TensorFlow 신입 기술면접

Tensor는 다차원 배열을 나타내는 TensorFlow의 기본 데이터 구조입니다. 0차원 Tensor는 스칼라(단일 값), 1차원 Tensor는 벡터(1D 배열), 2차원 Tensor는 행렬(2D 배열)에 해당합니다. 3차원 이상의 고차원 배열도 모두 Tensor로 표현할 수 있으며, 이미지 데이터는 보통 (batch, height, width, channels)의 4차원 Tensor로 표현됩니다. Tensor는 GPU에서의 병렬 연산을 효율적으로 수행하기 위한 구조로 설계되었습니다.

경사하강법은 손실 함수의 기울기(gradient)를 계산하여 기울기의 반대 방향으로 파라미터를 조금씩 업데이트하면서 손실 함수의 최소값을 찾아가는 최적화 알고리즘입니다. 학습률이 너무 크면 최소값을 지나쳐버려 발산하거나 진동하게 되고, 너무 작으면 학습 속도가 매우 느려지거나 local minimum에 갇힐 수 있습니다. 적절한 학습률을 설정하는 것이 모델 학습의 핵심 중 하나입니다. TensorFlow에서는 Adam, RMSprop 같은 adaptive learning rate optimizer를 제공하여 이 문제를 완화합니다.

Sequential 모델은 층을 순차적으로 쌓는 단순한 구조로, 입력에서 출력까지 일직선으로 연결된 모델에 적합합니다. 코드가 간결하고 직관적이어서 초보자가 사용하기 쉽습니다. Functional API는 다중 입력, 다중 출력, 층 공유, 잔차 연결(residual connection) 등 복잡한 구조를 구현할 수 있습니다. ResNet, Inception 같은 복잡한 아키텍처나 멀티태스크 학습 모델을 만들 때는 Functional API를 사용해야 합니다. 실무에서는 프로토타입은 Sequential로 빠르게 만들고, 성능 개선을 위해 복잡한 구조가 필요할 때 Functional API로 전환합니다.

이는 전형적인 과적합(overfitting) 문제입니다. 모델이 학습 데이터에만 지나치게 최적화되어 새로운 데이터에 대한 일반화 성능이 떨어진 상태입니다. 해결 방법으로는 첫째, Dropout이나 L1/L2 정규화를 추가하여 모델의 복잡도를 제한할 수 있습니다. 둘째, 데이터 증강(Data Augmentation)을 통해 학습 데이터의 다양성을 높일 수 있습니다. 셋째, 모델의 층 수나 뉴런 수를 줄여 용량을 감소시키거나, 넷째, Early Stopping을 적용하여 검증 손실이 증가하기 시작할 때 학습을 중단할 수 있습니다. 다섯째, 더 많은 학습 데이터를 수집하는 것도 근본적인 해결책입니다.

이 질문은 STAR 기법으로 답변하시면 좋습니다. Situation(상황): 어떤 개념이나 문제가 어려웠는지 구체적으로 설명합니다. Task(과제): 그것을 이해하거나 해결해야 했던 이유를 말합니다. Action(행동): 공식 문서를 읽거나, 튜토리얼을 따라하거나, 커뮤니티에 질문하거나, 작은 프로젝트를 만들어보는 등 시도한 구체적인 방법들을 설명합니다. Result(결과): 최종적으로 어떻게 이해하게 되었고, 그 과정에서 문제 해결 능력이나 학습 방법에 대해 무엇을 배웠는지 말합니다. 기술적 깊이보다는 능동적인 학습 태도와 문제 해결 과정을 보여주는 것이 중요합니다.