<div id="readability-page-1" class="page"><div>
      
        <header>
          
          
  <p><span>
    <strong> 상위 목록:</strong>
    <span itemprop="keywords"><a href="about:/categories/#theory" rel="tag">Theory</a></span>
  </span><span>
    <strong> 하위 목록:</strong>
    <span itemprop="keywords"><a href="about:/posts/#ai" rel="tag">AI</a></span>
  </span><span>
    <strong> 작성 날짜:</strong>
    <time datetime="2026-10-04T00:00:00+09:00">2026-10-04</time>
  </span><span>
     <strong>읽는 데</strong> 7 분 소요
  </span></p>



        </header>
      

      
        
      
      <section itemprop="text">
        <h2 id="최적화optimization">최적화(Optimization)</h2>

<p><a href="https://076923.github.io/posts/AI-5/">순전파(Forward Propagation) &amp; 역전파(Back Propagation)</a>에서 역전파는 손실 함수를 각 가중치로 미분한 <code>기울기(Gradient)</code>를 구하는 과정이라고 설명했습니다. 그러나 기울기는 <strong>어느 방향으로 가중치를 바꾸면 손실이 줄어드는지</strong>를 알려 줄 뿐, 실제로 가중치를 얼마나 어떻게 바꿀지는 정해 주지 않습니다.</p>

<p>기울기를 받아 가중치를 <strong>실제로 갱신하는 규칙</strong>이 <code>최적화 알고리즘(Optimizer)</code>입니다. 같은 모델, 같은 데이터, 같은 기울기라도 최적화 알고리즘에 따라 학습 속도와 최종 성능이 크게 달라지므로, 역전파가 지도를 그리는 일이라면 최적화 알고리즘은 그 지도를 보고 <strong>어떻게 걸을지 정하는 일</strong>에 해당합니다.</p>

<p>손실 함수를 가중치 공간 위에 펼친 지형으로 상상하면, 최적화는 이 지형에서 <strong>가장 낮은 골짜기를 찾아 내려가는 과정</strong>입니다. 다만 수백만 개의 가중치가 만드는 지형은 한눈에 볼 수 없고, 현재 서 있는 지점의 경사만 알 수 있습니다. 그러므로 모든 최적화 알고리즘은 <strong>발밑의 경사만 보고 다음 발걸음을 정하는</strong> 방식으로 동작합니다.</p>



<h2 id="경사-하강법gradient-descent">경사 하강법(Gradient Descent)</h2>

\[w \leftarrow w - \eta \frac{\partial \mathcal{L}}{\partial w}\]



<p>가장 기본이 되는 규칙은 <code>경사 하강법(Gradient Descent)</code>입니다. 기울기는 손실이 <strong>가장 가파르게 증가하는 방향</strong>을 가리키므로, 그 반대 방향으로 가중치를 조금 옮기면 손실이 줄어듭니다. 이 과정을 반복해 골짜기로 내려갑니다.</p>

<p>여기서 \(\eta\)는 한 번에 얼마나 움직일지를 정하는 <code>학습률(Learning Rate)</code>로, 최적화에서 가장 중요한 하이퍼파라미터입니다. 학습률이 너무 작으면 골짜기에 도달하기까지 지나치게 많은 반복이 필요하고, 너무 크면 골짜기를 건너뛰어 반대편 비탈로 올라가 버리며 손실이 오히려 커지거나 발산합니다.</p>

