2026년에는 처음부터 학습하는 것보다 전이 학습과 미세 조정이 기본이야. 사전 학습된 백본의 초기 레이어를 고정하고 작은 출력 헤드를 학습한 뒤, 일부를 풀어 낮은 학습률로 미세 조정해. KerasHub가 모델 목록을 제공하고, 이 트랙이 전체 절차를 다룬다.
이미 학습된 표현을 빌려 쓰는 방법
전이 학습의 핵심은 이미 투입된 계산을 재사용하는 데 있어. ImageNet의 1000개 범주와 1400만 장으로 몇 주 동안 GPU를 사용해 학습한 백본을 내려받고, 그 위에 내 과제를 위한 부분만 더해. 모든 것을 처음부터 학습하지 않으므로 더 적은 자료와 시간으로 높은 정확도에 도달할 수 있어.
동물 사진에서 배운 특징이 X-ray에도 쓰이는 이유
깊은 신경망은 특징을 계층적으로 배워. 초기 레이어는 모서리, 색 덩어리, 단순한 질감처럼 여러 이미지에 공통인 요소를 찾고, 후반 레이어는 이들을 조합해 특정 과제의 개념을 만들어. 전이 학습은 보편적인 아래쪽 표현은 보존하고 과제에 가까운 위쪽 표현만 다시 학습해. 그래서 자연 사진으로 학습한 백본도 의료 영상, 위성 영상, 작물 병해 진단의 유용한 출발점이 될 수 있어.
실전에서 얻는 이점
수백만 장으로 며칠 동안 학습하는 대신 수백 장과 몇 분만으로도 강한 기준선을 만들 수 있어. 이후 절차는 백본 선택, 백본을 고정한 출력 헤드 학습, 필요한 경우 일부 해제와 미세 조정 순서로 진행돼.