다른 객체 세트를 분류하도록 훈련된 CNN과 3계층 RNN으로 구성된 사전 훈련된 하이브리드 모델이 있습니다. 최소한의 노력으로 새롭지만 관련 있는 분류 작업에 맞게 조정하려면 어떤 조치를 취해야 할까요? (두 가지 선택)

새로운 관련 분류 작업에 최소한의 노력으로 모델을 조정하려면 전이 학습(transfer learning) 기법을 사용해야 합니다. CNN의 경우, 사전 훈련된 CNN은 이미지 특징 추출에 능숙하므로, 마지막 완전 연결 계층(분류 계층)만 새 작업에 맞게 재초기화하고 훈련하는 것이 효율적입니다. 이는 기존 CNN이 학습한 저수준 및 고수준 특징 추출 능력을 재활용하면서 새로운 분류 기준에 맞게 모델을 조정하는 방법입니다. RNN의 경우도 마찬가지로, 시퀀스 데이터의 패턴을 학습한 기존 RNN의 특징 추출 능력을 활용하고, 마지막 계층만 새 예측 작업에 맞게 재초기화하고 전체 모델을 미세 조정하여 새로운 예측을 수행하도록 합니다. 다른 옵션들은 다음과 같은 이유로 비효율적입니다. CNN의 모든 가중치를 재초기화하고 전체 CNN을 재훈련하는 것은 사전 훈련된 모델의 이점을 버리는 것이며, 많은 데이터와 컴퓨팅 자원이 필요합니다. 전체 네트워크의 모든 가중치를 재초기화하고 전체 모델을 재훈련하는 것은 처음부터 모델을 훈련하는 것과 같아 전이 학습의 목적에 부합하지 않습니다. RNN의 모든 가중치를 재초기화하고 전체 모델을 재훈련하는 것 역시 사전 훈련된 RNN의 학습된 시퀀스 패턴 인식 능력을 버리는 것입니다.