cifar10_best.pth 512MB · 로컬 보관cifar10_best.pth (노트북 폴더 기준)| 항목 | 값 |
|---|---|
| 베이스 모델 | torchvision.models.vgg16(weights=VGG16_Weights.DEFAULT) (ImageNet-1k 사전학습) |
| 크기 · 변형 | VGG16, 파라미터 약 1.34억 개 [🚩AI 설명] (torchvision 문서 기준 값, 노트북에서 세지 않음) |
| 리비전 | torchvision 0.29.0+cu126 (uv.lock 기준) |
| 아키텍처 | 합성곱 13층(features, 동결) + 완전연결 3층(classifier). 마지막 층만 Linear(4096, 10)으로 교체 |
| 학습 방식 | 전이학습: features 동결, classifier 3층 학습 [🚩AI 설명] (동결 코드는 features만 대상이라 앞의 두 완전연결층도 학습됨) |
| 프롬프트 · 에이전트 구성 | 해당 없음 |
| 항목 | 값 |
|---|---|
| 확보 방식 | 공개 데이터셋 그대로 |
| 출처 | torchvision.datasets.cifar.CIFAR10(root='./', download=True) |
| 직접 수집 내용 | 해당 없음 |
| 이용 조건 확인 | 해당 없음 (공개 데이터셋) |
| 규모 | train 50,000 / test 10,000 (32×32 컬러) |
| 분할 | train 50,000을 8:2로 나눔: train 40,000 / val 10,000 (시드 42). test는 로더만 만들고 평가하지 않음 |
| 레이블·클래스 분포 | 10개 클래스 (airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck) 각 5,000장 (CIFAR-10 원본) |
| 전처리 | Resize(224) → RandomCrop(224, padding=4) → RandomHorizontalFlip(0.5) → ToTensor → Normalize(mean=(0.4914, 0.4822, 0.4465), std=(0.2470, 0.2435, 0.2616)). 평균·표준편차는 train 5만 장을 쌓아 직접 계산. test에도 같은 증강을 적용 |
| 개인정보·민감정보 처리 | 해당 없음 |
| 항목 | 값 |
|---|---|
| 하이퍼파라미터 | Adam(model.parameters(), lr=3e-3), CrossEntropyLoss, 배치 32 |
| 에폭 / 스텝 | 최대 10 에폭, early stopping(patience 5, val loss 기준) → 8 에폭에서 중단 |
| 학습 시간 | 약 49.6분 (에폭별 tqdm 학습 시간 합: 5:57 ~ 6:46. 검증 시간 제외) |
| 하드웨어 | GPU (device 출력 'cuda'). 장비는 이 컴퓨터의 NVIDIA GeForce RTX 4070 Laptop GPU 8GB로 보이나 노트북에서 직접 확인하지는 않음 [미확인] |
| 프레임워크 | torch 2.14.0+cu126, torchvision 0.29.0, tensorboard 2.21.0 |
| 시드 · 재현 방법 | train/val 분할 random_split(..., generator=torch.Generator().manual_seed(42)). 학습 시드 없음 |
val 10,000장 기준, 노트북 출력과 TensorBoard 값입니다.
| 에폭 | train loss | train acc | val acc |
|---|---|---|---|
| 1 | 2.580 | 0.423 | 0.462 |
| 2 | 2.421 | 0.316 | 0.394 |
| 3 | 2.329 | 0.287 | 0.459 (← cifar10_best.pth) |
| 4 | 2.304 | 0.303 | 0.338 |
| 5 | 2.280 | 0.305 | 0.373 |
| 6 | 2.193 | 0.308 | 0.343 |
| 7 | 2.143 | 0.321 | 0.448 |
| 8 | 2.259 | 0.307 | 0.426 (early stopping) |
val_loss = loss.item()) 배치 수로 나눠서입니다. 그래서 early stopping 기준이 사실상 마지막 배치 손실이었습니다.측정 안 함.
| 장비 | 장비 이름 | 배치 크기 | 지연 시간 (샘플당, p50 / p95) | 처리량 (샘플/초) | 메모리 사용 |
|---|---|---|---|---|---|
| CPU | [미확인] | - | 측정 안 함 | 측정 안 함 | 측정 안 함 |
| GPU | [미확인] | 32 | 측정 안 함 (학습 중 tqdm 3.1 ~ 3.6 it/s) | 측정 안 함 | 측정 안 함 |
data = CIFAR10(root='./', train=True, download=True, transform=ToTensor())
imgs = torch.stack([img[0] for img in data], dim=0).numpy()
print(imgs[:,0].mean(), imgs[:,1].mean(), imgs[:,2].mean())
print(imgs[:,0].std(), imgs[:,1].std(), imgs[:,2].std())0.49139968 0.48215827 0.44653124 0.24703223 0.24348514 0.26158786
from torchvision.models import vgg16, VGG16_Weights
model = vgg16(weights=VGG16_Weights.DEFAULT)
for param in model.features.parameters():
param.requires_grad = False
model.classifier[-1] = nn.Linear(in_features=4096, out_features=10)optim = Adam(model.parameters(), lr=3e-3)
criterion = nn.CrossEntropyLoss()
writer = SummaryWriter(log_dir='runs/cifar10')
epochs, patience = 10, 5
for epoch in range(epochs):
model.train()
for data, label in tqdm.tqdm(train_loader):
optim.zero_grad()
pred = model(data.to(device))
loss = criterion(pred, label.to(device))
loss.backward()
optim.step()
# 검증 → writer.add_scalar(...) → val_loss가 줄면 cifar10_best.pth 저장, 5번 연속 안 줄면 중단Epoch 1 / 10 Train Loss : 2.5797 Train ACC : 0.4228 Val ACC : 0.4622 Best Model Saved!! ... Epoch 8 / 10 Train ACC : 0.3072 Val ACC : 0.4255 Early Stopping
같은 과제·데이터셋으로 학습한 모델이 생기면 여기에서 비교됩니다.