학습 파라미터 (Step 3)

Step 3에서는 결과 체크포인트 이름과 학습 하이퍼파라미터를 정합니다.

1. Checkpoint Name을 입력하고 Training 폼의 하이퍼파라미터를 설정합니다.

   Checkpoint Name은 결과 모델이 저장될 이름입니다. 예: pick_v1_act_2026-04-28.

   하이퍼파라미터 주요 항목:

   • Learning Rate — 보통 1e-4
   • Batch Size — GPU VRAM에 맞춰 (8/16/32 등)
   • Epochs — 보통 100–500
   • (LoRA 등) 정책 타입에 따른 추가 옵션

   📸스크린샷 누락/docs/training/params-01-form.png

   Step 3 파라미터 폼 전체 — Checkpoint Name + Learning Rate / Batch Size / Epochs 등 학습 폼과 하단 Start Training 버튼까지 한 화면에

2. 각 항목 옆의 ? 버튼을 누르면 하이퍼파라미터 도움말 다이얼로그가 열립니다.

   파라미터 라벨 우측에 노란 help_outline 아이콘이 보입니다. 누르면 해당 정책 타입(ACT / Diffusion / PI0 등)에 맞춰 두 단계로 설명이 나옵니다.

   • 쉬운 설명 — 처음 학습하는 분을 위한 직관적 비유와 권장 시작값
   • 자세한 설명 — 수렴/일반화에 미치는 영향, 다른 파라미터와의 상호작용 등 전문 해설
   • 일부 항목은 상단에 주의 박스로 "이 값은 함부로 바꾸지 마세요" 같은 경고가 추가로 표시됩니다.

   정책 타입을 바꾸면 같은 키여도 설명이 갱신됩니다. 다이얼로그 우상단의 닫기 버튼 또는 ESC로 닫습니다.

   📸스크린샷 누락/docs/training/params-02-help-dialog.png

   하이퍼파라미터 도움말 다이얼로그 — 쉬운 설명 / 자세한 설명

3. (선택) 학습 파라미터의 고급 설정을 펼쳐 나머지 항목을 조정합니다.

   Normalization Std Floor (empty = auto) 항목은 정규화 std 하한입니다. 학습 데이터의 액션 · 관측 · 힘을 정규화할 때 표준편차를 이 값보다 작게 잡지 않습니다.

   • 비워 두면 자동 — ForceACT는 1e-4, 그 밖의 정책은 1e-2를 씁니다. 값을 넣을 때는 1 이하의 양수로 넣습니다.
   • 낮출 때 — EE 상대 경로처럼 mm 단위로 조금씩 움직이는 데이터에서 동작이 굼뜨고 작게 학습되면 1e-4로 낮춰 봅니다. 실제 움직임 크기대로 학습됩니다.
   • 이어 학습할 때 — 이 값은 체크포인트의 가중치와 함께 정해지므로 부모 체크포인트를 따릅니다. 체크포인트에서 이어 학습을 고르면 입력칸이 잠기고 부모 체크포인트의 값이 표시되며(비어 있으면 부모가 자동 값으로 학습된 것), 입력칸 아래에 "이어 학습 — 부모 체크포인트 값을 따릅니다"가 나옵니다. 자가학습이 같은 체크포인트를 다시 학습할 때도 그 체크포인트가 학습된 값을 그대로 쓰고, 다른 값은 자동으로 바로잡습니다.
   • 다른 값을 쓰려면 — 모델 영역의 처음부터 학습 (새 브랜치) 버튼을 눌러 새로 학습합니다.
   • 추론 — 따로 설정할 것이 없습니다. 체크포인트가 학습된 값을 함께 가지고 있습니다.

   📸스크린샷 누락/docs/training/params-03-advanced-std-floor.png

   학습 파라미터 — 고급 설정을 펼친 상태, 비어 있는 Normalization Std Floor (empty = auto) 입력칸과 노란 ? 도움말 아이콘