프로그래밍 공부를 하는 사람들이면 얕은 복사, 깊은 복사에 대해 들은 적이 있을 것이다. 나도 그랬었고 얕은 복사는 주소 값을 복사하여 하나가 변경되면 같이 변경되는 것으로 대강 알고 있었다. 이것이 중요하다고 하는 것을 많이 봤었는데, 나는 역시 직접 겪기 전까지 모르는 것 같다. 그래서인지 업무 중에 기어코 일을 내고 말았다.
🚨 상황
어떤 데이터를 보내는데 필요없는 키워드를 걸러주기 위해 filter keyword 모듈을 만들어서 키워드 필터링을 하고 있었다. 단순히 검색 단어에 따라 등록해둔 필터링할 키워드를 가져와서 공통 필터링할 키워드와 합쳐서 키워드를 걸러주는 로직이었다. 하지만 처음엔 검색 키워드에 필터링 키워드가 지워져서 정상적으로 작동했는데, 가면 갈수록 검색 키워드에 상관없이 등록해뒀던 모든 키워드로 필터링이 되는 것이다. 코드로 보면 더 이해가 빠르다.
FILTER_KEYWORD를 전역 변수로 선언하고, 모든 검색어에도 적용되게 하기 위해 공통 필터 키워드를 사전에 추가하고, 사전에서 특정 검색 단어의 필터키워드와 합쳐서 리턴하는 함수를 만들었다.
문제는 리턴 값을 보면 알 수 있다. set은 mutable 객체기 때문에, 위 예제와 처럼 FILTER_KEYWORD의 공통 set을 단순 대입하는 것과 같이 얕은 복사로는 filter_keywords의 값이 변경되면 FILTER_KEYWORD의 공통 set의 값도 같은 값으로 업데이트 되어버리는 것이다.
이 부분은 마지막 print 부분을 보면 쉽게 이해가 가능하다. 결과적으로 변하지 않아야 할 FILTER_KEYWORD['공통'] 값이 바뀌어 버린 것이다.😱
내부의 리스트들은 주소값이 여전히 같은 것을 알 수 있다. 이 말은 내부 리스트까지는 복사(다른 주소 값으로 할당)가 되지 않았다는 것이다. 정리하면, 딕셔너리나 리스트처럼 내부 요소에도 또 list, set, dict를 가질 수 있는 자료형들은 .copy() 통해서는 하위의 데이터까지는 복사가 되지 않는다는 것이다. (list slicing을 이용한 경우에도 동일하다.)
deepcopy()를 사용하니 b의 값만 바뀐 것을 알 수 있고, 하위 리스트의 주소 값을 비교해봐도 달라진 것을 볼 수 있다. 이제야 제대로 값만 복사된 것이다.
오늘의 교훈 : 변하지 않아야 하는 변수는 꼭!! immutable 객체(tuple, frozenset 등)로 만들어주자!! 다른 분들은 저처럼 의도하지 않은 결과를 얻는 일이 없도록 바래요...😢
👋 마무리
나는 대충이라도 알고있던 개념을 실제 상황에서 만나보니 전혀 신경 쓰지 못하고, 대응하지 못했다. 이거 때문에 내가 아닌 다른 분께서 에러 잡아내느라 늦게 퇴근하셨다고 한다. 그러고 이런 에러가 있었다고 말씀해주셨었다... 진짜 듣는 순간 수치플...😵 내가 짠 코드에서 결함이 발견될 때가 제일 현타 온다. 내가 이것밖에 못하나.. 이런 생각이 들면서 😭
그래도 나를 생각해서 말하지말까 하시다가 솔직한 피드백을 주신 것에 감사했다. 덕분에 내가 제대로 알고 다음부터 더욱 신경 써서 코드를 짜지 않을까 싶다. 그래도 앞으로 이런 일이 생기지 않도록 배운 내용들을 토이 프로젝트에 적용시켜 보면서 실패를 겪어 봐야겠다는 생각이 들었다. 배운 것을 얕게만 알고 있지 말고 내 것으로 만들 수 있도록 노력하자..💪
하지만, 멀티 프로세싱을 이용하면 메모리를 많이 잡아먹는 문제가 생긴다. 그래서 다른 방법을 강구하기 시작했다. 그래서 찾은 방법은 바로 . . . . 동시성 프로그래밍을 이용한 비동기처리다!!!! 하지만 우선 이녀석이 무엇인지를 알고 써야 좋지 않겠는가..? 간략하게 사전지식을 알아보고 넘어가자😆
내가 이해한 결과로는 동시성은 주어진 과제를 멀티 쓰레드나 비동기 통신을 이용하여 효율적으로 처리하여 대기시간을 줄여 결과적으로 전체 실행 시간을 줄여 병렬적으로 처리되는 듯한 효과를 낼 수 있고, 병렬성은 멀티 프로세싱을 활용하여 각각의 프로세스들이 독립적으로 과제를 처리하므로 전체 실행 시간을 줄인다.
여기서 중요한 것은 위의 말에는 전제조건이 있다는 것이다. 동시성은 각각의 프로세스들이 독립적으로 자원을 가지고 처리하는 것이 아니다보니, CPU bound 작업(네트워크나 파일에 엑세스하는 작업 없이 계산 작업 등)에서는 좋은 효과를 볼 수가 없다. 즉 외부 I/O 작업을 진행할 때에 발생하는 대기 시간을 줄여 동시적으로 처리하는 것 뿐이지, 외부가 아닌 컴퓨터의 연산작업을 진행할 때에는 좋은 효과를 볼 수 없다. 글에서 말하기로는 프로그램의 속도를 결정짓는 자원이 CPU이기 때문이라고 한다.
그렇다고 마냥 멀티프로세싱이 좋은가? 프로세스들을 여러개를 생성한다는 것은 곧 새로운 인터프리터를 띄우는 것이므로, 하나의 프로세스에서 여러 쓰레드를 생성하는 것보다는 훨씬 무겁고 제한적이며 어려움도 많을 것이기 때문이다.
결론은 상황에 맞게 잘 선택해서 쓴다면 좋은 효과를 얻을 수 있을 것이다. 🤩
그럼 일단 내 task를 생각해보자. 다른 사이트에서 request를 보내 response로 받은 데이터를 사용할 것이기 때문에, 내 컴퓨터가 아닌 외부 서버에서 하는 작업이니 I/O 작업임을 알 수 있다 ! 즉, 굳이 멀티프로세싱을 사용하지 않아도 동시성을 이용해 해결이 가능하다 !
python에서는 GIL(Global interpreter Lock) 때문에 메인쓰레드에서 모든 연산을 처리하기에 Threading을 사용한 동시성 제어는 느리다고 한다. 그리고 우리는 HTTP 통신 대기와 같은 Blocking IO의 대기시간을 줄여 보고자, 쉽게 사용할 수 있는 asyncio 택할 수 있다.
