조건문과 반복문

📚 학습 목표

이 레슨을 완료하면:

• •for 반복문과 Epoch의 관계를 이해합니다
• •중첩 for 루프와 Batch 처리를 이해합니다
• •if 조건문과 Early Stopping의 연결을 이해합니다
• •while 반복문의 AI 활용 사례를 압니다

---

🎯 핵심 메시지

"AI 학습 = 반복문 안에서 일어나는 마법" 모든 딥러닝 학습은 반복문 안에서 진행됩니다!

---

📖 먼저 알아두기: Epoch와 Batch

AI 학습에서 가장 자주 나오는 두 가지 핵심 용어입니다. 이 레슨 전체에서 계속 등장하니 먼저 확실히 이해하고 넘어가세요!

Epoch (에포크) - "전체 데이터를 1번 다 보는 것"

ChatGPT 같은 AI를 만들려면 수십억 개의 문장을 학습시켜야 합니다. 이 수십억 개의 문장 전체를 처음부터 끝까지 1번 다 보는 것이 1 Epoch입니다.

왜 여러 번 봐야 하나? → 사람도 교과서를 한 번 읽으면 다 이해 못하죠. 반복할수록 패턴을 더 잘 잡아냅니다. 하지만 너무 많이 반복하면 "답을 외워버리는" 문제(과적합)가 생길 수 있어서, 적절한 횟수를 찾는 것이 중요합니다.

Batch (배치) - "한 번에 묶어서 처리하는 단위"

6만 장의 이미지를 한꺼번에 컴퓨터 메모리에 올릴 수 없습니다. 그래서 32장, 64장, 128장씩 묶어서 처리합니다. 이 묶음이 Batch입니다.

실제 현장에서는? → GPU 메모리에 맞는 최대 Batch Size를 찾아 사용합니다. 메모리가 부족하면 Batch Size를 줄이고, 여유가 있으면 늘립니다.

Epoch와 Batch의 관계

예: 데이터 6만 장, Batch Size 32

1 Epoch = 6만 장 전부 1번 보기
        = 32장씩 × 1,875번 처리해야 1 Epoch 완료!
                    ↑ 이것이 Iteration (반복 횟수)

10 Epochs = 이 과정을 10번 반복
          = 총 18,750번의 Batch 처리

---

🔄 1. for 반복문 - AI 학습의 심장

비유: 수학 문제집을 3번 반복해서 풀면 실력이 오르죠? AI도 똑같습니다. 전체 데이터를 여러 번 반복해서 보면 점점 똑똑해집니다. 이 "1번 다 보기"를 Epoch이라고 합니다.

실행해보기: Epoch 시뮬레이션

python
실행복사
# AI 학습 = 데이터를 여러 번 반복해서 보는 것!
# Epoch: 전체 데이터를 1번 다 보는 것

print("📚 수학 문제집 반복 학습 비유")
print("=" * 40)

score = 50  # 처음 실력: 50점

for epoch in range(1, 6):  # 5번 반복 학습
    score = score + (100 - score) * 0.3  # 매번 부족한 만큼 30% 향상
    print(f"Epoch {epoch}/5: 실력 = {score:.1f}점")

print(f"\n결과: 5번 반복하니 {score:.1f}점까지 올랐습니다!")
print("→ AI도 이렇게 데이터를 반복해서 보면 점점 정확해집니다")

---

📦 2. 중첩 for 루프 - Batch 처리

비유: 선생님이 시험지 100장을 채점한다고 생각해보세요. 100장을 한꺼번에 들고 채점할 수 없으니, 10장씩 묶어서 채점합니다. 이 "10장 묶음"이 바로 Batch입니다!

왜 Batch가 필요한가?

