21. CNN·RNN·LSTM·GRU 유형 문제 80제

재구성 출제 고지: 이 문제들은 국가평생교육진흥원 독학학위제 3단계 딥러닝 출제기준(CNN 연산·대표 구조, RNN·LSTM·GRU 영역)을 근거로 새로 구성한 재구성 문항입니다. 실제 기출 문항을 그대로 옮긴 것이 아니며, “80제”라는 제목은 11·12·13편에서 다루는 이 영역 전체의 문제 은행 규모를 뜻합니다. 이 문서에는 그중 출제 빈도가 높은 핵심 유형 22문항을 골라 전 과정 해설과 함께 싣습니다.

문항 구성

영역	문항 번호	문항 수	관련 편
CNN 연산·크기 계산	1–5	5	11편
대표 CNN 구조 비교	6–10	5	12편
RNN 구조와 한계	11–14	4	13편
LSTM·GRU 게이트 계산·비교	15–22	8	13편

영역 1: CNN 연산·크기 계산 (1–5)

가로세로 32, 채널 3(즉 32×32×3)인 컬러 이미지에 5×5 필터 16개를 스트라이드(stride) 1, 패딩(padding) 0으로 합성곱(convolution)한다.

문제 1

문제 14지선다

이 합성곱을 거친 특징 맵(feature map)의 가로(세로) 크기는?

28273216

문제 2

문제 24지선다

이 합성곱층의 학습 파라미터(가중치+편향) 개수는?

1216120041676

문제 3

같은 5×5 필터를 스트라이드 1, 패딩(padding) 2로 적용한다.

문제 34지선다

패딩을 2로 바꾸면 출력 특징 맵의 크기는?

32 (입력과 동일)283630

문제 4

문제 1의 결과물(28×28×16)에 2×2 최대 풀링(max pooling), 스트라이드 2를 적용한다.

문제 44지선다

풀링을 거친 후의 크기와 이 풀링 층의 학습 파라미터 개수를 순서대로 짝지은 것은?

14×14×16, 파라미터 0개14×14×16, 파라미터 1216개28×28×16, 파라미터 0개14×14×8, 파라미터 0개

문제 5

완전연결(fully connected, FC)층과 합성곱(convolutional)층의 차이에 대한 설명 중 옳지 않은 것을 고르시오.

문제 54지선다

FC층과 합성곱층의 차이에 대한 설명으로 옳지 않은 것은?

합성곱층은 하나의 필터를 이미지 전체 위치에서 공유(weight sharing)하므로 FC층보다 파라미터 수가 훨씬 적다.32×32×3 이미지를 100개 노드의 FC층에 바로 연결하면 파라미터가 30만 개를 넘어갈 수 있다.합성곱층은 필터가 위치를 이동하며 같은 가중치를 재사용하므로 이미지 내 위치가 달라져도 같은 특징을 인식할 수 있다(평행이동 불변성에 가까운 성질).FC층은 입력의 공간적 구조(가까운 픽셀끼리의 관계)를 합성곱층보다 더 잘 보존한다.

영역 2: 대표 CNN 구조 비교 (6–10)

문제 6

문제 64지선다

LeNet에 대한 설명으로 가장 적절한 것은?

합성곱층과 풀링층을 반복해 쌓고 마지막에 완전연결층을 두는 구조로, 손글씨 숫자 인식 등 초기 이미지 인식 문제에 사용된 대표적인 초기 CNN이다.최초로 어텐션(attention) 메커니즘을 도입한 CNN이다.100개가 넘는 층을 쌓아 잔차 연결(residual connection)로 그라디언트 소실을 해결한 구조이다.3×3 필터만 반복해서 쌓아 깊은 네트워크를 구성한 구조이다.

문제 7

AlexNet에 대한 설명 중 옳지 않은 것을 고르시오.

문제 74지선다

AlexNet에 대한 설명으로 옳지 않은 것은?

ImageNet 이미지 분류 대회에서 딥러닝 기반 CNN의 성능을 크게 부각시킨 구조로 꼽힌다.드롭아웃(dropout)을 도입해 완전연결층의 과적합을 줄였다.시그모이드 대신 ReLU 활성화 함수를 사용해 학습 속도를 높였다.시그모이드 활성화 함수를 도입해 학습 속도를 크게 높인 것이 핵심 기여이다.