자, 그러면 python에서 지원하는 Asyncio에 대해 알아보자!🔜
Asyncio
시작하기에 앞서 파이썬은 공식문서가 잘 되어 있기에 읽으면서 내가 이해한 부분을 적은 것이라 틀린 것이 있을 수 있다. 그렇기에 잘못된 것이 있거나 수정해야할 부분이 있으면 언제든지 댓글 달아주시면 감사하겠습니다,,
함수를 만들어줄 때 앞에 async를 적어준다는 뜻은, 해당 함수를 코루틴 객체로 선언한다는 의미임을 알 수 있다. 평소 함수처럼 호출하면 실행되지 않고, 객체를 반환하는 것을 위 예제를 통해 확인할 수 있다.
즉, 코루틴은 asyncio 프로그램을 실행할 때 실행될 객체라고 생각하는게 편할 것 같다. 그리고 이런 코루틴이 실행되도록 예약을 해주는 것이 태스크이다. 예제를 통해 태스크를 만드는 것을 살펴보자
import asyncio
async def coro():
...
# In Python 3.7+
task = asyncio.create_task(coro())
...
# This works in all Python versions but is less readable
task = asyncio.ensure_future(coro())
...
coro 라는 코루틴을 asyncio.create_task()를 통해 태스크로 만들어서 실행되는 것을 예약할 수 있다. 아직은 실행되는 방법도 모르는데, 이런 예약한다는 말이 뭔소리인가 싶을 텐데 나중에 차차 설명하겠다. 우선은 이정도로 넘어가자.
➕ awaitable 이란?
객체가 await 표현식에서 사용될 수 있을 때 어웨이터블 객체라고 말합니다. 많은 asyncio API는 어웨이터블을 받아들이도록 설계되어있다고 말한다. 어웨이터블 객체에는 세 가지 주요 유형이 있다: 코루틴, 태스크 및 퓨처(future)
쉽게 말해 await 사용가능한 객체들을 말하는 것 같다. 그럼 await는 뭘까? awaitable 객체 안에서 await가 나오면 그 부분은 실행될 때까지 기다리고 다음 코루틴을 실행시킨다고 이해했다.
위 예제처럼 실행시키는 건 간단하다. 하나의 코루틴 객체 main()을 asyncio.run()을 통해 실행시킨다. 이 실행시키는 run()에 대해서 조금 더 자세히 알아보자. 우선 공식 문서에는 다음과 같이 적혀있다.
이 함수는 전달된 코루틴을 실행하고, asyncio 이벤트 루프와 비동기 제너레이터의 파이널리제이션과 스레드 풀 닫기를 관리합니다. 다른 asyncio 이벤트 루프가 같은 스레드에서 실행 중일 때, 이 함수를 호출할 수 없습니다. 이 함수는 항상 새 이벤트 루프를 만들고 끝에 이벤트 루프를 닫습니다. asyncio 프로그램의 메인 진입 지점으로 사용해야 하고, 이상적으로는 한 번만 호출해야 합니다.
눈에 띄는 부분만 보자면, 메인 진입 지점으로 사용해야 하고, 이상적으로는 한 번만 호출해야 한다는 것을 명심하자. 즉, 다른 코루틴들을 실행하는 main() 코루틴만을 실행시키면 될 것 같다.
3. 동시에 태스크 실행하기
실제로 쓸만하려면 동시에 여러 태스크를 실행시킬 수 있어야지 않겠는가? 그것을 위한 asyncio.gather() 함수를 예제를 통해 이제껏 읽은 정보들을 종합적으로 사용한 대략적인 흐름을 살펴보자.
아 잠깐, 일단 asyncio.gather() 함수에 대한 설명을 간단히 알아보자. 들어오는 인풋이 코루틴이면 자동으로 태스크로 예약을 시켜준다. 그리고 모든 awaitable이 성공적으로 완료되면, 결과는 반환된 값들이 합쳐진 리스트이다. 결과값의 순서는 awaitable의 순서와 일치한다.
즉, 코루틴을 인풋으로 넣어주면 그것을 알아서 태스크로 등록해준다는 것이다. 그리고 각 코루틴들이 전부 다 실행될 때까지 기다리고 전부 완료시 결과값을 리스트로 반환해주는 아주 기특한 method임을 알 수 있다.
import asyncio
async def factorial(name, number):
f = 1
for i in range(2, number + 1):
print(f"Task {name}: Compute factorial({number}), currently i={i}...")
await asyncio.sleep(1)
f *= i
print(f"Task {name}: factorial({number}) = {f}")
return f
async def main():
# Schedule three calls *concurrently*:
L = await asyncio.gather(
factorial("A", 2),
factorial("B", 3),
factorial("C", 4),
)
print(L)
asyncio.run(main())
# Expected output:
#
# Task A: Compute factorial(2), currently i=2...
# Task B: Compute factorial(3), currently i=2...
# Task C: Compute factorial(4), currently i=2...
# Task A: factorial(2) = 2
# Task B: Compute factorial(3), currently i=3...
# Task C: Compute factorial(4), currently i=3...
# Task B: factorial(3) = 6
# Task C: Compute factorial(4), currently i=4...
# Task C: factorial(4) = 24
# [2, 6, 24]
일단 제일 먼저 asyncio.run를 통해 하나의 event loop를 만들고, main() 코루틴을 실행시킨다. main()안에 있는 asyncio.gather가 인풋으로 awaitable 코루틴인 factorial 들을 받는다. 그러면 자동으로 task로 schedule 되고 들어온 순서대로 실행된다. 이 과정을 내가 생각한데로 그려보면 아래 그림과 같다. (실제와 다를 수 있으니 틀리면 말해주세요..)
즉, 제일 처음 코루틴을 실행시키고 await를 만나면 그 코루틴의 상태를 (위 그림에서 waiting)변화시켜놓고 다음 코루틴을 실행시킨다. 계속 반복하다가, 끝에 다다르면 다시 처음으로 돌아가서 await가 아닌 상태 (위 그림에서 ready)인 코루틴이 있으면 다시 나머지를 실행시킨다. 그리고 그 코루틴이 return까지 실행되면 완료되었기에 값을 리스트에 넣어놓고, 전부 완료될 때까지 앞서 말한 과정들을 계속 반복한다.
이 예제에서는 await가 걸린 부분이 asyncio.sleep(1) 으로 되어있어서 감이 안 올 수 있다. 우리의 목표는 scraping의 속도를 올리기위해 이것을 사용해보려는데 어떻게 적용시킬까?
asyncio scraping에 적용시키기
조금만 생각해보면 간단할 수 있다. scraping을 할 때에 시간이 오래걸리는 이유는 request를 보내고 response를 받는 데까지의 대기시간이 있기 때문이다. 그 대기시간은 우리의 컴퓨터에서 cpu 연산과 같이 작업을 하느라 걸리는 시간이 아니기 때문에 외부 서버가 처리하고 응답을 줄 때까지 그냥 기다리는 것과 같다. 즉 asyncio.sleep()와 같다는 것이다. 이 부분을 request.get(url)로 바꾸면 어떨까? 우리가 원하는 데로 이루어지지 않을까??