용어 정리

실행해보기: Batch 처리 시뮬레이션

python
실행복사
# 시험지 채점 비유로 Batch 처리 이해하기!

total_papers = 20       # 전체 시험지 20장
batch_size = 5          # 5장씩 묶어서 채점
epochs = 3              # 3번 반복 채점 (실수 줄이기 위해)

papers = [f"시험지{i+1}" for i in range(total_papers)]

print(f"📝 전체 시험지: {total_papers}장")
print(f"📦 Batch 크기: {batch_size}장씩 묶음")
print(f"🔄 Epoch: {epochs}번 반복")
print(f"→ 1 Epoch당 {total_papers // batch_size}번 채점 (Iteration)")
print("=" * 50)

for epoch in range(1, epochs + 1):
    print(f"\n🔄 Epoch {epoch}/{epochs}")
    print("-" * 40)

    iteration = 0
    for i in range(0, total_papers, batch_size):
        batch = papers[i:i+batch_size]           # 5장씩 꺼내기
        iteration += 1
        print(f"  Iteration {iteration}: {batch} 채점 완료 ✓")

    print(f"  → Epoch {epoch} 끝! (총 {iteration}번 채점)")

print(f"\n✅ 모든 채점 완료!")
print(f"   총 Iteration 수: {epochs} × {total_papers // batch_size} = {epochs * (total_papers // batch_size)}회")

---

✋ 3. if 조건문 - Early Stopping

비유: 공부를 계속 하는데 성적이 더 이상 안 오른다면? 그만하는 게 맞죠! AI도 마찬가지로, 더 이상 나아지지 않으면 학습을 멈춥니다. 이것을 Early Stopping이라고 합니다.

실행해보기: Early Stopping 시뮬레이션

python
실행복사
# Early Stopping = "더 나아지지 않으면 그만두기"
import random
random.seed(42)

best_score = 0          # 최고 성적
patience = 0            # 연속으로 안 나아진 횟수
max_patience = 3        # 3번 연속 안 나아지면 중단!

print("🎯 Early Stopping 시뮬레이션")
print("규칙: 3번 연속 최고 기록 갱신 못하면 STOP!")
print("=" * 50)

for epoch in range(1, 20):  # 최대 20번 학습
    # 시뮬레이션: 초반엔 잘 오르고, 후반엔 정체
    score = min(50 + epoch * 8 + random.randint(-5, 5), 95)

    if score > best_score:
        best_score = score
        patience = 0
        print(f"Epoch {epoch:2d}: 성적 = {score}점  ✅ 최고 기록 갱신! (저장)")
    else:
        patience += 1
        print(f"Epoch {epoch:2d}: 성적 = {score}점  ⚠️  안 나아짐 ({patience}/{max_patience})")

        if patience >= max_patience:
            print(f"\n🛑 Early Stopping! {epoch}번째에서 중단")
            print(f"   이유: {max_patience}번 연속 최고 기록 갱신 실패")
            break

print(f"\n📊 최종 최고 성적: {best_score}점")
print("→ 실제 AI에서는 '성적' 대신 'loss(오차)'가 줄어드는지 확인합니다")

---

📉 4. 학습률 스케줄링

비유: 목적지를 찾을 때, 처음엔 큰 걸음으로 빠르게 근처까지 간 다음, 작은 걸음으로 정확한 위치를 찾죠? AI의 **학습률(learning rate)**도 이렇게 점점 줄여갑니다.

실행해보기: 학습률 변화 시뮬레이션

python
실행복사
# 학습률 = AI가 한 번에 얼마나 크게 배울지 정하는 값
# 처음엔 크게, 나중엔 작게!

initial_lr = 0.1  # 처음 학습률

print("📉 학습률 스케줄링 시뮬레이션")
print("=" * 50)

for epoch in range(1, 11):
    # 구간별로 학습률 조정
    if epoch <= 3:
        lr = initial_lr                # 초반: 큰 보폭
        phase = "🏃 큰 걸음"
    elif epoch <= 7:
        lr = initial_lr * 0.1          # 중반: 중간 보폭
        phase = "🚶 중간 걸음"
    else:
        lr = initial_lr * 0.01         # 후반: 작은 보폭
        phase = "🐌 작은 걸음"

    print(f"Epoch {epoch:2d}: 학습률 = {lr:.4f}  {phase}")

print("\n→ 학습률이 점점 줄어들어 정밀하게 최적점을 찾습니다!")