문제 8

문제 84지선다

VGG가 큰 필터(예: 7×7) 대신 3×3 필터를 여러 번 쌓는 방식을 택한 주된 이유로 가장 적절한 것은?

작은 필터를 여러 층 쌓으면 같은 수용 영역(receptive field)을 더 적은 파라미터와 더 많은 비선형 활성화 함수로 표현할 수 있기 때문이다.3×3 필터가 계산량이 항상 더 크기 때문에 모델을 더 무겁게 만들기 위해서이다.3×3 필터를 쓰면 이미지 크기가 줄어들지 않기 때문이다.3×3 필터는 편향(bias) 파라미터가 없기 때문이다.

문제 9

문제 94지선다

ResNet의 잔차 연결(residual connection, skip connection)이 해결하고자 한 주된 문제는?

네트워크가 매우 깊어질 때 그라디언트가 소실되거나 오히려 성능이 떨어지는 문제(degradation)를 완화하는 것이미지의 색상 정보를 흑백으로 변환하는 것학습 데이터의 개수를 인위적으로 늘리는 것드롭아웃을 대체해 정규화 효과를 완전히 없애는 것

문제 10

문제 104지선다

32×32×3 이미지를 1차원으로 펼쳐(flatten) 100개 노드의 완전연결층에 바로 연결할 때의 파라미터(가중치+편향) 개수는?

30730032003072300000

영역 3: RNN 구조와 한계 (11–14)

문제 11

문제 114지선다

RNN(순환신경망)이 일반적인 순전파 신경망(FFNN)과 구조적으로 가장 크게 다른 점은?

이전 시점의 은닉 상태(hidden state)를 현재 시점의 입력과 함께 사용하는 순환 연결이 있어, 같은 가중치를 모든 시점에서 공유한다.활성화 함수로 반드시 ReLU만 사용해야 한다.입력을 반드시 이미지 형태로만 받을 수 있다.역전파를 전혀 사용하지 않고 학습한다.

문제 12

문제 124지선다

RNN의 시간에 따른 역전파(BPTT, Backpropagation Through Time)에서 시퀀스 길이가 길어질수록 커지는 문제로 가장 적절한 것은?

같은 가중치 행렬이 시점마다 반복해서 곱해지므로, 그 값의 크기에 따라 그라디언트가 소실되거나 폭발할 위험이 커진다.입력 데이터의 개수가 자동으로 줄어든다.모델의 파라미터 개수가 시퀀스 길이에 비례해 늘어난다.활성화 함수가 자동으로 ReLU에서 시그모이드로 바뀐다.

문제 13

문제 134지선다

RNN이 긴 시퀀스에서 초반 정보를 잘 기억하지 못하는 장기 의존성(long-term dependency) 문제를 완화하기 위해 고안된 구조로 가장 적절한 것은?

게이트(gate) 구조를 도입해 정보를 선택적으로 기억·삭제하는 LSTM이나 GRU입력층의 노드 수를 두 배로 늘린 기본 RNN풀링층을 추가한 기본 RNN활성화 함수를 계단 함수로 바꾼 기본 RNN

문제 14

문제 144지선다

그라디언트 폭발(exploding gradient) 문제를 완화하기 위해 실무에서 흔히 쓰는 기법은?

그라디언트 클리핑(gradient clipping)으로 그라디언트의 크기를 일정 범위로 제한한다.학습률을 무한히 크게 키운다.모든 활성화 함수를 계단 함수로 바꾼다.검증 데이터셋을 삭제한다.

영역 4: LSTM·GRU 게이트 계산·비교 (15–22)

문제 15

문제 154지선다

LSTM의 세 가지 게이트와 그 역할을 짝지은 것으로 옳은 것은?

망각 게이트(forget gate)는 이전 셀 상태에서 버릴 정보를 정하고, 입력 게이트(input gate)는 새로 추가할 정보를 정하며, 출력 게이트(output gate)는 셀 상태 중 은닉 상태로 내보낼 부분을 정한다.망각 게이트는 새 정보를 추가하고, 입력 게이트는 정보를 버리며, 출력 게이트는 학습률을 조절한다.LSTM에는 게이트가 하나뿐이며 그 이름은 순환 게이트이다.출력 게이트는 다음 시점의 입력 데이터를 직접 수정한다.