그래서 간단하게 네이버와 다음 홈페이지 html을 받아오는 것을 해보려고한다.
1. resquests 모듈로 될까?
async def get_request_data(url):
response = await requests.get(url)
print(response)
content = response.text
return content
async def main(url_list):
input_coroutines = [get_request_data(url_) for url_ in url_list]
res = await asyncio.gather(*input_coroutines)
return res
if __name__ == '__main__':
url_list = ['https://www.naver.com/','https://www.daum.net/']
res = asyncio.run(main(url_list))
print(res)
하지만 실행시켜보면 바로 다음과 같은 error를 뱉는다.
File "asyncio_test_blog.py", line 15, in get_request_data
response = await requests.get(url)
TypeError: object Response can't be used in 'await' expression
내용을 보면 await를 사용할 수 없다고 하는데, asyncio를 사용할 때에는 requests 모듈은 지원?호환?되지 않는다고 어딘가에서 봤던거 같다.
(출처 남길랬는데 다시 찾으려니 못 찾겠음...)
그래도 일단 비교를 위해 네이버와 다음 페이지를 가져오는 시간을 측정해 놓자. request.get으로 두 페이지를 가져오는데 걸리는 시간은 총 0.15484380722045898 sec 정도 걸린다.
그럼 asyncio는 어떻게 해야하나..? asyncio와 찰떡인 라이브러리가 당근 존재한다. "aiohttp"를 이용하면 쉽게 가능하다 !
2. aiohttp 사용하기!
async def get_data(url):
async with aiohttp.ClientSession() as session:
async with session.get(url) as response:
content = await response.text()
print(response)
return content
async def main(url_list):
input_coroutines = [get_data(url_) for url_ in url_list]
res = await asyncio.gather(*input_coroutines)
return res
if __name__ == '__main__':
url_list = ['https://www.naver.com/','https://www.daum.net/']
result = asyncio.run(main(url_list))
url들을 하나씩 꺼내서 reponse를 얻어오는 코루틴으로 만들어주고, 그것을 asyncio.gather의 인풋으로 넣어줘서 task로 만들어 모두 끝날 때까지 실행시킨 결과를 list로 받는다. 여기서 중요한 점은 순서가 응답이 빨리 온 순서라서 url 순서와는 다를 수 있다.
실행 결과 잘 작동한다! 심지어 걸린 시간은 9.5367431640625e-07 sec 정도 걸렸다. 0.0000009초정도,, 거의 뭐.. 0초에 가까운 수치이다. 이렇게 빠르게 request를 보내어 결과값을 받아올 수 있다는 것을 알게 되었다. 페이지를 가져오고 나머지 파싱하고 원하는 데이터를 가져오는 로직만 추가하면 빠르게 scraping이 가능할 것 같다!
마무리
asyncio를 통해 python 공식문서를 뒤져가면서 이 모듈에 대해 공부하다보니 이것들 뿐만아니라, 몰라서 못쓰고 있던 좋은 기능들이 많겠구나 라는 생각이 들었다. 지금까지는 매번 알던 것들로 기능구현하기에 급급했는데, 성능이나 효율성을 높이기 위해 투자할 시간과 노력은 더 더욱 필요한 것 같다. 시간과 노력이 많이 들더라도 인내심을 가지고 내가 만들었던 기능들을 성능을 향상시키는 고민과 행동들을 해보는 것이 내 성장에 많이 도움될 것 같음을 느꼈다.
아참, scarping에 asyncio를 이용해 시간을 단축시키는 것은 좋지만, 반대로 생각해보면 동일한 곳에서 짧은 시간동안 많은 request를 날리기 때문에 server 측에서 공격으로 인식하여 IP block이나 등등 제재가 가해질 수 있기 때문에 조심해서 사용하길 바란다 ㅎㅎ.. 사실 scraping 보다 다른 곳에 더 많이 사용되지 않을까 싶다..?
부스트 코스에서 무료 파이토치 강의가 있길래 한 번 들어보자 싶어서 강의를 켰다. 초반 환경 세팅부분에서 docker를 이용해 강의노트와 같은 환경을 편하게 맞출 수 있었다. 굳이 Docker 안 써도 환경 맞춰서 사용해도 되지만, 편한게 최고지 않는가. 그리고 어차피 docker와의 만남은 불가피하지 않나 라는 생각이 들어서 바로 설치했다.
결과적으로 window 10 환경에서 docker 이미지 받아서 컨테이너 실행시키는 것까지의 과정 중 일어났던 에러와 해결법을 남겨본다.
그리고 설치를 끝내고... 실행이 되었는데...? 나의 첫번째 에러와의 만남이 그렇게 시작되었다.
📌 문제점
docker desktop이 실행되면서 다음과 같이 wsl 2 installation is incomplete. 라는 메세지를 뱉었다.
첫 줄만 봤을 땐, WSL 2 이라는 것이 설치가 되지 않아서 일어난 문제인 것 같았다. 바로 구글링했다. 그래도 비교적 이것은 쉽게 해결되었다. 구글링 결과 microsoft 문서를 따라하니 해결 되었다.
👍 해결법
윈도우 버튼을 눌러서 Power Shell 을 검색 후, 오른쪽 클릭을 눌러서 관리자 권한으로 실행시킨다.
아래 코드를 순서대로 따라 친다. (문서에 있는 것 그대로 가져옴)
# 첫번째 코드 - Linux용 Windows 하위 시스템 사용 설정
PS C:\WINDOWS\system32> dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
# 두번째 코드 - Virtual Machine 기능 사용 설정
PS C:\WINDOWS\system32> dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart
설정이 끝나면, Linux 커널 업데이트 패키지를 다운 받는다. 다운로드 링크는 문서에도 있지만, 적어놓겠다.
docker: Error response from daemon: OCI runtime create failed: container_linux.go:380: starting container process caused: exec: "C:/Program Files/Git/usr/bin/bash.exe": stat C:/Program Files/Git/usr/bin/bash.exe: no such file or directory:unknown.
대충봐서는 bash 실행 경로를 못찾는 것 같다. 나는 linux와 윈도우의 파일 구분자가 달라서 그런가 싶어서 조금씩 바꿔가면서 이것저것 시도해봤다. 하지만 되지 않는 것이다. 그러다 결국 구글링을 했는데, 나와 동일한 상황인 것이 잘 안 나오는 것이었다.. 사실 내가 못찾은 것일 확률이 크다 생각한다. 그리고 한국어로 된 자료을을 위주로 봤기에 더 한정적이 었을 것이다.
결국 영어라도 그냥 docker github 의 issues에 번역기 돌리자는 마인드로 검색을 했다. 그 결과 유사한 경우를 찾아냈다..!
