2026 년 기준 처음부터 학습하는 사람 거의 없어. transfer learning + fine-tuning 이 default — pretrained backbone 받아서 early layer freeze, 작은 head 학습, 그다음 unfreeze 하고 low-LR fine-tune. KerasHub 가 카탈로그. 이 track 이 레시피.
남이 키운 뇌를 빌려쓰는 거야
Transfer learning 의 핵심은 *레버리지*. ImageNet — 1000 개 카테고리, 1400 만 장 — 으로 몇 주씩 GPU 갈아 학습한 backbone 을 누가 이미 만들어놨어. 그걸 download 한 번으로 통째로 물려받는 거지. 처음부터 안 키우고 그 위에 *내 task* 만 얹어. 그래서 데이터 적게, 시간 적게 쓰고도 같은 정확도 도달.
왜 고양이로 배운 feature 가 X-ray 에도 통해?
deep network 는 feature 를 *계층*으로 배워. 초기 layer 는 edge / color blob / 단순 texture 같은 원시 feature — 골든 리트리버든 흉부 X-ray 든 자연 이미지면 거의 다 공통이야. 후반 layer 가 그걸 조합해서 task 전용 개념 ('이 edge 배치는 강아지 귀') 을 만들고. transfer 는 공통인 아래쪽은 그대로 두고 전용인 위쪽만 다시 배워. 그래서 동물 사진으로 학습한 backbone 이 의료 영상 / 위성 타일 / 작물 병해 진단에도 진짜 출발점이 돼 — stack 바닥은 domain 을 별로 안 따져.
실전에서 뭐가 좋아지나
수백만 장 + 며칠 학습 대신 수백 장 + 몇 분 학습으로 강한 정확도. 이 track 나머지는 그냥 기계적 레시피야 — backbone 고르고 (다음 lesson), freeze 한 채 head 학습 (feature extraction), 필요하면 unfreeze 하고 fine-tune. 한 단계가 짧은 lesson 하나씩.