을 이용한  신경망 학습과정을 한 문장으로 정리하면

1. 미니 배치 추출 -> 2. 기울기 계산 -> 3. 매개변수 갱신 -> 4. 1~3의 반복입니다.

이제부터 각 과정에 대해서 설명하겠습니다.

 

 

1. 미니 배치 추출

 

미니 배치란?

신경망 학습을 위해서 학습 데이터에서 랜덤으로 일부분만 추출한 데이터의 집합

 

미니 배치의 사용

학습을 시작하기 전 학습 데이터에서 일부분을 추출하는 과정입니다.

대부분 학습 데이터는 수 만에서 수 천만까지 매우 큰 용량을 가지고 있습니다. 신경망이 학습을 할 때는 매개변수를 조정할 때마다 매 번 손실 함수 또한 새로 계산해야 합니다. 모든 학습 데이터를 매번 새로 계산하는 것은 시간이 매우 소요되기 때문에 매번 미니 배치를 추출하여 일부분으로만 손실함수를 계산합니다. 이러한 방식의 학습 방법을 미니배치 학습이라고 칭합니다.

 

2. 기울기 계산

 

기울기란?

신경망에서 말하는 기울기는 손실 함수에 대한 각 매개변수의 수치 미분입니다.

 

수치 미분이란?

수치 미분은 위에 사진과 같이 △x의 값이 0으로 수렴하는 게 아니라 아주 작은 수(ex. 0.0000001 = 1e-7)로 설정되어 컴퓨터에서 물리적으로 구현하기 위한 미분을 의미합니다.

기울기(손실 함수에 대한 각 매개변수의 수치 미분)의 의미?

미분은 기본적으로 변수의 미세한 변화에 따라 결과 함수의 미세한 변화를 의미합니다. 

즉 손실 함수에 대한 각 매개변수의 수치 미분은 컴퓨터가 매개변수의 값을 미세하게 움직였을 경우 손실 함수의 변화를 의미합니다.

우리는 손실 함수의 값을 줄임으로서 학습률을 올리는 것을 목표로하고 있습니다. 그러므로 매개변수의 증가가 손실함수의 감소로 이어진다면 매개변수를 증가시켜 학습률을 올릴 수 있습니다. 

 

즉 기울기를 통해서 학습률을 높이기 위한 매개변수의 방향을 알 수 있습니다. 

 

기울기를 구하는 방법

손실 함수는 여러 가지 매개변수로 이루어진 함수이므로 하나의 매개변수에 대한 수치 미분을 구하기 위해서는 편미분을 사용해야 합니다. 여기서 편미분에 대한 정의는 따로 언급하지 않겠습니다. 

여기서는 이해를 높이기 위해서 실제 파이썬 코드를 이용해서 f(x) = x0^2 + x1^2의 기울기를 구해보겠습니다.

위 그래프는 f(x0, x1) = x0^2 + x1^2와 같은 형상인 f(x, y) = x^2 + y^2의 그래프입니다.

이를 손실 함수라고 가정해 봅시다. 우리는 손실 함수를 가장 낮게 하는 것이 목적이므로 x0=0, x1=0을 목표로 해야 합니다. 

그리고 각 변수들의 기울기는 (0,0)을 가리키는 방향으로 값이 출력되어야 합니다. 실제 기울기의 결괏값을 보면 다음과 같습니다.

이렇든 기울기는 손실 함수의 낮은 지점을 가리키므로 이 방향으로 매개변수를 이동시키면 신경망의 학습률을 올릴 수 있습니다.

실제 코드 예시

https://colab.research.google.com/drive/1eqVqXNzOJE06vwv42TAsYzHAP30KsvtP#scrollTo=-2_AIKQT3Ya_& line=63&uniqifier=1

Google Colaboratory

기울기의 문제점

기울기의 문제점은 기울기는 함수의 최솟값이 아니라 극솟값으로 이동합니다. 따라서 최소가 아닌 극솟값으로 매개변수가 이동할 경우 손실 함수는 아직 최솟값이 아니지만 기울기가 0이라 매개변수의 갱신이 정체되어 학습 자체가 정체될 수 있습니다. 현상을 배재하기 위해서 매개변수에 관성을 주는 모멘텀(Momentum) 방식이 있지만 이를 따로 언급하지 않겠으니 궁금하시다면 찾아보시기 바랍니다.

 

3. 매개변수의 갱신

기울기를 통해서 우리는 매개변수의 갱신 방향에 대해서 파악하게 되었습니다.

여기서 정해야 할 것은 학습방향으로 매개변수를 어느 정도 움직일지입니다. 이 움직임의 크기를 학습률이라고 하며 이 학습률은 하이퍼 파라미터라고 하며 이는 사람이 직접 설정해줘야 하는 변수입니다.

 

완벽한 하이퍼 파라미터는 없으며 보통 여러 후보를 테스트하고 효율이 좋은 변수를 선택하여 사용합니다.

 

학습률이 매우 작은 경우

학습률이 매우 작은 경우 계속 매개변수의 변화량이 매우 작기 때문에 갱신을 여러 번 반복해도 손실 함수의 최솟값까지 변화되지 않습니다. 계속해서 반복한다면 거의 정확하게 손실 함수를 최소화할 수 있지만 시간이 매우 오래 걸리기에 현실적으로 잘 사용하지 않습니다.

학습률이 매우 큰 경우

학습률이 매우 큰 경우 학습 도중 손실 함수의 최솟값을 지나쳐 너무 큰 값으로 발산하여 학습률을 떨어트릴 우려가 있기에 이는 지양하고 있습니다.

 

적절한 학습률을 설정하고 매개변수의 갱신을 반복할 경우 확률적 경사 하강법을 통해 신경망이 학습을 할 수 있습니다.

 

학습을 지나치게 진행 할 경우

오버피팅의 예시

위와 같은 방식이면 훈련 데이터에 대한 정확도는 확실히 상승할 것입니다. 그러나 우리가 원하는 것은 모든 데이터에 대한 정확도의 상승입니다. 그러나 실제로 훈련 데이터로 학습한 신경망에게 테스터 데이터를 주었을 경우 위처럼 어떤 구간은 기점으로 학습을 하면 할수록 훈련 데이터의 특징에만 학습되어 오히려 범용적인 정확도가 떨어지는 현상이 발생할 수 있습니다. 이러한 경우를 오버 피팅이라고 하며 이를 방지하기 위해서는 오버피팅이 발생하기 시작한 구간에서 학습을 멈춰야 합니다.