For example, in bash on windows $ docker run --privileged --rm -ti -v 'pwd':/go/src/github.com/docker/docker dry-run-test /bin/bash Will fail. $ docker run --privileged --rm -ti -v /'pwd':/go/src/github.com/docker/docker dry-run-test //bin/bash Will work.
실제로 해본결과 잘 작동했다!😁 이렇게 쉽게 해결될 것을 몇시간을 잡고 있었구나,, 아무튼 되서 다행이다!
마무리
실제로 그렇게 오래 걸일 일들이 아니었는데, 시간이 오래 걸린 이유를 생각해보자면 영어가 어렵다는 생각에 너무 한국 자료에 의존했다는 점이 아닐까 싶다. 그러다보니 찾는 범위가 작을 수 밖에 없다. 그리고 docker와 같이 많은 사람들이 이용하는 open source의 경우 당연히 유사한 문제를 겪는 사람들이 git-hub에 issue를 많이 올렸을 것이고 해결이 됐을 확률이 높다.
영어로 적혀있다고 너무 겁먹지 말자. 영어를 잘한다 해도, 이런 전문 용어들을 모르는 이상 이해하기 힘들 것이다. 결국 영어자체에 대한 거부감을 가지는 내 마음이 문제일 가능성이 있다는 것이다. 모르는 것은 찾아가면서 하면되지 않겠는가. 영어 문서들을 읽는 연습을 지금부터라도 길러둬야 내가 크게 성장할 수 있지 않을까 싶다.
내가 개발자로 취업을 하게 되면서 처음엔 내가 뭔갈 만들 수 있다는 것과, 배우고 싶다는 열정가지고 아주 들뜬 마음으로 취업을 했었다. 그래서 몇 달간 정말 열심히 능동적으로 일했던 것 같다. 그렇지만, 회사에 오면서 내가 꿈꿔왔던 것과는 다르다는 것을 금새 깨달았다. 심지어 나는 대기업이나 중견기업처럼 시스템이 잘 갖추어진 기업에 취직한 것도 아니고, 작은 규모의 스타트업에 취업을 했는데 말이다.
그래서 처음 가졌던 마음과는 달리 뭔가 지치고 근무시간이 끝나면 코딩보다는 그냥 쉬고 싶고 무기력해져 있었다. 그러면서 마음 한편에 불안감이 엄습했다. 내가 이렇게 도태되어 있다면, 이 시장에서 살아남지 못할 것 같다는 생각 같은 거 말이다. 그래서 나는 근무시간 이외의 개인 시간을 헛되이 보내지 않기 위해 인터넷 서점을 뒤졌다.
평소에도 책을 읽으면 자기개발서 위주로 읽었는데, 프로그래머 관련해서도 이런 책이 있지 않을까 찾다가 이 책을 알게 되었다. 이름부터가 강렬해서 피해 갈 수가 없었다. 물론 내가 '죽을 때까지 코딩할 거야!' 라는 생각을 가져본 적은 없지만, 지금 뭔가 개발에 대한 열정이 살짝 식은 것 같아서 다시 불태우기에 좋은 책일 것 같아 바로 주문했다.
이 책의 예상 독자는 다음과 같이 적혀있었다.
내가 좋아하는 코딩을 얼마나 오래 할 수 있을지 걱정되는 개발자
코딩 슬럼프를 겪고 있는 개발자
내가 속한 조직이 나에게 맞지 않는 건 아닌지 오늘도 혼란스러운 개발자
지속적으로 성장하고 싶은 방법을 함께 찾고 싶은 개발자
열심히 일하는 것 같은데 성과가 나지 않는 개발팀장 및 관리자
나는 세 개나 해당되서 안 살수가 없었다....😅 내용이 궁금하니 어서 읽어보자❗️
본문
우선은 내가 읽으면서 감명 깊게 보거나 적어두고 싶은 부분을 위주로 작성했다. 그리고 총 6장으로 구성되어 있는데, 각 장을 요약 및 내가 읽고 나서의 생각을 같이 정리해두는 식으로 글을 적었다. 그럼 1장부터 출발하자.
1장 어느 개발자의 죽음
평생 코딩하기 위해서는 어떻게 하면 좋을까?
돈을 많이 모아서 부동산 임대 사업과 같이 돈이 나오는 구멍을 만들어놓고 은퇴를 빨리하고 코딩을 하는 것이다.
하지만 우리나라 사회구조 상 돈을 모으는 것이 쉽지가 않다. (집값 등등)
'디지털 노마드'로 살아간다.
코딩만으로는 힘들 수 있다. 앱 개발이 유일하다고 보지만, 이것조차도 쉽지 않다.
회사를 창업하거나 늙어서도 써줄 회사가 있을 정도로 유명해지기.
저자가 말하는 것은 열정을 가지기 위해 개발자가 일하는 환경 자체가 바뀌어야 한다고 말하고 있다. 현재의 시스템(흔히 말하는 갈아 넣는?)이 우리의 열정을 식히고 있다는 것이다.
2장 단절의 시대
지금의 사회는 100세가 넘게 살게 될 것이라고 말한다. 그런데 우리의 정년은 아무리 오래 버틴다 해도 50대 때 퇴직을 하지 않겠는가, 그러면 남은 50년 동안 뭘 먹고 살 것인가? 암울한 미래만 생각하지 말고, 관점을 바꿔보자. 근본적인 원인을 생각하여 통찰을 얻는 것이다.
저자가 말하는 개발자의 미래는 다음과 같다.
개발자 연령 상한이 없어지게 될 것이다.
개발자의 수요가 더욱 늘어날 것이다.
개인 사업의 기회도 점차 늘어날 것이다.
소프트웨어 산업의 볼륨은 더 커질 것이다.
저자는 이러한 것들이 기대감을 보탠 예측이라 했지만, 충분히 가능성이 있다고 표현했다. 다양한 정황을 통해 '죽을 때까지 코딩하기'가 실현 가능하다고 볼 수 있으므로 미래를 계획해야 한다고 주장한다.
3장 바람을 사랑하는 법
개발자의 삶을 살 때에 바람과 같은 고난을 피할 수 없다. 그렇다면 대비를 하고 되도록이면 즐겨야지 않겠는가? 코딩에 대한 열정의 불을 끄려고 하는 주변 환경에서 피하는 방법에 대해 알려준 장인 것 같다. 회사의 구성원들이 정말 중요한 것 같다. 경험에만 의지하지 말고 끝없이 내가 알고 있던 것을 의심&학습하고, 썩은 사과(권위를 이용해 자기 뜻대로만 하려는 사람들)를 조심하자.
4장 모닥불 개발자
기억에 남는 인용어들.
