26. 독학사 3단계 딥러닝 실전 모의고사 1회분

재구성 출제 고지: 이 회차는 국가평생교육진흥원 독학학위제 3단계 딥러닝 최신 출제기준(평가영역) 전체를 근거로 새로 구성한 실전 모의고사입니다. 실제 기출 문항을 그대로 옮긴 것이 아니며, 25·26편과도 중복되지 않는 새로운 숫자와 관점으로 재구성했습니다. 실제 시험의 정확한 문항 수·배점·시간은 응시하는 해의 공고를 반드시 확인하시기 바랍니다.

실전처럼 풀기 위한 안내

시험 진행 방법: 아래 24문항(객관식)과 2문항(서술형)을 실제 시험처럼 중간에 정답을 확인하지 않고 끝까지 풀어보세요. 객관식 1문항당 약 1분 30초, 서술형 1문항당 약 5분을 기준으로 전체 약 50분 안에 마치는 것을 목표로 삼습니다(실제 시험의 문항 수·시간은 공고마다 다르므로 이 시간은 연습용 기준입니다). 다 풀고 나서 해설을 보며 채점하고, 틀린 문항은 관련 편으로 돌아가 다시 확인하세요.

쉽게 말하면: 답안지(OMR)에 옮겨 적는 연습도 실전 감각의 일부입니다. 종이에 1번부터 24번까지 번호를 적어두고 정답 번호만 옮기는 연습을 함께 해보면, 실제 시험장에서 답안지를 잘못 옮기는 실수를 줄일 수 있습니다.

문항 구성 개요

문항 번호	영역	관련 편
1	시험 전략과 문항 유형	04편
2	딥러닝 기본 용어	02편
3	머신러닝과 딥러닝 관계	03편
4	퍼셉트론의 한계	05편
5	활성화 함수(Leaky ReLU)	06편
6	손실 함수(교차엔트로피)	06편
7	순전파 계산	07편
8	역전파와 그라디언트 부호	07편
9	SGD와 Adam 비교	08편
10	모멘텀 개념	08편
11	L1·L2 정규화 비교	09편
12	Dropout의 추론 시 처리	09편
13	배치 정규화의 학습·추론 차이	10편
14	가중치 초기화와 대칭성 문제	10편
15	CNN 출력 크기 계산	11편
16	CNN 파라미터 수 계산	11편
17	ResNet과 VGG 비교	12편
18	RNN의 그라디언트 소실	13편
19	LSTM과 GRU의 파라미터 규모	13편
20	Seq2Seq와 Attention	14편
21	멀티헤드 어텐션	15편
22	GAN의 목적함수	17편
23	전이학습의 학습률 조정	18편
24	F1 점수 계산	19편
서술 1	소프트맥스·교차엔트로피 손실 계산	06·15편
서술 2	혼동행렬 종합 지표 계산	19편

객관식 (1–24)

문제 1

문제 14지선다

독학사 객관식 문제에서 '옳지 않은 것을 고르시오' 유형을 풀 때 가장 권장되는 접근으로 적절한 것은?

보기 4개를 모두 하나씩 옳은 진술인지 확인하고, 그중 틀린 진술 하나를 찾아 표시한다.보기 중 가장 길게 쓰인 것을 무조건 정답으로 고른다.문제를 끝까지 읽지 않고 첫 번째 보기만 보고 바로 답을 정한다.옳지 않은 것을 고르는 문제는 항상 건너뛰고 마지막에 무작위로 찍는다.

문제 2

문제 24지선다

딥러닝에서 '파라미터(parameter)'와 '하이퍼파라미터(hyperparameter)'를 구분하는 기준으로 가장 적절한 것은?

파라미터는 학습 과정에서 데이터로부터 자동으로 갱신되는 값이고, 하이퍼파라미터는 학습을 시작하기 전에 사람이 미리 정해두는 값이다.파라미터와 하이퍼파라미터는 완전히 같은 의미로 아무 차이가 없다.하이퍼파라미터는 학습이 끝난 후에만 생성되는 값이다.파라미터는 항상 정수형 값만 가질 수 있다.

문제 3

문제 34지선다

딥러닝을 머신러닝의 하위 분야로 볼 때, 그 관계를 가장 적절하게 설명한 것은?

딥러닝은 다층 신경망을 중심으로 하는 머신러닝의 한 갈래로, 표현학습을 통해 특징을 자동으로 추출한다는 점이 특징이다.머신러닝은 딥러닝이 등장한 이후 만들어진 더 좁은 개념이다.딥러닝과 머신러닝은 서로 대체 가능한 완전히 같은 개념이다.딥러닝은 머신러닝에 속하지 않는 독립적인 학문 분야이다.

