한빛출판네트워크

어느 탁한 바닷속, 흐릿한 시야 때문에 늘 고민이던 쏨뱅이 ‘쏨’은 지느러미로 머리를 긁적이며 중얼거렸습니다.

“이렇게 안 보여서야 어떻게 먹이를 찾고, 포식자를 피할 수 있겠어?” 

그러던 어느 날, 쏨은 바닷속 개발자 커뮤니티인 Ocean Overflow에서 합성곱 신경망(CNN)에 대한 흥미로운 글을 발견했습니다.

“이거야! 이걸 사용하면 내 시야를 개선할 수 있을지도 몰라!”

흥분한 쏨은 즉시 행동에 나섰습니다.

우선 바닷속의 다양한 이미지를 수집했습니다. 하지만 데이터셋이 턱없이 부족함을 깨달았습니다.

“아, 이러다 과대적합 되겠는걸…”

고민하던 쏨은 친구들에게 도움을 청했습니다.

“얘들아, 혹시 너희가 본 주변 환경의 이미지를 공유해 줄 수 있어?”

이에 돌고래, 해마, 그리고 작은 멸치들까지 기꺼이 데이터를 제공했습니다. 쏨은 감사해하며 수집한 데이터를 이용해 TensorSea 라이브러리로 모델을 구축했습니다.

다음은 모델을 훈련시킬 차례였습니다. 수백 번의 에포크를 돌리며 손실 함수를 지켜보니 값이 점점 줄어들고 있었습니다.

“좋아, 잘 되고 있어!”

그리고 마침내, 훈련된 모델을 적용하자 세상이 달라 보였습니다. 흐릿하게만 보이던 바닷속이 선명하게 드러났습니다. 멀리 있는 플랑크톤부터 숨어 있는 포식자까지 한눈에 파악할 수 있었습니다. 쏨은 기쁨에 차 외쳤습니다.

“이제야 제대로 보이네!”

쏨은 이 멋진 결과를 모두와 공유하면 더 멋진 바닷속이 될 것이라는 기대감에 코드를 GitFish에 공개하며 말했습니다.

“필요한 생선은 누구든지 포크해서 사용하세요!”

이 소식은 생선들 사이에서 화제가 되었습니다. 특히 옆 바다의 괭이상어 공주가 큰 관심을 보였습니다.

“쏨뱅이가 개발한 CNN이라... 내 소원도 이루어줄 수 있을까?”

딥러닝 용어 해설

• 합성곱 신경망(CNN) : 이미지 데이터에서 특징을 자동으로 추출하여 패턴을 인식하는 데 특화된 딥러닝 모델. 현재의 딥러닝 붐을 일으킨 주역 중 하나입니다.
• 과대적합(Overfitting) : 딥러닝 모델이 학습 데이터에 지나치게 맞춰져서 새로운 데이터에서는 성능이 떨어지는 현상. 모델 성능을 높이려면 학습 과정에서 과대적합이 일어나지 않도록 해야 합니다.
• 에포크(Epoch) : 딥러닝 모델이 전체 학습 데이터를 한 번 모두 학습하는 과정
• 손실 함수(Loss Function) : 딥러닝 모델이 예측한 결과와 실제 정답 사이의 차이를 계산하여 모델이 얼마나 틀렸는지를 알려주는 함수

『바닷속 딥러닝 어드벤처』는  『밑바닥부터 시작하는 딥러닝』 시리즈를 원작으로, 재미난 상상력을 더해 재구성한 연작 소설입니다. 이번 편은 원작 중 ‘딥러닝의 기본과 이미지 처리 기술’을 다룬 1권에서 영감을 얻어 작성했습니다.