한 주에 60시간 일할 계획을 짜야 한다. 40시간은 회사를 위해 쓰고 나머지 20시간은 자신을 위해 쓴다. 20시간은 읽고 연습하고 공부하고 경력에 도움되는 여러 가지를 하며 보내야 한다. -로버트 C 마틴 <클린 코더> 55쪽-
왜 나는 샤워 도중에 최고의 아이디어가 떠오를까? -아인슈타인-
좋은 코드를 만드는 개발자가 되기 위한 도움 되는 요소들을 한 번쯤은 들어봤을 것이다. 하지만 중요한 것은 실행에 옳기질 못한다는 것이다. 그래서 나는 습관 파트에서 코끼리의 비유( 코끼리를 끌고 가는 기수(이성), 코끼리(감성) )가 정말 와닿았다. 움직이는 방향은 코끼리가 정하지 않겠는가? 그러므로 자그마한 것부터 하나씩 성취해가는 느낌을 맛보면서 코끼리(감성)를 설득할 수 있도록 해보자.
두 번째로 기억에 남는 것은 우뇌를 사용하는 방법이었다. 실제로도 뭔가 잘 안될 때 잠깐 바람 쐬러 나가서 떠오르는 경우가 많았다. 앞으로도 우뇌를 효과적으로 사용할 수 있도록 독서도 빼먹지 말아야겠다. 마지막으로 TDD도 습관들일 수 있도록 노력해야겠다. 이 부분은 매번 강조되는 것 같다
5장 모닥불 조직
5장에서는 어떤 조직이 바람이 불어왔을 때 촛불처럼 꺼지지 않고 활활 타오를 수 있는지 살아남는지에 대해 알려주었다. 전체적인 느낌으로는 저자는 지식 산업사회에는 테일러주의 시스템을 만들고 그 시스템에 사람들을 부품처럼 끼워 넣는 조직문화를 촛불 조직이라고 표현했다. 그리고 강조한 것은 '대중의 지혜' 및 '애자일'이 었다. 제대로 된 소프트웨어를 만든다는 목표에 집중을 하자. 내가 아직은 구성원으로 직장 생활을 할 입장이므로 촛불 조직에 가서 내 열정을 식히기보다는, 모닥불 조직에 잘 스며들어 모닥불 개발자가 될 수 있도록 노력해야겠다.
6장 죽을 때까지 코딩하기
마지막 6장에선 이제까지 말해 온 것들을 정리해주었다. 나는 다음과 같이 정리해 봤다.
'성장 마인드 세트'를 가지자. 어려운 것이 아니다. 오늘보다 내일 더 성장할 수 있다고 믿고 도전과 노력에 더 열린 자세를 갖자.
모닥불 기업에 함께할 수 있도록 하자. 그전에 모닥불 기업의 프로세스를 이해하고, 내가 모닥불이 될 수 있는 조건을 갖추어야 한다.
우리의 수명은 많이 늘어났고, 원래 하던 일을 더 잘할 수 있도록 하자(모닥불 개발자가 되자). 그렇게 해야 우리는 평생 코딩하며 살 수 있을 것이다.
마무리
이 책을 읽으면서 제일 중요하다 느낀 것은 내가 먼저 모닥불의 조건을 갖춰야 한다는 것이다. 먼저 열정을 가지고 도전하는 것이 필요하다. 나 스스로가 끊임없이 공부하고 성장해 나가야 한다. 그러고 나서 환경을 생각해 보는 것이다. 물론 직장에서 매번 새로운 것을 하고, 열정적이기는 쉽지 않을 것이다. 그래도 매일매일 반복적이고 단순한 것만 한다면 '이곳은 내 열정을 식히지 않는가?'라는 의문을 가지고 고려를 해봐야 한다고 생각한다.
처음에 난 회사에 들어가서 실력 있는 사람만 모여있으면 좋은 회사인 줄 알았다. 하지만 생각보다 기술보단 사람이 더 중요하다는 것을 깨달았다. 저자가 폭포수 개발 방식을 예로 들었을 때, 폭포에서 윗 물이 더러운 물이 내려오면 자연스럽게 아랫물이 더러워질 것이라 했다. 아무리 좋은 기술로 아랫물을 정화시킨다 해서 근본적인 해결을 하지 않는 이상 계속 더러운 물이 내려오지 않겠는가? 결과적으로 기술 외적인 부분이 절반 이상을 차지한다고 한 저자의 말이 과언이 아님을 느끼게 되었다.
마지막으로 제일 와닿았던 부분은 우리는 이제 100세 시대를 넘어 더 오래 살지 모른다. 정년은 길어봐야 5~60대쯤으로 정해져있고, 그 이후의 삶도 상당한 기간이 남아있다. 그렇다면 먹고살기 위해선 직업을 계속 가져야 하지 않겠는가. 그렇다면 이왕 하던 거 잘하면 좋지 않겠는가. 그리고 평생 일을 해야 하는데 내가 좋아하지 않는 일을 한다면 그것만큼 불행한 삶이 어디 있겠는가.
결과적으로 이 책을 읽으면서 내가 왜 코딩을 시작하려 했었는지, 어떤 열정을 가지고 시작했는지에 대해 다시 한번 상기하게 되었던 것 같다. 그리고 앞으로 내가 이런 초심들을 잃지 않고 계속 발전시켜 나갈 수 있을지에 대해 조언을 얻게 된 책인 것 같다.
저번 글에서 머신러닝을 간략하게 살펴보았고, 딥러닝을 이해하기 위한 요소들에 대해 좀 더 자세하게 알아보도록 하자.
1. 선형 회귀(Linear Regression)
딥러닝을 이해하기 위해서는 선형 회귀(Linear Regression)와 로지스틱 회귀(Logistic Regression)를 이해할 필요가 있다. 뿐만 아니라 머신 러닝에서 쓰이는 용어인 가설(Hypothesis), 손실 함수(Loss Function) 그리고 경사 하강법(Gradient Descent)에 대한 개념과 선형 회귀에 대해서 이해합니다.
1.1 선형 회귀란?
시험 공부하는 시간을 늘리면 늘릴 수록 성적이 잘 나온다. 하루에 걷는 횟수를 늘릴 수록, 몸무게는 줄어든다. 집의 평수가 큰 수록, 집의 매매 가격은 비싼 경향이 있다. 이는 수학적으로 생각해보면 어떤 요이의 수치에 따라서 특정 요인의 수치가 영향을 받고 있다고 말할 수 있다. 좀 더 수학적인 표현을 써보면 어떤 변수의 값에 따라 특정 변수의 값이 영향을 받고 있다고 볼 수 있다.
이와 같이 다른 변수의 값을 변하게하는 변수를 x, 변수 x에 의해서 값이 종속적으로 변하는 변수 y라고 해봅시다. 선형 회귀는 한 개 이상의 독립 변수 X와 종속 변수 y의 선형 관계를 모델링한다. 만약 독립 변수 x가 1개라면 단순 선형 회귀라고 한다.
