[음악] 신경망은 훌륭한 결과를 보여주지만 몇 가지 어려움이 있습니다 장점을 꼽자면 비선형적이고 복잡한 특징을 표현 가능하게 합니다
뛰어난 결과를 컴퓨터 비전에서뿐만 아니라 음성 인식 같은 다른 분야에서도 보여줍니다 아이폰의 시리와 같은 시스템과 텍스트 분석 작업은
보이지 않는 곳에서 신경망을 씁니다 폭넓은 분야에서 더 많은 영향을
미칠 잠재력을 보유하고 있죠 어려움도 존재합니다 이런 어려움을 이해하려면 신경망 훈련의 작업 흐름을
살펴볼 필요가 있습니다 먼저 엄청나게 많은 데이터로 시작합니다 이 데이터에 라벨을 붙이는 게 일입니다 모든 이미지는 예를 들어 개는 래브라도인지 푸들인지 골든 리트리버인지 치와와인지
알아야 합니다 이를 위해선 인간의 손길이 아주 많이
필요한데 이게 걸림돌이 될 수 있죠 엄청나게 많은 이미지로 시작해서 입력하고 훈련, 테스트 혹은
검증 세트로 나눕니다 그리고 딥 신경망을 학습시키는데
시간이 꽤 걸립니다 검증하고 나면 6천만 파라미터가 있는 8층 구조가 필요하지는 않아서 수정하거나 파라미터를 조정하고
학습법을 바꾸기도 합니다 이걸 계속해서 반복합니다 사실 우승한 신경망, AlexNet을 만들기 위해 연구진은 여러 표현법을 다양한 층에서
연결해야 했고 학습 알고리즘도 복잡했기 때문에
쉬운 작업은 아니었습니다 신경망에 여러 장점도 있지만 단점도 있습니다 성능을 끌어올리기 위해
많은 데이터가 필요하고 GPU가 있어도 계산량이 지나치게 많습니다 선택지가 많아서 조정하기 극도로 어려운데 층, 파라미터 몇 개를 쓸 건지 등이
까다로울 수 있습니다 계산의 손익을 잘 보고 여러가지를 조정해야 하기 때문에
어떤 신경망을 쓸지 알아내는 게 아주 어려운 과정이 됩니다 [음악]