A
약 120초
PyTorch 주로 사용, 소스 코드 직접 읽기로 BatchNorm 등 내부 구조 체득
오픈소스 기반 ML 프레임워크 경험은 주로 PyTorch를 중심으로 쌓았습니다. 처음 이미지 분류 프로젝트에서 TensorFlow도 써봤는데, 동적 그래프 방식이 디버깅 과정에서 직관적이어서 이후에는 PyTorch를 주로 씁니다. 표 형태 데이터는 scikit-learn으로 처리하고, 딥러닝이 필요한 경우에만 넘어가는 방식을 씁니다.
오픈소스를 활용하는 측면에서는 단순히 API를 쓰는 것에 그치지 않고, 공식 문서와 소스 코드를 같이 읽으면서 내부 작동 방식을 이해하려고 합니다. BatchNorm이나 Dropout 같은 레이어를 직접 구현해보면서 동작 원리를 체득했습니다. Hugging Face의 Transformers도 써봤는데, 모델 로드 방식이 표준화돼 있어서 다양한 태스크에 빠르게 적용할 수 있었습니다. 한계는 로우 레벨 최적화는 이론으로만 알고 있습니다.
이 결의 특징
PyTorch를 주로 쓰면서 BatchNorm과 Dropout을 직접 구현해 내부 구조를 체득하고, Hugging Face Transformers를 다양한 태스크에 적용한 경험이 있지만 로우 레벨 최적화는 이론으로만 안다는 한계를 병기한 흔적이 또렷합니다. 도구 선택의 맥락(표 형태 데이터 vs 딥러닝)과 소스 코드 병행 학습 방식이 자주 보이는 결입니다.
이 결이 통하는 자리
프레임워크 선택 이유가 단순 친숙함이 아닌 디버깅 자유도와 연구 코드 읽기 맥락으로 살아 있고, 한계 범위가 명확할 때 통합니다. 소스 코드와 API를 함께 읽는 학습 방식이 구체적인 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.