1️⃣ 단순 선형 회귀 분석(Simple Linear Regression Analysis)
$y = Wx + b$
위 수식은 단순 선형 회귀의 수식을 보여준다. 여기서 독립 변수 x와 곱해지는 값 W를 머신 러닝에서는 가중치(weight), 별도로 더해지는 값 b를 편향(bias)이라고 한다. 직선의 방정식에서 각각 직선의 기울기와 절편을 의미한다. W와 B가 없이 y와 x란 수식은 y는 x와 같다는 하나의 식밖에 표현하지 못하므로, W와 b의 값을 적절히 찾아내면 x와 y의 관계를 적절히 모델링한 것이 된다.
2️⃣ 다중 선형 회귀 분석(Multiple Linear Regression Analysis)
$y = W_1x_1 + W_2x_2 + W_3x_3 + ... + W_nx_n + b$
잘 생각해보면 집의 매매 가격은 단순히 집의 평수가 크다고 결정되는 것이 아니라 집의 층 수, 방의 개수, 지하철 역과의 거리와도 영향이 있는 것 같다. 이제 이러한 다수의 요소를 가지고 집의 매매 가격을 예측해보고 싶다. y는 여전히 1개이지만 이제 x는 1개가 아니라 여러 개가 되었다. 이와 같이 여러 독립 변수들을 가지고 회귀 분석을 하는 것을 다중 선형 회귀 분석이라 한다.
1.2 가설(Hypothesis) 세우기
단순 선형 회귀를 이용하여 문제를 풀어보자. 어떤 학생의 공부 시간에 따라 다음과 같은 점수를 얻었다고 가정하고, 좌표 평면에 그려보자.
알고있는 데이터로부터 x와 y의 관계를 유추하고, 이 학생이 6시간, 7시간, 8시간을 공부하였을 때의 성적을 예측해보고 싶다. x와 y의 관계를 유추하기 위해서 수학적으로 식을 세워보게 되는데 머신 러닝에서는 이러한 식을 가설(Hypothesis)이라고 한다. 사실 선형 회귀의 가설은 이미 아래와 같이 널리 알려져있다.
위 그림은 W와 b의 값에 따라서 천차만별로 그려지는 직선의 모습을 보여준다. W는 직선의 기울기고, b는 절편으로 직선을 표현함을 알 수 있다. 결국 선형 회귀는 주어진 데이터로부터 y와 x의 관계를 가장 잘 나타내는 직선을 그리는 일을 말한다.
그러면 어떻게 가장 최적의 직선을 그릴 수 있을까?
1.3 비용 함수(Cost function) : 평균 제곱 오차(MSE)
머신 러닝은 W와 b를 찾기 위해서 실제값과 가설로부터 얻은 예측값의 오차를 계산하는 식을 세우고, 이 식의 값을 최소화하는 최적의 W와 b를 찾아낸다. 이 때 실제값과 예측값에 대한 오차에 대한 식을 목적 함수(Objective function) 또는 비용 함수(Cost function) 또는 손실 함수(Loss function)라고 한다.
비용 함수는 단순히 실제값과 예측값에 대한 오차를 표현하면 되는 것이 아니라, 예측값의 오차를 줄이는 일에 최적화 된 식이어야 한다. 즉, 다양한 문제들에 적합한 비용 함수들이 있다는 것이다. 회귀 문제의 경우에는 주로 평균 제곱 오차(Mean Squared Error, MSE)가 사용된다.
위 그래프에서 그린 직선은 임의로 그린 직선으로 정답이 아니다. 이제 이 직선을 서서히 W와 b의 값을 바꾸면서 정답인 직선을 찾아내야 한다. y와 x의 관계를 가장 잘 나타내는 직선을 그린다는 것은 위의 그림에서 모든 점들과 위치적으로 가장 가까운 직선을 그린다는 것과 같다.
자 그럼 오차를 구해보자. 오차는 주어진 데이터에서 각 x에서의 실제 값 y와 위의 직선에서 예측하고 있는 H(x) 값의 차이를 말한다. 즉 위의 그림에서 빨간 화살표가 각 점에서 오차의 크기를 보여준다. 즉, 이 오차를 줄여가면서 W와 b의 값을 찾아내기 위해 전체 오차의 크기를 구해야 한다.
오차의 크기를 측정하기 위한 가장 기본적인 방법은 각 오차를 모두 더하는 방법이다. 그런데 수식적으로 단순히 '오차 = 실제값 - 예측값'이라 정의한 후에 모든 오차를 더하면 음수 오차도 있고, 양수 오차도 있으므로, 오차의 절대적인 크기를 구할 수가 없다. 그래서 모든 오차를 제곱하여 더하는 방법을 사용한다. 여기서 데이터 개수 만큼 나누어 평균을 구한다. 그리하여 평균 제곱 오차를 구할 수 있다. 수식으로 보면 다음과 같다. $cost(W,b)=\frac{1}{n}\sum^{n}_{i=1}[y^{(i)}-H(x^{(i)})]^2$
모든 점들과의 오차가 클 수록 이 값은 커지고, 오차가 작을 수록 평균 제곱 오차는 작아진다. 결과적으로 이 Cost(W,b)가 최소가 되게 만드는 W와 b를 구하면 y와 x의 관계를 가장 잘 나타내는 직선을 그릴 수 있다.
1.4 옵티마이저(Optimizer) : 경사하강법(Gradient Descent)
선형 회귀를 포함한 수많은 머신 러닝, 딥 러닝의 학습은 결국 비용 함수를 최소화하는 매개 변수인 W와 b를 찾기 위한 작업을 수행한다. 이때 사용되는 알고리즘을 옵티마이저(Optimizer) 또는 최적화 알고리즘이라고 부른다.
이 옵티마이저를 통해 적절한 W와 b를 찾아내는 과정을 머신 러닝에서 학습(traning)이라고 부른다. 가장 기본적인 옵티마이저 알고리즘인 경사 하강법(Gradient Descent)에 대해 알아보자. 그전에 cost와 기울기 W와의 관계를 살펴보면, 아래 그래프를 통해 W가 지나치게 높거나 낮을 때 어떻게 오차가 커지는지 보여준다.
주황색 선은 기울기 W가 20일 때, 초록색 선은 1일 때를 보여준다. 설명의 편의를 위해 편향 b가 없이 단순히 가중치 W만을 사용한 가설을 가지고 경사 하강법을 수행한다고 해보자. 이런 기울기 W와 cost 함수와의 관계를 그래프로 표현하면 아래와 같다.
기울기 W가 무한대로 커지거나 작아진다면 cost 값 또한 무한대로 커진다. 위 그래프에서 cost가 가장 작을 때는 볼록한 부분의 맨 아래 부분이다. 기계는 이 cost가 가장 최소값을 가지게 하는 W를 찾는 일이다.
기계는 임의의 랜덤 W값을 정한 뒤, 맨 아래 볼록한 부분을 향해 점차 W의 값을 수정해 나간다. 이를 가능하게 하는 것이 경사 하강법(Gradient Descent)이며, 수행하기 위해서는 미분을 이해해야 한다. 미분의 개념 중 한 점에서의 순간 변화율 또는 접선에서의 기울기의 개념을 이용한다.
