← Back to Blog

ML / LAB / 2026.08.13

학습률을 읽는 작은 실험실

수식, 그래프, 영상으로 경사하강법의 속도와 안정성을 함께 살펴보는 테스트 아티클.

10 min read3 sections

01 / Question

한 걸음의 크기는 왜 중요할까

경사하강법은 손실을 줄이는 방향으로 조금씩 이동한다. 하지만 그 ‘조금’이 너무 작으면 느리고, 너무 크면 최솟값을 지나쳐 버린다.

이 글은 학습률을 조절하며 반복 횟수와 손실의 변화를 함께 읽기 위한 테스트 공간이다.

Interactive figure

학습률과 손실 곡선

안정적으로 수렴

0.12
Figure 1. 매개변수 조작 → 손실 변화 → 해석의 흐름을 확인하는 테스트 그래프.

02 / Equation

현재 위치에서 기울기만큼 이동하기

업데이트 식은 간결하다. 학습률은 기울기에 곱해져 다음 위치까지의 거리를 결정한다.

같은 기울기라도 학습률이 바뀌면 전혀 다른 학습 경로가 만들어진다.

xt+1=xtηf(xt)x_{t+1} = x_t - \eta \nabla f(x_t)
Equation 1. Gradient descent update rule
수식은 결론이 아니라, 그래프와 함께 읽어야 하는 움직임의 규칙이다.

03 / Watch

움직임을 영상으로 다시 보기

정적인 그림만으로 이해가 어려운 경우, 설명 영상을 곁에 두고 개념과 화면을 오가며 확인할 수 있다.

이 임베드는 글 안의 외부 영상과 넓은 Figure가 모바일에서 어떻게 반응하는지 점검하기 위한 샘플이다.

Video 1. 3Blue1Brown — Gradient descent, how neural networks learn