docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,158 @@
|
||||
---
|
||||
id: wiki-2026-0508-parameter
|
||||
title: Parameter
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Model Parameter, Weight, Trainable Parameter]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [parameter, weight, hyperparameter, ml-fundamentals]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pytorch
|
||||
---
|
||||
|
||||
# Parameter
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 learned by data vs set by human"**. Parameter = model 이 training 중 학습 (weight, bias). Hyperparameter = 매 human 이 사전 설정 (lr, depth, batch size). 2026 frontier: 매 trillion-parameter models (GPT-5, Claude Opus 4.7) — 매 scale 의 dominant axis.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 parameter vs hyperparameter
|
||||
- **Parameter (θ)**: 매 trainable, gradient descent 의 update target. Examples: W, b in `y = Wx + b`.
|
||||
- **Hyperparameter**: 매 fixed before training, 매 architecture/optim choice. Examples: learning rate, batch size, num_layers, dropout p.
|
||||
- 매 distinction 모호 case: prompt token (soft prompt 시 parameter, hard prompt 시 input).
|
||||
|
||||
### 매 parameter types
|
||||
- **Weights**: matrix multiply coefficients (`W` in `Wx + b`).
|
||||
- **Biases**: additive offsets (`b`).
|
||||
- **Embeddings**: lookup table (vocab × dim).
|
||||
- **LayerNorm γ, β**: scale/shift learned per channel.
|
||||
- **Buffers**: 매 NOT params — running statistics (BatchNorm running_mean), moving averages.
|
||||
|
||||
### 매 modern scale
|
||||
- BERT-base (2018): 110M.
|
||||
- GPT-3 (2020): 175B.
|
||||
- GPT-4 (2023): ~1.7T (rumored MoE).
|
||||
- Llama 3.1 405B (2024): 405B dense.
|
||||
- GPT-5 / Claude Opus 4.7 (2025-2026): trillion-scale, MoE common.
|
||||
- 매 active params (MoE) ≠ total params.
|
||||
|
||||
### 매 응용
|
||||
1. Model size estimation (memory budget).
|
||||
2. Compute budget (Chinchilla scaling: tokens ≈ 20× params).
|
||||
3. Compression (quantization, pruning operate on params).
|
||||
4. Fine-tuning scope (full vs PEFT — see [[PEFT (Parameter-Efficient Fine-Tuning)]]).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Count parameters
|
||||
```python
|
||||
def count_params(model):
|
||||
total = sum(p.numel() for p in model.parameters())
|
||||
trainable = sum(p.numel() for p in model.parameters() if p.requires_grad)
|
||||
return total, trainable
|
||||
|
||||
total, trainable = count_params(model)
|
||||
print(f"Total: {total/1e9:.2f}B, Trainable: {trainable/1e9:.2f}B")
|
||||
```
|
||||
|
||||
### Parameter vs buffer
|
||||
```python
|
||||
import torch.nn as nn
|
||||
|
||||
class MyLayer(nn.Module):
|
||||
def __init__(self):
|
||||
super().__init__()
|
||||
self.weight = nn.Parameter(torch.randn(10, 10)) # trainable
|
||||
self.register_buffer("running_mean", torch.zeros(10)) # NOT trainable
|
||||
```
|
||||
|
||||
### Freeze parameters (transfer learning)
|
||||
```python
|
||||
for p in model.encoder.parameters():
|
||||
p.requires_grad = False # frozen
|
||||
# Only classifier head trains
|
||||
optimizer = torch.optim.Adam(
|
||||
[p for p in model.parameters() if p.requires_grad], lr=1e-4
|
||||
)
|
||||
```
|
||||
|
||||
### Memory estimation
|
||||
```python
|
||||
def model_memory_gb(model, dtype_bytes=2): # bf16
|
||||
n = sum(p.numel() for p in model.parameters())
|
||||
weights = n * dtype_bytes
|
||||
gradients = n * dtype_bytes # if training
|
||||
optimizer = n * 8 # Adam: 2 states × fp32
|
||||
return (weights + gradients + optimizer) / 1e9
|
||||
|
||||
print(f"Training memory: {model_memory_gb(model):.1f} GB")
|
||||
```
|
||||
|
||||
### Hyperparameter search (Optuna)
|
||||
```python
|
||||
import optuna
|
||||
|
||||
def objective(trial):
|
||||
lr = trial.suggest_float("lr", 1e-5, 1e-2, log=True)
|
||||
bs = trial.suggest_categorical("batch_size", [32, 64, 128])
|
||||
layers = trial.suggest_int("num_layers", 2, 8)
|
||||
return train_and_eval(lr=lr, batch_size=bs, num_layers=layers)
|
||||
|
||||
study = optuna.create_study(direction="maximize")
|
||||
study.optimize(objective, n_trials=50)
|
||||
```
|
||||
|
||||
### MoE active params
|
||||
```python
|
||||
# Mixtral 8x7B: 47B total, ~13B active per token (top-2 routing)
|
||||
total = 47e9
|
||||
experts = 8
|
||||
active_per_token = 2
|
||||
shared = 13e9 - (47e9 - 13e9*experts) / experts # rough
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Memory budget plan | Total params × dtype × (1 train, 4 with optim) |
|
||||
| Inference deployment | Total params × dtype (+ KV cache) |
|
||||
| Scaling decision | Chinchilla: tokens ≈ 20 × params |
|
||||
| Compute budget | FLOPs ≈ 6 × params × tokens |
|
||||
| Fine-tuning | PEFT if params > 1B and 1-GPU |
|
||||
|
||||
**기본값**: 매 always report total + trainable params separately.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Machine-Learning]]
|
||||
- 변형: [[Trainable-Parameter]]
|
||||
- 응용: [[LLM_Optimization_and_Deployment_Strategies|Model-Compression]] · [[PEFT (Parameter-Efficient Fine-Tuning)]] · [[LLM_Optimization_and_Deployment_Strategies|Quantization]]
|
||||
- Adjacent: [[Scaling-Laws]] · [[MoE]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 model size discussion, memory planning, fine-tuning scope decision.
|
||||
**언제 X**: 매 high-level user-facing communication (use "model size" instead).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Confusing param ≠ hyperparam**: 매 calling `lr` a parameter.
|
||||
- **Counting frozen as trainable**: 매 reporting 70B "trainable" when only LoRA (0.5%) actually trains.
|
||||
- **Ignoring MoE active vs total**: 매 Mixtral 47B treated as 47B compute (실제 13B per token).
|
||||
- **Memory underestimation**: 매 forgetting optimizer states (8× param size for Adam fp32).
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (PyTorch docs, Kaplan 2020 / Hoffmann 2022 scaling laws).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — parameter vs hyperparameter, modern scale, memory math |
|
||||
Reference in New Issue
Block a user