AI › 생성형 AI › LLM › 학습

LoRA저순위 적응 · Low-Rank Adaptation

사전 학습 가중치는 얼려 두고, 가중치 행렬마다 순위 r 의 작은 두 행렬 B · A 를 덧붙여 그 곱 BA 만 학습하는 파라미터 효율 미세 조정 방식이다. 학습 뒤 BA 를 원래 가중치에 더해 합치면 추론 연산이 늘지 않는다.

1요약

  1. LoRA 는 2021년 Hu 등이 낸 파라미터 효율 미세 조정 방식으로, 트랜스포머의 가중치 행렬마다 순위 r 의 두 행렬 B · A 를 곁에 붙여 그 곱만 학습하며, 지시 튜닝 · 도메인 적응 · 과제별 어댑터 교체 서빙이 이 위에서 돈다.
  2. 변화량을 낮은 순위로 묶어도 되는 근거는 고유 차원이다 — RoBERTa 는 무작위 사영한 매개변수 200개만 학습해도 MRPC 에서 전체 성능의 90%에 이르렀고(Aghajanyan 2020 초록), GPT-3 의 Wq · Wv 는 r = 1 로도 WikiSQL 73.4%를 냈다(Hu 2021 표 6).
  3. 「LoRA 가 전체 미세 조정만 못하다」는 학습률 · 배율 · 순위 · 대상 행렬 가운데 어디가 막혔는가로 가른다 — r 을 올려도 그대로면 α / r 배율을, 형식은 맞는데 새 능력이 모자라면 MLP 를 빼고 붙였는지를 본다(Biderman 2024 4.7절).

2등장 배경

2020년 무렵의 질문은 수억 매개변수 모델을 수천 건 데이터로 미세 조정해도 왜 무너지지 않는가였다. 2018년 Li 등은 무작위로 고른 작은 부분공간에서만 학습시켜 해가 처음 나타나는 차원을 고유 차원이라 부르고, 많은 문제의 고유 차원이 매개변수 수보다 훨씬 작음을 보였다(Li 2018 초록). 2020년 Aghajanyan 등은 사전 학습 언어 모델에서 같은 현상을 확인하고, 같은 사전 학습 횟수에서 큰 모델일수록 고유 차원이 작다고 보고했다(Aghajanyan 2020 초록).

2021년 Hu 등은 이 관찰을 «가중치의 변화량도 순위가 낮다»는 가정으로 옮겨 변화량을 ΔW = BA 로 제한했다(Hu 2021 4.1절). GPT-3 에서 학습 매개변수 18M 을 Wq 하나에 r 8 로 몰면 WikiSQL 70.4%, Wq · Wv 둘에 r 4 로 나누면 73.7%여서, 순위를 키우기보다 행렬을 넓게 덮는 편이 나았다(Hu 2021 표 5).

그 뒤 배율을 고친 rsLoRA(2023) · A 와 B 의 학습률을 달리한 LoRA+(2024) · 크기와 방향을 나눈 DoRA(2024)가 나왔고, 기반 모델 한 벌로 어댑터 수천 개를 함께 서빙하는 S-LoRA 가 나왔다(Sheng 2023 초록). 2024년 Biderman 등은 코드 · 수학 과제에서 LoRA 가 전체 미세 조정보다 덜 배우지만 원래 능력을 덜 잊는다고 정리했다(Biderman 2024 초록).

3쉽게 이해하기 — 투어 공연을 맞는 극장 조명 감독

극장에는 조명 64개를 어떻게 켤지 적은 기본 조명표가 있고, 조명 감독은 이 표를 잠가 둔다. 투어 공연팀이 오면 감독은 조명을 하나씩 다시 돌리지 않고, 콘솔에 장면 페이더 몇 개를 단다 — 페이더 하나를 올리면 정해진 무늬대로 여러 조명이 함께 밝아진다. 리허설에서 관객 반응을 보며 페이더 무늬만 고치고, 팀이 바뀌면 페이더 카드만 갈아 끼운다. 오래 머무는 팀이면 그 값을 기본표에 새겨 넣는다.

조명 감독 맞추는 쪽 리허설 감독 학습 절차 공연팀 장면 목록 과제 데이터 조명 콘솔 모델 잠근 기본 조명표 얼린 가중치 W0 장면 페이더 4개 B · A(순위 r = 4) 페이더 감도 배율 α / r 무대 보이는 쪽 무대 조명 장면 출력 h 관객 사용자 · 평가 맞춤 1 켬 2 관객 반응 → 페이더 무늬만 고침 3 공연팀이 바뀔 때 4 페이더 카드 교체 어댑터 교체 5 기본표에 새겨 넣기 병합 W0 + (α / r)BA 페이더 = 여러 조명을 정해진 무늬로 함께 움직이는 손잡이 · 기본표는 잠그고 페이더만 맞춘다

그림 1 · 감독은 잠근 기본 조명표를 두고 장면 페이더 몇 개만 맞춰 공연팀의 장면을 만들고, 팀이 바뀌면 페이더 카드만 바꾼다.