문제 4

문제 44지선다

단일 퍼셉트론으로 XOR 문제를 풀 수 없는 근본적인 이유로 가장 적절한 것은?

단일 퍼셉트론은 하나의 선형 결정 경계만 만들 수 있는데, XOR의 두 클래스는 하나의 직선으로 나눌 수 없는 배치를 이루기 때문이다.XOR 문제는 입력이 너무 많아서 어떤 모델로도 풀 수 없기 때문이다.단일 퍼셉트론은 활성화 함수를 전혀 사용할 수 없기 때문이다.XOR 문제는 원래 정답이 존재하지 않는 문제이기 때문이다.

문제 5

문제 54지선다

Leaky ReLU가 기본 ReLU의 어떤 한계를 보완하기 위해 제안되었는지 가장 적절하게 설명한 것은?

입력이 음수일 때 출력을 완전히 0으로 만들어 그 뉴런의 그라디언트가 0이 되어 버리는 죽은 뉴런(dying ReLU) 문제를, 작은 기울기를 남겨 완화하려 했다.Leaky ReLU는 출력값을 항상 0과 1 사이로 제한하기 위해 제안되었다.Leaky ReLU는 시그모이드보다 계산량이 훨씬 많아 정확도를 높이기 위해 제안되었다.Leaky ReLU는 양수 입력에 대해서도 출력을 0으로 만들기 위해 제안되었다.

문제 6

문제 64지선다

이진 분류(binary classification)에서 사용하는 이진 교차엔트로피(binary cross-entropy) 손실에 대한 설명으로 가장 적절한 것은?

정답이 1인데 모델의 예측 확률이 0에 가까울수록, 또는 정답이 0인데 예측 확률이 1에 가까울수록 손실 값이 매우 커진다.이진 교차엔트로피는 예측 확률과 정답이 얼마나 다르든 항상 같은 손실 값을 준다.이진 교차엔트로피는 회귀 문제에서만 사용할 수 있는 손실 함수이다.이진 교차엔트로피는 예측 확률이 정답과 정확히 같을 때 가장 큰 손실 값을 준다.

문제 7

입력 $x_1 = -1$ , $x_2 = 3$ 이고, 가중치 $w_1 = 0.2$ , $w_2 = 0.1$ , 편향 $b = 0.05$ 인 뉴런이 있다. $\tanh(0.15) \approx 0.149$ 를 이용한다.

문제 74지선다

tanh 활성화 함수를 사용할 때 이 뉴런의 최종 출력값은 약 얼마인가?

0.1490.150.3-0.2

문제 8

문제 84지선다

어떤 뉴런의 예측값이 목표값보다 작을 때, 평균제곱오차 기반 손실의 그라디언트(

\partial L/\partial a = a - y

)의 부호와 그에 따른 경사하강법의 갱신 방향으로 가장 적절한 것은?

그라디언트가 음수가 되고, 경사하강법은 그라디언트의 반대 방향으로 이동하므로 예측값이 커지는 방향으로 파라미터가 갱신된다.그라디언트가 항상 양수가 되어 예측값이 더 작아지는 방향으로 갱신된다.예측값이 목표값보다 작으면 그라디언트는 항상 0이 되어 갱신이 일어나지 않는다.경사하강법은 그라디언트와 같은 방향으로 이동해 예측값이 더 작아진다.

문제 9

문제 94지선다

기본 SGD와 Adam 옵티마이저를 비교한 설명으로 옳지 않은 것은?

Adam은 모든 파라미터에 항상 완전히 동일한 크기의 갱신량을 적용해 학습을 단순화한다.Adam은 그라디언트의 1차·2차 모멘트를 추정해 파라미터별로 학습률을 적응적으로 조절한다.기본 SGD는 모멘트 추정 없이 현재 그라디언트에 학습률만 곱해 파라미터를 갱신한다.Adam은 일반적으로 SGD보다 초기 학습 단계에서 더 빠르게 손실을 줄이는 경향이 있다고 알려져 있다.

문제 10

문제 104지선다

모멘텀(momentum) 항이 경사하강법에서 '관성'처럼 작용한다고 말할 때, 그 의미로 가장 적절한 것은?

과거 여러 스텝의 그라디언트 방향이 누적되어, 현재 그라디언트가 일시적으로 방향을 바꾸어도 갱신 방향이 급격히 바뀌지 않고 이전 방향의 영향을 유지한다.모멘텀은 물리적인 질량을 신경망에 실제로 부여하는 기법이다.모멘텀을 쓰면 그라디언트 계산 자체가 필요 없어진다.모멘텀은 학습이 끝난 뒤 모델을 물리적으로 저장하는 절차이다.