<p>경사 하강법은 기울기를 계산할 때 <strong>몇 개의 데이터를 사용하느냐</strong>에 따라 세 가지로 나뉩니다.</p>

<ul>
  <li><code>배치 경사 하강법(Batch Gradient Descent)</code> : 전체 훈련 데이터로 기울기를 구한 뒤 한 번 갱신합니다. 기울기가 정확하지만 데이터가 많으면 한 걸음에 드는 비용이 너무 큽니다.</li>
  <li><code>확률적 경사 하강법(Stochastic Gradient Descent, SGD)</code> : 데이터 <strong>하나</strong>로 기울기를 구해 갱신합니다. 매우 빠르지만 데이터 하나의 기울기는 전체의 기울기와 크게 다를 수 있어 경로가 심하게 요동칩니다.</li>
  <li><code>미니배치 경사 하강법(Mini-batch Gradient Descent)</code> : 데이터를 수십에서 수백 개 단위의 <code>미니배치(Mini-batch)</code>로 묶어 기울기를 구합니다. 두 방법의 절충안이며, GPU의 병렬 연산과도 잘 맞아 <strong>사실상 표준</strong>으로 사용됩니다.</li>
</ul>

<p>미니배치의 기울기는 전체 기울기의 <strong>추정치</strong>이므로 매 걸음마다 약간의 잡음이 섞입니다. 이 잡음은 단점만은 아닙니다. 지형의 얕은 웅덩이에 갇혔을 때 잡음 덕분에 빠져나올 수 있으며, <a href="https://076923.github.io/posts/AI-9/">과대적합과 정칙화(Overfitting &amp; Regularization)</a>에서 다룬 것처럼 부수적인 정칙화 효과도 냅니다.</p>

<ul>
  <li>Tip : 오늘날 딥러닝에서 <strong>SGD</strong>라 부르는 것은 거의 항상 미니배치 경사 하강법을 뜻합니다. PyTorch의 <code>optim.SGD</code> 역시 미니배치 단위로 동작하며, 배치 크기는 <code>DataLoader</code>의 <code>batch_size</code>로 정합니다.</li>
</ul>



<h2 id="경사-하강법의-한계">경사 하강법의 한계</h2>

<center>


</center>

<p>위 그래프는 가로 방향으로는 완만하고 세로 방향으로는 가파른 <strong>길쭉한 골짜기</strong> 모양의 손실 지형입니다. 등고선이 좁게 모인 세로 방향은 조금만 움직여도 손실이 크게 변하고, 등고선이 넓게 퍼진 가로 방향은 많이 움직여도 손실이 조금밖에 변하지 않습니다.</p>

<p>이러한 지형에서 SGD는 <strong>기울기가 큰 세로 방향으로 심하게 진동</strong>하면서 정작 골짜기 바닥을 향하는 가로 방향으로는 조금씩밖에 전진하지 못합니다. 세로 방향의 진동을 줄이려고 학습률을 낮추면 가로 방향의 진행은 더 느려지므로, 학습률 하나로는 두 방향을 동시에 만족시킬 수 없습니다.</p>

<p>실제 신경망의 손실 지형은 이보다 훨씬 복잡합니다. 기울기가 거의 0이어서 움직임이 멈추는 <code>안장점(Saddle Point)</code>과 <code>평원(Plateau)</code>이 곳곳에 있고, 가중치마다 기울기의 크기도 수백 배씩 차이가 납니다. 이후의 최적화 알고리즘은 모두 이 문제들을 <strong>두 가지 방향</strong>에서 개선한 것입니다. 하나는 <strong>이전 걸음의 방향을 기억</strong>하는 것이고, 다른 하나는 <strong>가중치마다 학습률을 다르게</strong> 주는 것입니다.</p>



<h2 id="모멘텀momentum">모멘텀(Momentum)</h2>

\[v \leftarrow \gamma v - \eta \frac{\partial \mathcal{L}}{\partial w}, \qquad w \leftarrow w + v\]



<p><code>모멘텀(Momentum)</code>은 공이 비탈을 굴러 내려가는 모습에서 착안한 방법입니다. 현재 기울기만으로 움직이지 않고, <strong>이전까지의 이동 방향을 속도 \(v\)로 누적</strong>해 거기에 현재 기울기를 더합니다. \(\gamma\)는 이전 속도를 얼마나 유지할지 정하는 값으로 보통 0.9를 사용합니다.</p>