문제 16

어떤 LSTM 셀에서 망각 게이트 출력 $f_t = 0.8$ , 이전 셀 상태 $C_{t-1} = 5$ , 입력 게이트 출력 $i_t = 0.6$ , 후보 셀 상태 $\tilde{C}_t = 2$ 이다.

문제 164지선다

새로운 셀 상태 C_t = f_t * C_(t-1) + i_t * (틸다 C)_t 의 값은?

5.24.671.2

문제 17

문제 16에서 구한 셀 상태에 대해 $\tanh(C_t) = 0.9$ 로 주어졌고, 출력 게이트 출력 $o_t = 0.5$ 이다.

문제 174지선다

이 시점의 은닉 상태 h_t = o_t * tanh(C_t)의 값은?

0.451.40.90.5

문제 18

문제 184지선다

GRU(Gated Recurrent Unit)에 대한 설명으로 옳은 것은?

업데이트 게이트와 리셋 게이트라는 두 게이트만 사용하며, LSTM과 달리 별도의 셀 상태 없이 은닉 상태 하나로 정보를 관리한다.GRU는 게이트를 네 개 사용해 LSTM보다 구조가 더 복잡하다.GRU는 순환 구조가 전혀 없는 순전파 신경망이다.GRU는 망각 게이트, 입력 게이트, 출력 게이트를 모두 LSTM과 동일하게 사용한다.

문제 19

문제 194지선다

LSTM과 GRU를 비교한 설명으로 옳지 않은 것은?

GRU는 일반적으로 LSTM보다 게이트 수가 적어 학습 파라미터 수도 더 적은 경향이 있다.LSTM은 셀 상태와 은닉 상태를 구분해서 관리하지만, GRU는 이 둘을 하나의 은닉 상태로 합쳐 관리한다.GRU는 파라미터가 항상 LSTM보다 많아서 계산이 더 오래 걸린다.두 구조 모두 게이트를 이용해 정보를 선택적으로 기억·삭제함으로써 기본 RNN보다 장기 의존성을 잘 다룬다.

문제 20

문제 204지선다

LSTM 셀 상태(cell state)의 역할로 가장 적절한 것은?

시점을 거치며 정보를 비교적 그대로 유지·전달할 수 있는 별도의 통로 역할을 해, 장기 의존성 정보를 보존하는 데 기여한다.입력 데이터를 이미지로 변환하는 역할을 한다.학습률을 시점마다 자동으로 조정하는 역할을 한다.드롭아웃을 대체해 과적합을 막는 역할을 한다.

문제 21

문제 214지선다

RNN·LSTM·GRU 계열 모델에 대한 설명으로 옳지 않은 것은?

기본 RNN은 은닉 상태 하나만으로 정보를 전달하기 때문에 시퀀스가 길어질수록 초반 정보가 희석되기 쉽다.LSTM과 GRU는 게이트를 도입해 기본 RNN보다 장기 의존성 문제에 강하다.기본 RNN, LSTM, GRU 모두 시점마다 서로 다른 가중치 행렬을 새로 학습해야 한다.LSTM·GRU 모두 시그모이드 함수를 게이트 값 계산에 사용해 0과 1 사이의 값으로 정보의 비율을 조절한다.

문제 22

문제 224지선다

LSTM의 게이트 값을 계산할 때 시그모이드 함수를 사용하는 이유로 가장 적절한 것은?

출력을 0과 1 사이로 제한해 정보를 얼마나 통과시킬지를 비율(0퍼센트에서 100퍼센트 사이)로 자연스럽게 표현할 수 있기 때문이다.시그모이드는 출력이 항상 정수이기 때문이다.시그모이드를 쓰면 그라디언트가 항상 1로 일정하게 유지되기 때문이다.시그모이드는 미분이 필요 없는 함수이기 때문이다.

참고 자료

Stanford CS231n: Convolutional Neural Networks for Visual Recognition — https://cs231n.stanford.edu
Ian Goodfellow 외, Deep Learning (Deep Learning Book) — https://www.deeplearningbook.org