위 그림에서 초록색 선은 W가 임의의 값을 가지게 되는 네 가지의 경우에 대해서, 그래프 상으로 접선의 기울기를 보여준다. 주목할 것은 맨 아래의 볼록한 부분으로 갈수록 접선의 기울기가 점차 작아진다는 점이다. 그렇게 점차 작아지다가 cost가 최소가 되는 지점에서 접선의 기울기가 0이 된다. 즉, 경사하강법의 아이디어는 비용 함수(cost function)를 미분하여 현재 W에서 접선의 기울기를 구하고, 접선의 기울기가 낮은 방향으로 W의 값을 변경하고 이 과정을 접선의 기울기가 0인 곳을 향해 W의 값을 변경하는 작업을 반복하는 것에 있다.
위의 식은 현재 W에서의 접선의 기울기와 $\alpha$를 곱한 값을 현재 W에서 빼서 새로운 W의 값으로 정한다는 것(update)을 의미한다. 여기서 $\alpha$는 학습률(learning rate)이라고 하는데, 우선은 현재 W에서 현재 W의 접선의 기울기를 뺴는 행위가 어떤 의미인지 보자.
위 그림에서 접선의 기울기가 음수일 때, 0일 때, 양수일 때의 경우를 보여준다. 위에서 W 값을 update하는 식을 사용하면 식이 아래와 같이 변형 될 수 있다.
$W := W - \alpha \times (-기울기) = W + \alpha \times (기울기)$
W의 값이 더해지면서 0에 가까운 방향으로 수정됨을 알 수 있다. 반대의 경우는 어떨까? 기울기가 양수일 경우면 다음과 같이 된다.
$W := W - \alpha \times (기울기)$
양수일 때에는 W값이 매우 컷기 때문에 빼준다. 결과적으로 기울기가 0인 방향으로 W값이 조정된다. 그렇다면 여기서 학습률(learning rate)는 무슨 의미일까? 학습률 $\alpha$는 W의 값을 변경할 때, 얼마나 크게 변경할지를 결정한다. 또는 W를 그래프의 한 점으로보고 접선의 기울기가 0일 때까지 경사를 따라 내려간다는 관점에서는 얼마나 큰 폭으로 이동할지를 결정한다.
직관적으로 생각하기에 학습률 $\alpha$의 값을 무작정 크게 하면 금방 기울기가 0이 되는 W를 찾을 수 있을 것 같지만 그렇지 않다.
위 그림은 학습률 $\alpha$가 지나치게 높은 값을 가질 때, 접선의 기울기가 0이 되는 W를 찾아가는 것이 아니라 W의 값이 발산하는 상황을 보여준다. 반대로 학습률이 지나치게 낮은 값을 가지면 학습 속도가 느려지므로 적당한 $\alpha$값을 찾아내는 것도 중요하다.
2. 로지스틱 회귀(Logistic Regression)
일상 속 풀고자하는 많은 문제 중 두 개의 선택지 중에서 정답을 고르는 문제가 많다. 이렇게 둘 중 하나를 결정하는 문제를 이진 분류(Binary Classification)라고 한다. 그리고 이런 문제를 풀기 위한 대표적인 알고리즘으로 로지스틱 회귀(Logistic Regression)가 있다.
2.1 이진 분류(Binary Classification)
앞서 설명한 선형 회귀 챕터에서 공부 시간과 성적 간의 관계를 직성의 방정식으로 표현을 했다. 하지만 이번 문제는 직선으로 표현하는 것이 적절하지 않다.
학생들이 시험 성적에 따라 합격, 불합격이 기재된 데이터가 있다고 가정해보자. 시험 성적이 x라면 합불 결과는 y다. 이 시험의 커트라인은 공개되지 않았는데 이 데이터로부터 특정 점수를 얻었을 때의 합격, 불합격 여부를 판정하는 모델을 만든다고 하자.
이러한 점들을 표현하는 그래프는 알파벳의 S자 형태로 표현된다. 이런 x,y 관계를 표현하기 위해서는 S자 형태로 표현할 수 있는 함수가 필요하다. 또한 실제값 y가 0또는 1이라는 두 가지 값밖에 가지지 않으므로 이 문제를 풀기 위해서 예측값이 0과 1사이의 값을 가지도록 하는 것이 보편적이다. 이 값을 확률로 해석하면 문제를 풀기가 훨씬 용이해진다. 최종 예측값이 0.5보다 작으면 0으로 예측했다고 판단하고, 0.5보다 크면 1로 예측했다고 판단할 수 있기 때문이다.
이 조건들을 충족하는 함수가 있다. 그것은 바로.. 시그모이드 함수(Sigmoid function)이다.
2.2 시그모이드 함수(Sigmoid function)
시그모이드 함수의 방정식부터 살펴보자. 종종 $\sigma$로 축약해서 표현하기도 한다. 이는 위 문제를 풀기 위한 가설식이기도 한다. $H(X) = \frac{1}{1+e^{-(Wx+b)}} = sigmoid(Wx+b) = \sigma(Wx+b)$
여기서 e는 자연 상수다. 여기서 구해야할 것은 여전히 주어진 데이터에 가장 적합한 가중치 W(Weight)와 편향 b(Bias)이다. matplotlib을 이용하여 시그모이드 함수 그래프를 쉽게 그려볼 수 있다.
%matplotlib inline
import numpy as np # 넘파이 사용
import matplotlib.pyplot as plt # 맷플롯립 사용
def sigmoid(x):
return 1/(1+np.exp(-x))
x = np.arange(-5.0, 5.0, 0.1)
y = sigmoid(x)
plt.plot(x, y, 'g')
plt.plot([0,0],[1.0,0.0], ':') # 가운데 점선 추가
plt.title('Sigmoid Function')
plt.show()
위의 그래프는 가중치(W)는 1, 편향(b)은 0임을 가정한 그래프입니다.
여기서 구해야할 가중치 W와 편향 b가 어떤 의미를 가지는지 한 번 그래프를 통해 알아보자.
def sigmoid(x):
return 1/(1+np.exp(-x))
x = np.arange(-5.0, 5.0, 0.1)
y1 = sigmoid(0.5*x)
y2 = sigmoid(x)
y3 = sigmoid(2*x)
plt.plot(x, y1, 'r', linestyle='--') # W의 값이 0.5일때
plt.plot(x, y2, 'g') # W의 값이 1일때
plt.plot(x, y3, 'b', linestyle='--') # W의 값이 2일때
plt.plot([0,0],[1.0,0.0], ':') # 가운데 점선 추가
plt.title('Sigmoid Function')
plt.show()
위 그래프는 W의 값이 0.5일때 빨간색선, 1일때 초록색선, 2일때 파란색선이 나오도록 했다. 그 결과 W 값의 변화를 통해 경사도가 변하는 것을 알 수 있다. 즉 W의 값이 커지면 경사가 커지고, 작아지면 완만해짐을 알 수 있다.