<p>길쭉한 골짜기에서 세로 방향의 기울기는 매 걸음 부호가 바뀌므로 누적하면 서로 상쇄되어 진동이 줄어듭니다. 반면 가로 방향의 기울기는 항상 같은 부호이므로 누적되어 <strong>점점 빨라집니다.</strong> 위 그래프에서 Momentum의 경로가 SGD보다 진동이 작고 골짜기 바닥에 먼저 도달하는 이유입니다.</p>

<p>속도가 쌓이면 기울기가 거의 0인 평원이나 안장점도 관성으로 지나칠 수 있습니다. 다만 같은 이유로 골짜기 바닥을 지나쳐 반대편으로 올라갔다 되돌아오는 현상도 생기며, 이를 완화한 것이 <code>네스테로프 모멘텀(Nesterov Momentum)</code>입니다. 현재 위치가 아니라 <strong>관성대로 움직였을 때 도착할 위치</strong>에서 기울기를 계산해, 지나치기 전에 미리 속도를 줄입니다.</p>

<ul>
  <li>Tip : PyTorch에서는 <code>optim.SGD(params, lr=0.01, momentum=0.9, nesterov=True)</code>처럼 SGD의 인자로 적용합니다. 이미지 분류처럼 잘 알려진 과제에서는 적절히 조정된 모멘텀 SGD가 Adam보다 <strong>최종 성능이 높은 경우</strong>도 많습니다.</li>
</ul>



<h2 id="적응적-학습률adaptive-learning-rate">적응적 학습률(Adaptive Learning Rate)</h2>

<p>모멘텀이 방향을 다듬는 방법이라면, 적응적 학습률은 <strong>가중치마다 보폭을 다르게</strong> 주는 방법입니다. 기울기가 계속 큰 가중치는 보폭을 줄이고, 기울기가 작은 가중치는 보폭을 키워, 모든 가중치가 비슷한 속도로 골짜기에 접근하도록 만듭니다.</p>



<h3 id="adagrad">AdaGrad</h3>

\[s \leftarrow s + \left( \frac{\partial \mathcal{L}}{\partial w} \right)^{2}, \qquad w \leftarrow w - \frac{\eta}{\sqrt{s} + \epsilon} \frac{\partial \mathcal{L}}{\partial w}\]



<p><code>AdaGrad(Adaptive Gradient)</code>는 가중치마다 <strong>지금까지의 기울기 제곱을 모두 누적</strong>한 \(s\)를 두고, 학습률을 \(\sqrt{s}\)로 나눕니다. 기울기가 컸던 가중치일수록 \(s\)가 커져 보폭이 작아지고, 기울기가 작았던 가중치는 상대적으로 큰 보폭을 유지합니다. \(\epsilon\)은 0으로 나누는 것을 막기 위한 아주 작은 값입니다.</p>

<p>드물게 등장하는 특성에 연결된 가중치는 기울기가 작게 누적되므로 큰 보폭으로 빠르게 학습되며, 이 성질 덕분에 자연어 처리처럼 <strong>희소한 입력</strong>을 다루는 과제에서 효과적입니다. 그러나 \(s\)는 줄어들지 않고 계속 커지기만 하므로, 학습이 길어지면 모든 가중치의 보폭이 0에 가까워져 <strong>골짜기에 도달하기도 전에 학습이 멈추는</strong> 문제가 있습니다.</p>



<h3 id="rmsprop">RMSProp</h3>

\[s \leftarrow \beta s + (1 - \beta) \left( \frac{\partial \mathcal{L}}{\partial w} \right)^{2}, \qquad w \leftarrow w - \frac{\eta}{\sqrt{s} + \epsilon} \frac{\partial \mathcal{L}}{\partial w}\]



<p><code>RMSProp(Root Mean Square Propagation)</code>은 AdaGrad의 누적 방식을 바꿔 이 문제를 해결합니다. 기울기 제곱을 그대로 더하는 대신 <code>지수 이동 평균(Exponential Moving Average)</code>으로 누적해, <strong>오래된 기울기의 영향은 점차 잊고 최근 기울기를 더 반영</strong>합니다. \(\beta\)는 보통 0.9 또는 0.99를 사용합니다.</p>

