패스트캠퍼스 환급챌린지 2일차 : Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

1. 학습 인증샷 4장 이상

1. 오늘 날짜 + 공부 시작 시각보이는 사진 1장

2. 오늘 날짜 + 공부 종료 시각이 보이는 사진 1장 

3. 1개 클립수강 인증사진 1장(강의 화면 x/목록캡처 추천)

4. 학습 인증샷 1장 이상(필기, 작업물)

공부 시작 시간 - 2025-11-13 오전 10:22

공부시작 - ch01-03. RNN, LSTM, GRU

공부 종료시간 : 2025-11-13, 오전 10:59

공부종료 : ch01-03, ch01-04 2강 수강

학습인증샷 - 필기

 

 

 

 

 

2. 학습 후기 700자 이상

- 오늘 배운 학습 내용을 정리하고, 흥미로웠던 부분과 이를 내 업무에 어떻게 적용할 수 있을지 기록

 

아~오늘도 여러 모델을 특징만 잡아서 엄청 빠르게 진도를 뺐다. 이러면 혼자서 더 모델들을 세밀하게 파봐야 한다는 숙제가 생기는데 기대에 비해 많이 아쉬움이 느껴지는 강의였다. 이 강의는 미리 어느정도 모델을 공부한 사람에게 적합하다. 입문이나 초보들에게는 유용하지 않다. 조금 더 구조를 세밀하게 알려주기를 기대했는데 많이 아쉽다. 그래도 커리큘럼이 전체적인 범위를 다루니 끝까지 들어보자고 다짐한다. 

 오늘 진도는 2D Computer Vision파트의 ch01-03. RNN, LSTM, GRU 한 강의와 ch01-04. Attention과 Transformer였다. 먼저 Sequential Data 개념에서 순서에 따른 연속된 데이터를 다루는 영역을 통하여 재사용의 의미를 갖는 순환 신경망에 대해 소개하였다. 이후 RNN모델을 통하여 이러한 순환신경망이 Hidden layer를 통하여 다양한 출력 구조를 가지게 된다. 모델 안에는 타입스텝, Cell들의 구성요소가 들어가 데이터가 순환되도록 한다. LSTM은 RNN이 순환할 때 발생하는 오래된 것을 잊어버리는 문제를 해결하고자 하는 과정이 들어가 있었다. 정보가 잘 흐르도록 Gate라는 개념으로 Input, Forget, Output 게이트 3개의 게이트를 통하여 Cell state가 연동되어 모델을 구성하였다. 

GRU의 경우 앞선 모델들을 좀 더 개선하고자 하는 모습을 보인 모델이다. 파라미터를 적게하고 모델도 더 간단하게 구성하여 빠르고 가벼운 것이 특징이라고 한다. Update gate와 Reset gate로 구성되었다. 

 두 번째 강의는 Transfomer 모델이 들어가기 전 Attention에 대한 개념과 Transfomer의 구조에 대한 강의였다. 이걸 약20분 불량에 끝낼줄은 몰랐다...그정도로 비중이 낮은건 아닌 것 같은데...여하특 핵심은 유사도를 기반으로 하여 벡터끼리 분포적으로 위치가 비슷한 것끼리 연결한다는 것이었다. 정보를 참고할때 단순 레이어에 넘어온 것만이 아닌 시작점의 hidden state를 다시 참고하여 관련있는 단어를 찾고 순서에 따른 위치를 지정한다는 것이 핵심이었다. 구조에 대해 스스로 더 스터디해보아야 할 듯하다. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

패스트캠퍼스 URL

https://fastcampus.info/4oKQD6b