문제 11

문제 114지선다

L1 정규화와 L2 정규화를 비교한 설명으로 가장 적절한 것은?

L1 정규화는 일부 가중치를 정확히 0으로 만들어 희소(sparse)한 모델을 만드는 경향이 있는 반면, L2 정규화는 가중치를 0에 가깝게 줄이되 정확히 0으로 만들지는 않는 경향이 있다.L1과 L2 정규화는 항상 완전히 동일한 방식으로 가중치를 규제한다.L2 정규화는 가중치의 절댓값 합을 페널티로 사용한다.L1 정규화는 가중치의 제곱합을 페널티로 사용한다.

문제 12

문제 124지선다

Dropout을 적용한 모델을 학습이 끝난 뒤 테스트(추론)할 때 흔히 취하는 처리 방식으로 가장 적절한 것은?

모든 뉴런을 사용하는 대신, 학습 시 각 뉴런이 살아있던 비율만큼 출력을 스케일링해 학습 때와 비슷한 기댓값을 유지한다.테스트 시에도 학습 때와 똑같이 무작위로 일부 뉴런을 꺼서 매번 다른 결과를 낸다.테스트 시에는 Dropout 비율을 학습 때보다 항상 더 높게 설정한다.테스트 시에는 모델의 모든 가중치를 0으로 만든다.

문제 13

문제 134지선다

배치 정규화(Batch Normalization)가 학습 시와 추론 시에 사용하는 평균·분산에 대한 설명으로 가장 적절한 것은?

학습 시에는 각 미니배치의 평균·분산을 사용하고, 추론 시에는 학습 중 누적해 온 이동평균(전체 데이터에 대한 추정값)을 사용한다.학습 시와 추론 시 모두 항상 하나의 고정된 상수값만 사용한다.추론 시에는 매번 새로운 미니배치를 만들어 평균·분산을 다시 계산해야 한다.배치 정규화는 추론 시에는 아예 적용하지 않고 완전히 건너뛴다.

문제 14

문제 144지선다

신경망의 모든 가중치를 0으로 초기화했을 때 발생하는 문제로 가장 적절한 것은?

같은 층의 모든 뉴런이 완전히 동일한 그라디언트를 받아 서로 다른 특징을 학습하지 못하는 대칭성(symmetry) 문제가 발생한다.모든 가중치를 0으로 초기화하면 학습이 다른 방법보다 항상 더 빨리 끝난다.모든 가중치를 0으로 초기화하면 그라디언트가 항상 매우 커진다.모든 가중치를 0으로 초기화해도 아무 문제가 생기지 않는다.

문제 15

입력 이미지 크기가 27x27이고, 3x3 필터를 스트라이드 2, 패딩 1로 합성곱한다.

문제 154지선다

합성곱 결과로 만들어지는 특징 맵의 한 변의 크기는?

14132712

문제 16

입력 채널이 16, 필터 크기가 3x3, 출력 채널(필터 개수)이 64, 각 필터마다 편향이 1개 있는 합성곱층이 있다.

문제 164지선다

이 합성곱층의 전체 학습 파라미터 개수는?

9280921614464

문제 17

문제 174지선다

ResNet의 잔차 연결과 VGG의 단순 순차 구조를 비교한 설명으로 가장 적절한 것은?

ResNet은 입력을 몇 개 층 건너뛰어 더하는 지름길을 두어 매우 깊은 층에서도 그라디언트가 잘 전달되게 하지만, VGG는 이런 지름길 없이 층을 순서대로만 쌓는다.VGG는 잔차 연결을 이미 포함하고 있으며 ResNet과 구조가 동일하다.ResNet은 합성곱층을 전혀 사용하지 않는다.VGG는 ResNet보다 항상 더 깊은 층수를 가진다.

문제 18

문제 184지선다

기본 RNN이 긴 시퀀스를 학습할 때 그라디언트 소실(vanishing gradient) 문제를 겪는 이유로 가장 적절한 것은?

시간 역방향으로 그라디언트를 전달할 때 같은 가중치 행렬과 활성화 함수의 미분값이 반복적으로 곱해지면서, 그 값들이 1보다 작으면 그라디언트가 점점 0에 가까워진다.기본 RNN은 애초에 그라디언트를 전혀 계산하지 않기 때문이다.기본 RNN은 입력 데이터의 개수가 항상 무한하기 때문이다.기본 RNN은 활성화 함수를 사용하지 않기 때문이다.