<p>\(s\)가 최근 기울기의 평균 크기를 유지하므로 보폭이 끝없이 줄어들지 않으며, 지형의 가파름이 바뀌어도 거기에 맞춰 보폭을 다시 조정합니다. 오래 학습해도 멈추지 않는다는 점에서 AdaGrad를 대체했으며, 다음에 설명할 Adam의 절반을 이룹니다.</p>



<h3 id="adam">Adam</h3>

\[m \leftarrow \beta_{1} m + (1 - \beta_{1}) \frac{\partial \mathcal{L}}{\partial w}, \qquad s \leftarrow \beta_{2} s + (1 - \beta_{2}) \left( \frac{\partial \mathcal{L}}{\partial w} \right)^{2}\]

\[\hat{m} = \frac{m}{1 - \beta_{1}^{t}}, \qquad \hat{s} = \frac{s}{1 - \beta_{2}^{t}}, \qquad w \leftarrow w - \frac{\eta}{\sqrt{\hat{s}} + \epsilon} \hat{m}\]



<p><code>Adam(Adaptive Moment Estimation)</code>은 <strong>모멘텀과 RMSProp을 결합</strong>한 알고리즘입니다. 기울기의 지수 이동 평균 \(m\)으로 방향을 다듬고, 기울기 제곱의 지수 이동 평균 \(s\)로 가중치마다 보폭을 조절합니다. \(\beta_{1}\)은 0.9, \(\beta_{2}\)는 0.999가 기본값입니다.</p>

<p>\(m\)과 \(s\)는 0에서 출발하므로 학습 초반에는 실제보다 작게 추정됩니다. Adam은 이를 \(1 - \beta^{t}\)로 나누어 보정하며, 이를 <code>편향 보정(Bias Correction)</code>이라 합니다. 반복 횟수 \(t\)가 커질수록 분모가 1에 가까워져 보정의 영향은 사라집니다.</p>

<p>Adam은 학습률에 덜 민감하고 대부분의 과제에서 별다른 조정 없이 안정적으로 동작하므로, 새로운 모델을 시도할 때 <strong>가장 먼저 선택하는 기본값</strong>이 되었습니다. 위 그래프에서도 Adam은 진동 없이 가장 곧은 경로로 골짜기에 도달합니다. 다만 매 걸음의 크기가 학습률에 의해 사실상 상한이 정해지므로, 지형이 단순한 경우에는 모멘텀 SGD보다 느릴 수도 있습니다.</p>



<h3 id="adamw">AdamW</h3>

<p><a href="https://076923.github.io/posts/AI-9/">과대적합과 정칙화(Overfitting &amp; Regularization)</a>에서 L2 정칙화를 가중치 감쇠와 같은 것으로 설명했습니다. 이는 SGD에서는 성립하지만 <strong>Adam에서는 성립하지 않습니다.</strong> L2 항을 손실에 더하면 그 기울기도 \(s\)로 나누어지므로, 기울기가 큰 가중치일수록 정칙화가 약해지는 의도치 않은 결과가 생깁니다.</p>

<p><code>AdamW</code>는 가중치 감쇠를 기울기에 섞지 않고, Adam의 갱신이 끝난 뒤 <strong>가중치에서 직접 일정 비율을 빼는</strong> 방식으로 분리했습니다. 이 작은 수정만으로 일반화 성능이 눈에 띄게 개선되어, 현재 트랜스포머 계열 모델을 비롯한 대부분의 대규모 학습에서 Adam 대신 사용됩니다.</p>

<ul>
  <li>Tip : PyTorch에서 <code>optim.Adam(params, weight_decay=0.01)</code>은 L2 정칙화 방식으로, <code>optim.AdamW(params, weight_decay=0.01)</code>은 분리된 가중치 감쇠 방식으로 동작합니다. 이름이 비슷하지만 <strong>동작이 다르므로</strong> 구분해서 사용해야 합니다.</li>
</ul>