b 값의 변화에도 그래프가 어떻게 변하는지 확인해보자.
def sigmoid(x):
return 1/(1+np.exp(-x))
x = np.arange(-5.0, 5.0, 0.1)
y1 = sigmoid(x+0.5)
y2 = sigmoid(x+1)
y3 = sigmoid(x+1.5)
plt.plot(x, y1, 'r', linestyle='--') # x + 0.5
plt.plot(x, y2, 'g') # x + 1
plt.plot(x, y3, 'b', linestyle='--') # x + 1.5
plt.plot([0,0],[1.0,0.0], ':') # 가운데 점선 추가
plt.title('Sigmoid Function')
plt.show()
b의 값이 0.5 일때 빨간색, 1일 때 초록색, 1.5일때 파란색이다. 중심을 기준으로 봤을 때 좌우로 움직이는 것을 볼 수 있다. 즉 W와 b를 변경하면서 최적의 x와 y의 값을 표현하는 S자 그래프를 찾아가는 것이다. 시그모이드 함수는 입력값이 커지면 1에 수렴하고, 입력값이 작아지면 0에 수렴한다. 그리고 0부터 1까지의 값을 가지므로 출력값이 0.5 이상이면 1(True), 0.5이하면 0(False)로 만들면 이진 분류 문제로 사용할 수 있다. 이를 확률이라고 생각하면 해당 범주에 속할 확률이 50%가 넘으면, 해당 범주라고 판단하고 낮으면, 아니라고 판단한다고도 볼 수 있다.
2.3 비용 함수(Cost Function)
로지스틱 회귀 또한 경사 하강법을 사용하여 가중치 W를 찾아내지만, 비용 함수로는 평균 제곱 오차를 사용하지 않는다. 시그모이드 함수에 비용함수를 평균 제곱 오차로 하여 그래프를 그리면 다음과 비슷한 형태가 되기 때문이다.
로지스틱 회귀에서 평균 제곱 오차를 비용 함수로 사용하면, 경사 하강법을 사용할 때 자칫 잘못하면 찾고자 하는 최소값이 아닌 잘못된 최소값에 빠진다. 이를 전체 함수에 걸쳐 최소값인 글로벌 미니멈(Global minimum)이 아닌 특정 구역에서의 최소값인 로컬 미니멈(Local minimum)에 도달했다고 한다. 이는 cost가 최소가 되는 가중치 W를 찾는다는 비용 함수의 목적에 맞지 않다.
우리의 목표는 위의 미완성 식을 가중치를 최소화하는 적절한 목적 함수를 만드는 것이다. 여기서 J는 목적 함수(objective function)이고, H(x)는 예측값, y는 실제값이다. 시그모이드 함수는 0과 1사이의 y값을 반환한다. 이는 실제값이 0일 때 예측값이 반대인 1에 가까워 질 때 오차가 커짐을 할 수 있다. 이를 반영할 수 있는 함수는 로그 함수를 통해 표현이 가능하다.
👆 log x는 x의 값이 0에 가까울 수록 음의 무한대 값으로 발산하고, 1에 가까울 수록 0에 수렴한다.
$if y = 1 -> cost(H(x),y) = - log(H(x))$ $if y = 0 -> cost(H(x),y) = - log(1-H(x))$
즉 실제값이 1일 때의 예측값인 H(X)의 값이 1이면 오차가 0이므로 당연히 cost는 0이 된다. 반면, H(X)가 0으로 수렴하면 cost는 무한대로 발산한다. 이는 다음과 같이 하나의 식으로 표현할 수 있다.
$cost(H(x),y) = -[ylogH(x) + (1-y)log(1-H(x))]$
자세히 보면 y와 (1-y)가 식 중간에 들어갔고, 두 개의 식을 -로 묶은 것 외에는 기존의 두 식이 들어가 있는 것을 볼 수 있다.
이때 로지스틱 회귀에서 찾아낸 비용함수를 크로스 엔트로피(Cross Entropy)함수라고 한다. 즉, 결론적으로 로지스틱 회귀는 비용 함수로 크로스 엔트로피 함수를 사용하며, 가중치를 찾기 위해서 크로스 엔트로피 함수의 평균을 취한 함수를 사용한다. 크로스 엔트로피 함수는 소프트맥스 회귀의 비용 함수이기도 하다.
➕ cross entropy에 대해..
우선 entropy는 정보량을 의미한다. 불확실성(랜덤성)이 클수록 entropy 값이 커진다고 한다. (+모든 사건이 같은 확률로 일어나는 것이 가장 불확실하다고 한다.)
그럼 cross entropy는 두 가지의 경우에 entropy를 비교하는 것이 아닐까 라는 추측을 조심스래 해본다. 수식으로 먼저 보자. $H(p,q) = \sum_{i} p_i log_2\frac{1}{q_i} = -\sum_{i} p_i log_2 q_i$ 대개 머신러닝에서 cross entropy를 사용할 때, $p_i$ 가 특정 확률에 대한 참값 또는 목표 확률이고, $q_i$가 우리가 예측한 확률 값이 된다. 즉, $q_i$를 학습하고 있는 상태라면 $p_i$에 가까워질수록 cross entropy의 값은 작아지게 된다.
cross entropy는 log loss로 불리기도 한다. cross entropy를 최소화하는 것은 log likeihood를 최대화하는 것과 같기 때문이다. ->아직 이 말이 왜 그런지 이해하진 못했다. 어떤 데이터가 0 또는 1로 predict될 확률은 $\hat{y}, 1-\hat{y}$ 이므로 y가 0과 1의 값만 가질 때 likelihood식을 이렇게 세울 수 있다고 한다. $\hat{y}^y(1-\hat{y})^{(1-y)}$
y=1일 때 $\hat{y}$ 최대화 시켜야하고, y=0일 때는 $(1-\hat{y})$를 최대화시켜야 한다. 여기에 log를 씌우면 다음과 같이 정리 된다. $maximize : y log \hat{y} + (1-y)log(1-\hat{y}) = minimize : -y log \hat{y} + (1-y)log(1-\hat{y})$ 최소화 해야 하는 식은 우리가 방금 살펴본 cross entropy와 똑같은 식이다. 이러한 이유로 log loss라고 부르기도 한다. 또 나아가 자연스럽게 cross entropy는 negative log likelihood로 불리기도 한다.
요약
binary classification에 나오는 logistic regression cost function은 cross entropy 식과 같다.
cross entropy와 log loss, negative log likelihood 다 유사하게 쓰이는 것 같다.
결국 훈련시 cross entropy로 두 확률 분포간의 차이를 loss 값으로 이용하여 파라미터를 수정하는 것 같다.
위 내용은 현재까지 내가 이해한 것이며, 답이 아님을 말하고 싶다. 아직 정확히 내가 이해하지 못하고 적은 것이라 제대로 알게 될 때마다 수정하려고 한다. 잘못된 것이 있다면 참고링크나, 알려주시면 감사하겠습니다~~