문제 19

문제 194지선다

같은 은닉 상태 크기를 가진 LSTM과 GRU를 비교했을 때, 일반적인 파라미터 규모에 대한 설명으로 가장 적절한 것은?

LSTM은 입력·망각·출력의 세 게이트를 가지는 반면 GRU는 두 개의 게이트만 가지므로, 같은 은닉 상태 크기에서 LSTM의 파라미터 수가 일반적으로 더 많다.GRU는 게이트가 하나도 없어 파라미터가 전혀 없다.LSTM과 GRU는 게이트 개수와 무관하게 항상 정확히 같은 파라미터 수를 가진다.GRU는 항상 LSTM보다 게이트 개수가 더 많다.

문제 20

문제 204지선다

Attention이 없는 기본 Seq2Seq와 Attention을 도입한 Seq2Seq를 비교한 설명으로 가장 적절한 것은?

기본 Seq2Seq는 인코더의 마지막 은닉 상태 하나에만 의존하지만, Attention을 도입하면 디코더가 매 시점 인코더의 모든 은닉 상태를 가중합해 참고할 수 있다.Attention을 도입하면 인코더가 아예 필요 없어진다.Attention을 도입하면 디코더가 더 이상 순차적으로 출력을 생성하지 않아도 된다.기본 Seq2Seq와 Attention 기반 Seq2Seq는 성능 차이가 전혀 없다.

문제 21

문제 214지선다

멀티헤드 어텐션(multi-head attention)에서 여러 개의 헤드를 사용하는 이유로 가장 적절한 것은?

각 헤드가 서로 다른 표현 부분공간에서 어텐션을 계산해, 문법적 관계·의미적 관계 등 다양한 종류의 토큰 간 관계를 동시에 포착할 수 있게 하기 위해서이다.헤드를 여러 개 사용하면 모델의 파라미터 수를 항상 0으로 만들 수 있기 때문이다.헤드를 여러 개 사용하면 위치 인코딩이 필요 없어지기 때문이다.헤드를 여러 개 사용하는 것은 순전히 계산을 느리게 만들기 위한 장치이기 때문이다.

문제 22

문제 224지선다

GAN의 목적함수에서 판별자와 생성자가 서로 반대 방향의 목표를 가진다는 것을 가장 적절하게 설명한 것은?

판별자는 진짜를 진짜로, 가짜를 가짜로 정확히 구별하는 확률을 높이려 하고, 생성자는 판별자가 가짜를 진짜로 착각하게 만드는 확률을 높이려 한다.판별자와 생성자는 완전히 동일한 손실을 함께 최소화하는 협력 관계이다.생성자는 판별자의 파라미터를 직접 수정할 수 있는 권한을 가진다.판별자는 학습이 끝난 뒤에는 더 이상 존재하지 않는 임시 구조이다.

문제 23

문제 234지선다

사전학습된 모델을 전체 미세조정(full fine-tuning)할 때 학습률을 처음부터 학습할 때보다 작게 설정하는 이유로 가장 적절한 것은?

이미 유용한 정보를 담고 있는 사전학습된 가중치가 큰 학습률로 인해 급격히 흔들려 손상되는 것을 막기 위해서이다.학습률을 작게 하면 모델의 파라미터 개수가 줄어들기 때문이다.학습률을 작게 하면 새로운 데이터셋의 클래스 수가 자동으로 줄어들기 때문이다.학습률과 사전학습 여부는 서로 아무 관련이 없기 때문이다.

문제 24

이진 분류 모델을 100개의 테스트 데이터에 적용해 다음 혼동행렬을 얻었다.

구분	예측: 양성	예측: 음성
실제: 양성	TP = 30	FN = 10
실제: 음성	FP = 20	TN = 40

문제 244지선다

이 모델의 F1 점수는 약 얼마인가?

0.6670.750.60.70

서술형 (1–2)

서술형 문제 1: 소프트맥스·교차엔트로피 손실 계산

3개 클래스 분류 문제에서 어떤 데이터의 출력층 로짓이 $z = [1.2, 0.3, -0.5]$ 이고 정답 클래스는 첫 번째 클래스이다. $e^{1.2} \approx 3.32$ , $e^{0.3} \approx 1.35$ , $e^{-0.5} \approx 0.61$ 을 이용해, 소프트맥스 확률을 구하고 이어서 교차엔트로피 손실을 계산하는 전 과정을 서술하시오( $\ln(0.63) \approx -0.462$ 를 이용한다).