<h2 id="학습률-스케줄링learning-rate-scheduling">학습률 스케줄링(Learning Rate Scheduling)</h2>

<p>최적화 알고리즘이 보폭을 가중치마다 조절한다면, <code>학습률 스케줄러(Learning Rate Scheduler)</code>는 <strong>학습이 진행됨에 따라</strong> 전체 학습률을 바꿉니다. 학습 초반에는 골짜기에서 멀리 있으므로 큰 보폭으로 빠르게 접근하고, 후반에는 바닥을 지나치지 않도록 보폭을 줄이는 것이 기본 전략입니다.</p>

<ul>
  <li><code>단계 감쇠(Step Decay)</code> : 정해진 에폭마다 학습률을 일정 비율로 줄입니다. 단순하고 예측하기 쉬워 오랫동안 사용되었습니다.</li>
  <li><code>코사인 감쇠(Cosine Annealing)</code> : 학습률을 코사인 곡선을 따라 부드럽게 0까지 줄입니다. 급격한 변화 없이 후반에 충분히 작은 보폭을 확보할 수 있습니다.</li>
  <li><code>웜업(Warmup)</code> : 학습 <strong>초반 일정 기간 동안 학습률을 0에서 목표값까지 서서히 올립니다.</strong> 가중치가 무작위 상태인 초반에 큰 보폭으로 움직이면 학습이 불안정해지기 쉬우며, Adam의 \(s\)가 아직 충분히 추정되지 않아 보폭이 지나치게 커지는 것을 막는 효과도 있습니다.</li>
  <li><code>정체 시 감쇠(Reduce on Plateau)</code> : 검증 오차가 일정 기간 개선되지 않으면 학습률을 줄입니다. 일정에 따르지 않고 학습 상태에 반응한다는 점이 다릅니다.</li>
</ul>

<p>현재 가장 널리 쓰이는 조합은 <strong>웜업 뒤 코사인 감쇠</strong>입니다. 수천 걸음 동안 학습률을 올린 뒤 남은 기간 동안 코사인 곡선으로 줄이는 방식으로, 대규모 모델 학습의 사실상 표준이 되었습니다.</p>

<ul>
  <li>Tip : PyTorch의 스케줄러는 <code>optim.lr_scheduler</code>에 모여 있으며, 매 에폭 또는 매 걸음마다 <code>scheduler.step()</code>을 호출해야 학습률이 갱신됩니다. 호출 시점을 에폭 단위로 할지 걸음 단위로 할지는 스케줄러마다 다르므로 문서를 확인해야 합니다.</li>
</ul>



<h2 id="최적화-알고리즘-정리">최적화 알고리즘 정리</h2>

<table>
  <thead>
    <tr>
      <th>알고리즘</th>
      <th>방향 보정</th>
      <th>보폭 조절</th>
      <th>특징</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>SGD</td>
      <td>없음</td>
      <td>없음</td>
      <td>단순하지만 진동이 크고 학습률에 민감</td>
    </tr>
    <tr>
      <td>Momentum</td>
      <td>속도 누적</td>
      <td>없음</td>
      <td>진동을 줄이고 평원을 관성으로 통과</td>
    </tr>
    <tr>
      <td>AdaGrad</td>
      <td>없음</td>
      <td>기울기 제곱 누적</td>
      <td>희소한 입력에 강하지만 보폭이 0으로 수렴</td>
    </tr>
    <tr>
      <td>RMSProp</td>
      <td>없음</td>
      <td>지수 이동 평균</td>
      <td>AdaGrad의 보폭 소멸 문제를 해결</td>
    </tr>
    <tr>
      <td>Adam</td>
      <td>지수 이동 평균</td>
      <td>지수 이동 평균</td>
      <td>조정 없이 안정적인 기본 선택</td>
    </tr>
    <tr>
      <td>AdamW</td>
      <td>지수 이동 평균</td>
      <td>지수 이동 평균</td>
      <td>Adam에서 가중치 감쇠를 올바르게 분리</td>
    </tr>
  </tbody>
</table>

