전이 학습
전이 학습은 대규모 데이터 세트에서 이미 훈련된 모델을 재사용하고 이를 새로운 관련 작업에 적용합니다.
개요
Instead of starting from scratch, you stand on the shoulders of a model that already learned useful general features, saving enormous time, data, and compute.
심층 분석
강력한 모델을 처음부터 훈련하려면 레이블이 지정된 수백만 개의 예제와 심각한 하드웨어가 필요한 경우가 많습니다. 전이 학습은 이를 회피합니다. ImageNet에서 훈련된 이미지 네트워크나 웹 텍스트에서 훈련된 언어 모델과 같은 거대한 데이터 세트에서 사전 훈련된 모델은 이미 비전의 가장자리와 모양, 텍스트의 문법 및 의미와 같은 광범위하게 유용한 패턴을 학습했습니다. 사전 훈련된 모델을 가져와 그 지식을 더 작고 구체적인 문제에 적용합니다. 두 가지 주요 스타일이 있습니다. 특징 추출에서는 대부분의 네트워크를 동결하고 맨 위에 새로운 출력 레이어만 훈련합니다. 미세 조정에서는 일부 더 깊은 레이어를 고정 해제하고 낮은 학습 속도로 계속 학습하므로 모델이 알고 있는 내용을 잊지 않고 데이터에 맞게 부드럽게 조정됩니다.
기술적 통찰력
사전 학습된 네트워크는 계층 구조를 학습합니다. 초기 레이어는 일반적인 특징(가장자리, 텍스처, 기본 단어 관계)을 캡처하고 이후 레이어는 작업별 개념을 캡처합니다. 전이 학습은 이를 활용합니다. 작업이 원본과 유사한 경우 초기 레이어를 고정된 특징 추출기로 동결하고 머리만 다시 훈련하세요. 데이터가 더 많이 다른 경우 매우 작은 학습률을 사용하여 더 깊은 레이어를 미세 조정하여 업데이트가 부드럽게 이루어지도록 하세요. 가장 큰 위험은 도메인 이동입니다. 새 데이터가 사전 훈련 데이터와 너무 다르게 보이면 빌린 기능이 제대로 맞지 않습니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
전이 학습의 미래
전이 학습은 AI가 구축되는 기본 방식이 되었습니다. 오늘날 대규모 비전이나 언어 모델을 처음부터 훈련하는 사람은 거의 없습니다. 대신 팀은 사전 훈련된 기초 모델을 적용합니다. 개척자는 LoRA 및 어댑터와 같은 매개변수 효율적인 방법으로, 무게의 아주 작은 부분만 조정하여 거대 모델을 저렴하게 맞춤화할 수 있습니다. 이러한 추세는 더욱 심화될 것으로 예상됩니다. 대규모 모델에서 정제되고 미세 조정된 더 작은 특수 모델과 도메인 이동을 완화하고 모델이 반복적으로 적용될 때 '치명적인 망각'을 피하는 데 대한 관심이 높아지고 있습니다.
실제 구현
ImageNet으로 사전 훈련된 네트워크를 미세 조정하여 단 몇 천 장의 사진만으로 공장 생산 라인의 특정 결함을 감지합니다.
더 작은 전문 코퍼스를 미세 조정하여 법적 또는 의학 요약 초안을 작성하기 위해 사전 훈련된 대규모 언어 모델을 적용합니다.
특정 억양이나 방언에 대한 인식기를 구축하기 위한 출발점으로 일반 음성에 대해 훈련된 모델을 사용
농업 앱의 잎 이미지에서 식물 질병을 분류하기 위한 비전 모델의 최종 계층 재훈련
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
전이 학습이 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Transfer Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
준지도 학습
자주 묻는 질문
What is Transfer Learning?
전이 학습은 대규모 데이터 세트에서 이미 훈련된 모델을 재사용하고 이를 새로운 관련 작업에 적용합니다. 처음부터 시작하는 대신 유용한 일반 기능을 이미 학습한 모델을 기반으로 엄청난 시간, 데이터 및 컴퓨팅을 절약할 수 있습니다.
전이학습의 핵심 아이디어는 무엇인가요?
전이 학습은 이미 일반적인 기능을 학습한 모델을 가져와 이를 조정하여 데이터, 시간, 계산을 절약합니다.
더 깊은 레이어를 미세 조정할 때 왜 매우 낮은 학습률을 사용합니까?
소규모 데이터세트에 대한 대규모 업데이트는 사전 학습된 중요한 기능을 덮어쓰고 빠르게 과적합될 수 있으므로 업데이트는 작게 유지됩니다.
일반 특징 추출(기본 동결)에 가장 적합한 상황은 무엇입니까?
대상 작업이 원본에 가깝고 데이터가 제한적인 경우 동결된 기능이 이미 관련되어 있으므로 새 헤드만 필요합니다.
전이학습에서 '도메인 이동'은 어떤 문제를 설명하나요?
대상 도메인이 모델이 사전 훈련된 도메인과 매우 다르게 보이는 경우 재사용된 기능이 잘 전송되지 않고 정확도가 떨어질 수 있습니다.
사전 훈련된 네트워크의 초기 레이어가 나중에 레이어보다 더 쉽게 재사용되는 이유는 무엇입니까?
초기 레이어는 광범위하게 유용한 하위 수준 패턴을 캡처하는 반면, 이후 레이어는 원래 작업에 더욱 특화되어 있습니다.