모범답안

소프트맥스 분모(정규화 상수) 계산: 세 지수값을 모두 더하면 $3.32 + 1.35 + 0.61 = 5.28$ 입니다.
각 클래스의 소프트맥스 확률 계산: 첫 번째 클래스 확률은 $\dfrac{3.32}{5.28} \approx 0.629$ 이고, 두 번째는 $\dfrac{1.35}{5.28} \approx 0.256$ , 세 번째는 $\dfrac{0.61}{5.28} \approx 0.116$ 입니다. 세 확률의 합은 약 1(0.629+0.256+0.116=1.001, 근사 오차)로, 확률 분포의 조건을 만족합니다.
교차엔트로피 손실 공식: 정답 클래스가 하나뿐인 다중 분류에서 교차엔트로피 손실은 $L = -\ln(p_{정답})$ 입니다. 여기서 $p_{정답}$ 은 정답 클래스에 대한 모델의 예측 확률입니다.
손실 값 계산: 정답 클래스는 첫 번째이므로 $p_{정답} \approx 0.629$ 입니다. $L = -\ln(0.629) \approx -(-0.462) = 0.462$ 입니다.

해석: 정답 클래스에 부여된 확률(0.629)이 1에 비교적 가까울수록 손실이 작아집니다. 만약 모델이 정답 클래스에 아주 낮은 확률(예: 0.05)을 주었다면 $-\ln(0.05) \approx 3.0$ 처럼 손실이 훨씬 크게 나와, 확신을 갖고 틀렸을 때 더 강하게 페널티를 주는 교차엔트로피의 성질을 확인할 수 있습니다.

자주 틀리는 점: 소프트맥스 확률을 구한 뒤 정답 클래스가 아닌 다른 클래스의 확률로 $-\ln$ 을 계산하는 실수, 또는 자연로그 대신 상용로그(밑이 10인 로그)를 사용하는 실수가 흔합니다. 교차엔트로피 손실은 반드시 자연로그( $\ln$ , 밑이 $e$ )를 사용하고, 정답 클래스에 해당하는 확률만 사용합니다.

서술형 문제 2: 혼동행렬 종합 지표 계산

어떤 이진 분류 모델을 100개의 테스트 데이터에 적용해 TP = 45, FP = 15, FN = 5, TN = 35를 얻었다. 정확도, 정밀도, 재현율, F1 점수를 순서대로 계산하고, 이 모델의 성능을 어떻게 해석할 수 있는지 서술하시오.

모범답안

정확도(accuracy): $\dfrac{TP+TN}{TP+FP+FN+TN} = \dfrac{45+35}{100} = \dfrac{80}{100} = 0.80$ 입니다.
정밀도(precision): $\dfrac{TP}{TP+FP} = \dfrac{45}{45+15} = \dfrac{45}{60} = 0.75$ 입니다.
재현율(recall): $\dfrac{TP}{TP+FN} = \dfrac{45}{45+5} = \dfrac{45}{50} = 0.90$ 입니다.
F1 점수: $2 \times \dfrac{0.75 \times 0.90}{0.75+0.90} = 2 \times \dfrac{0.675}{1.65} = \dfrac{1.35}{1.65} \approx 0.818$ 입니다.

해석: 재현율(0.90)이 정밀도(0.75)보다 높다는 것은, 이 모델이 실제 양성 데이터를 놓치는 경우(FN=5)는 상대적으로 적지만, 양성으로 예측한 것 중에는 실제로는 음성인 경우(FP=15)가 어느 정도 섞여 있다는 뜻입니다. 즉 이 모델은 양성을 놓치지 않으려는 경향(재현율 우선)이 있다고 해석할 수 있으며, 질병 진단처럼 양성을 놓치는 비용이 큰 문제에서는 이런 경향이 유리할 수 있습니다.

자주 틀리는 점: 정밀도와 재현율의 분모를 서로 바꾸어 계산하는 실수(정밀도의 분모는 예측이 양성인 것 전체 TP+FP, 재현율의 분모는 실제가 양성인 것 전체 TP+FN)가 매우 흔합니다. “예측 기준(정밀도)“과 “실제 기준(재현율)“이라는 기준의 차이를 각 지표의 이름과 함께 기억해 두면 혼동을 줄일 수 있습니다.

참고 자료

Ian Goodfellow 외, Deep Learning (Deep Learning Book) — https://www.deeplearningbook.org
Stanford CS231n: Convolutional Neural Networks for Visual Recognition — https://cs231n.stanford.edu
scikit-learn 공식 문서(평가지표) — https://scikit-learn.org/stable/
국가평생교육진흥원 독학학위제 — https://bdes.nile.or.kr