<p>새로운 과제를 시작할 때는 <strong>AdamW와 웜업 후 코사인 감쇠</strong>를 기본값으로 두고, 학습 곡선을 확인하며 학습률부터 조정하는 것이 일반적입니다. 학습이 안정적으로 진행된다면 모멘텀 SGD로 바꿔 최종 성능을 더 끌어올릴 수 있는지 시도해 볼 수 있습니다.</p>

<p>어떤 알고리즘을 선택하든 <strong>학습률이 가장 큰 영향</strong>을 미칩니다. 알고리즘을 바꾸기 전에 학습률을 10배 단위로 바꿔 가며 손실이 발산하지 않으면서 가장 빠르게 줄어드는 값을 먼저 찾는 것이, 다른 어떤 하이퍼파라미터를 조정하는 것보다 효과가 큽니다.</p>

<ul>
  <li>Tip : 손실이 <code>NaN</code>으로 바뀌며 학습이 무너진다면 대부분 <strong>학습률이 너무 큰 것</strong>이 원인입니다. 학습률을 낮추거나 웜업을 추가하고, 그래도 해결되지 않으면 기울기의 크기에 상한을 두는 <code>기울기 클리핑(Gradient Clipping)</code>을 적용합니다.</li>
</ul>



<ul>
  <li>Writer by : 윤대희</li>
</ul>


        
      </section>

      


      
    </div></div>

076923 : Main

최적화(Optimization) 순전파(Forward Propagation) & 역전파(Back Propagation)에서 역전파는 손실 함수를 각 가중치로 미분한 기울기(Gradient)를 구하는 과정이라고 설명했습니다. 그러나 기울기는 어느 방향으로 가중치를 바꾸면 손실이 줄어드는지를 알려 줄 뿐, 실제로 가중치를 얼마나 어떻게 바꿀지는 정해 주지 않습니다. 기울기를 받아 가중치를 실제로 갱신하는 규칙이 최적화 알고리즘(Optimizer)입니다. 같은 모델, 같은 데이터, 같은 기울기라도 최적화 알고리즘에 따라 학습 속도와 최종 성능이 크게 달라지므로, 역전파가 지도를 그리는 일이라면 최적화 알고리즘은 그 지도를 보고 어떻게 걸을지 정하는 일에 해당합니다. 손실 함수를 가중치 공간 위에 펼친 지형으로 상상하면, 최적화는 이 지형에서 가장 낮은 골짜기를 찾아 내려가는 과정입니다. 다만 수백만 개의 가중치가 만드는 지형은 한눈에 볼 수 없고, 현재 서 있는 지점의 경사만 알 수 있습니다. 그러므로 모든 최적화 알고리즘은 발밑의 경사만 보고 다음 발걸음을 정하는 방식으로 동작합니다. 경사 하강법(Gradient Descent) \[w \leftarrow w - \eta \frac{\partial \mathcal{L}}{\partial w}\] 가장 기본이 되는 규칙은 경사 하강법(Gradient Descent)입니다. 기울기는 손실이 가장 가파르게 증가하는 방향을 가리키므로, 그 반대 방향으로 가중치를 조금 옮기면 손실이 줄어듭니다. 이 과정을 반복해 골짜기로 내려갑니다. 여기서 \(\eta\)는 한 번에 얼마나 움직일지를 정하는 학습률(Learning Rate)로, 최적화에서 가장 중요한 하이퍼파라미터입니다. 학습률이 너무 작으면 골짜기에 도달하기까지 지나치게 많은 반복이 필요하고, 너무 크면 골짜기를 건너뛰어 반대편 비탈로 올라가 버리며 손실이 오히려 커지거나 발산합니다. 경사 하강법은 기울기를 계산할 때 몇 개의 데이터를 사용하느냐에...

Artificial Intelligence Theory : 최적화 알고리즘(Optimizer)

댓글