---

🔁 5. while 반복문

비유: "95점 넘을 때까지 공부한다!" 처럼, 목표에 도달할 때까지 계속 반복하는 것이 while 반복문입니다. 몇 번 반복할지 미리 모를 때 사용합니다.

실행해보기: 목표 달성까지 반복

python
실행복사
# while = "조건이 만족될 때까지 계속 반복"
import random
random.seed(1)

target = 90    # 목표: 90점
score = 40     # 현재 실력: 40점
epoch = 0

print(f"🎯 목표: {target}점 이상 달성하기!")
print(f"현재 실력: {score}점")
print("=" * 40)

while score < target:  # 90점 넘을 때까지 반복!
    epoch += 1
    improvement = random.randint(3, 15)  # 매번 3~15점 향상
    score = min(score + improvement, 100)
    print(f"Epoch {epoch}: +{improvement}점 향상 → 현재 {score}점")

print(f"\n🎉 목표 달성! {epoch}번 만에 {target}점을 넘었습니다!")
print("→ while은 '몇 번 할지 모르지만, 될 때까지!' 할 때 사용합니다")

---

🧩 종합 예제: AI 학습 전체 과정 시뮬레이션

지금까지 배운 for, 중첩 for, if(Early Stopping), 학습률 스케줄링을 모두 합친 종합 시뮬레이션입니다.

python
실행복사
import random
random.seed(42)

# === 설정 ===
epochs = 15
batch_size = 4
total_data = 12
initial_lr = 0.1
best_loss = float('inf')  # 무한대 (아직 최고 기록 없음)
patience = 0
max_patience = 3

print("🤖 AI 학습 전체 과정 시뮬레이션")
print(f"   데이터: {total_data}개 | Batch: {batch_size}개씩 | 최대 {epochs} Epochs")
print("=" * 55)

loss = 1.0  # 초기 오차

for epoch in range(1, epochs + 1):
    # 1. 학습률 스케줄링
    if epoch <= 5:
        lr = initial_lr
    elif epoch <= 10:
        lr = initial_lr * 0.1
    else:
        lr = initial_lr * 0.01

    # 2. Batch 처리 (중첩 for 루프)
    batch_count = 0
    for i in range(0, total_data, batch_size):
        batch_count += 1
        loss = loss * (0.85 + random.uniform(-0.05, 0.05))  # 시뮬레이션

    # 3. Early Stopping (if 조건문)
    if loss < best_loss:
        best_loss = loss
        patience = 0
        status = "✅ 최고 기록!"
    else:
        patience += 1
        status = f"⚠️  정체 ({patience}/{max_patience})"

    print(f"Epoch {epoch:2d} | lr={lr:.4f} | {batch_count} batches | loss={loss:.4f} | {status}")

    if patience >= max_patience:
        print(f"\n🛑 Early Stopping! (Epoch {epoch}에서 중단)")
        break

print(f"\n📊 최종 결과: 최저 loss = {best_loss:.4f}")
print("\n💡 이 시뮬레이션에서 배운 것:")
print("   • for → Epoch 반복")
print("   • 중첩 for → Batch 단위 처리")
print("   • if → Early Stopping (더 나아지지 않으면 중단)")
print("   • 학습률 → 점점 줄여서 정밀하게 학습")

---

💡 핵심 요약

---

✅ 학습 체크리스트

• • Epoch, Batch, Iteration 구분 가능
• • Early Stopping 코드 이해
• • 학습률 스케줄링 필요성 이해
• • 전체 학습 루프 구조 파악