Epoch Count(Epoch 횟수) 및 Capacity

Deep Learning 프레임워크에는 트레이닝 과정에 영향을 줄 수 있는 두 개의 일반적인 매개변수가 있습니다: Epoch 횟수와 Capacity(Red 분석 도구의 비지도 모드만) 매개변수 입니다.

Epoch 횟수 매개변수를 이용하면 네트워크 개선을 얼마나 할지 제어할 수 있습니다. Neural Network Training(신경망 학습) 항목에 설명된대로 트레이닝 프로세스는 네트워크를 통해 입력 샘플을 반복적으로 처리하고 네트워크 결과를 사용자 제공 레이블과 비교 한 다음이 오류를 줄이기 위해 네트워크 가중치를 조정합니다. 네트워크 노드의 수와 이에 따른 가중치의 수가 많으므로, 이 과정은 거의 무한하게 반복되며, 각 반복 단계마다 점진적으로 오류가 개선됩니다. Epoch 횟수 매개변수 설정을 늘리면, 수행하는 트레이닝의 반복 회수가 늘어납니다. 이렇게 하면 이미지 트레이닝 시간이 늘어나는 대신 트레이닝의 네트워크 오류가 줄어듭니다.

하지만, 트레이닝에 사용되는 이미지만이 아니라 모든 이미지에 대해 정확하게 수행하는 것이 네트워크 트레이닝의 목적입니다. Epoch 횟수가 늘어나면, 네트워크는 오버피팅이 발생할 수 있는데, 이는 트레이닝된 이미지의 오류가 줄어들면서 동시에 트레이닝되지 않은 이미지의 오류가 늘어나는 현상입니다. 이러한 이유로, Epoch 횟수를 조정하면서 모든 이미지에 대한 네트워크 성능을 주의 깊게 지켜봐야 합니다.

비지도 모드의 Red 분석 도구에서는 capacity 매개변수도 이용할 수 있습니다. 일반적으로 신경망의 capacity는 네트워크가 부호화(학습)할 수 있는 정보의 양을 나타내는 지표입니다. Deep Learning 네트워크 아키텍처는 Blue 위치, Blue 읽기, Green 분류, (지도 모드의) Red 분석 도구에 대한 capacity 제약이 적습니다. 이 도구들은 트레이닝된 네트워크를 통해 개별 샘플을 프로세싱하기 때문입니다. 이에 비해, 비지도 모드의 Red 분석 도구는 전체 이미지에서 트레이닝되지 않은 결함을 검출할 수 있도록 상이한 네트워크 아키텍처를 이용합니다. 이 도구에서는 복합도가 높은 일부 이미지는 언더피팅되면서 복합도가 낮은 일부 이미지는 오버피팅될 수 있습니다. 그러므로 적절한 네트워크 capacity를 선택함으로써 주어진 이미지 Set에 대해 도구의 학습을 최적화할 수 있습니다.