표 잠금기본 조명표는 그대로
페이더 달기무늬 몇 장만 새로
리허설장면 목록대로 맞춤
관객 반응어긋난 만큼 무늬 고침
카드 교체팀마다 페이더만 바꿈
새겨 넣기오래 머물면 표에 합침
비유 — 조명 64개와 페이더 하나 실제 — 64 × 64 행렬의 학습 매개변수 잠근 기본표 8 × 8 + × 가로 무늬 값 8개 세로 무늬 값 8개 페이더 1개 = 세로 값 8개 + 가로 값 8개 = 값 16개 페이더 2개 = 값 32개로 칸 64개가 함께 움직임 페이더 수 = 순위 r ΔW 를 직접 고침 64 × 64 = 4,096개 B · A 만 고침(r = 4) 512개 — 8분의 1 4 × (64 + 64) = 512 매개변수 수 = r × (d + k) r 1 → 128개 · r 16 → 2,048개 d × k 가 아니라 d + k 에 비례 채운 칸 = 잠근 기본값 · 굵은 테두리 = 학습하는 칸 · 막대 길이 = 매개변수 수

그림 2 · 조명 64개를 하나씩 돌리는 대신 페이더 하나가 세로 무늬 × 가로 무늬로 전체를 움직이듯, 64 × 64 행렬도 순위 4 의 두 띠 값 512개로 바꾼다.

비유 속 역할실제 이름실제로 하는 일
잠근 기본 조명표얼린 가중치 W0사전 학습 값을 그대로 두고 기울기를 계산하지 않는다
장면 페이더(개수 = 순위)저순위 행렬 B · A · 순위 r곱 BA 가 W0 와 같은 크기의 변화량이 되고, 바꿀 수 있는 방향은 r 개다
페이더 감도배율 α / r변화량 BAx 를 얼마나 크게 더할지 정한다
공연팀 장면 목록과제 데이터입력과 원하는 출력의 짝이다
관객 반응손실 · 기울기B · A 만 고치는 방향을 알려 준다
페이더 카드 교체어댑터 교체기반 모델 한 벌에 과제별 B · A 만 바꿔 끼운다
기본표에 새겨 넣기병합W0 + (α / r)BA 한 장으로 합쳐 추가 연산 없이 추론한다

⚠ 비유가 맞지 않는 곳: 실제 B · A 는 손으로 정한 무늬가 아니라 기울기로 학습하는 숫자 행렬이고, 처음에는 B 가 0 이라 페이더를 달아도 장면이 바뀌지 않는다. 또 블록 하나에도 행렬이 여럿이라 콘솔이 행렬마다 하나씩 있는 셈이다.

4구조 — 얼린 경로와 저순위 우회로

LoRA 모듈은 입력 x 를 두 경로로 보낸다 — 얼린 W0 를 지나는 원래 경로와, A 로 r 차원까지 줄였다가 B 로 되돌리는 우회로다. 두 출력을 더한 h = W0x + (α / r)BAx 가 다음 연산으로 간다(Hu 2021 식 3 · 4.1절).

LoRA 를 붙인 행렬 하나 — 두 경로 입력 x k = 64 W0 64 × 64 얼림 · 기울기 없음 A r × k B d × r × α / r 가우스 초기화 0 으로 초기화 α = 2r 이면 2 r 차원으로 줄였다가 되돌림 + 출력 h d = 64 W0x (α / r)BAx 병합 = W0 + (α / r)BA 를 한 장으로 계산해 두면 아래 우회로가 사라지고 위 경로 하나만 남는다 채운 상자 = 얼린 값 · 굵은 테두리 = 학습하는 행렬 · 입력 · 출력 색 = 표현 · 결과 · 값 = 사례 설정(d = k = 64)

그림 3 · 입력은 얼린 W0 경로와 A → B 우회로로 갈라졌다가 더해지고, 학습은 우회로의 두 행렬에서만 일어난다.

요소크기역할값 · 근거
W0d × k사전 학습 값 · 얼림학습 매개변수 0 · 병합 전까지 그대로(Hu 2021 4.1절)
Ar × k입력을 r 차원으로 줄임가우스 초기화(Hu 2021 4.1절)
Bd × rr 차원을 d 차원으로 되돌림0 초기화 → 시작 때 BA = 0(Hu 2021 4.1절)
순위 r정수변화량이 가질 수 있는 방향 수 · 학습 매개변수 r(d + k)논문 대부분 8 ~ 64(Biderman 2024 4.1절)
배율 α / r상수BAx 에 곱하는 크기원 논문 = α 를 처음 고른 r 로 고정(Hu 2021 4.1절) · 큰 r 은 α = 2r(Biderman 2024 4.7절)
대상 행렬블록마다B · A 를 붙일 행렬원 논문 = 어텐션만(Hu 2021 4.2절) · 지금은 어텐션 + MLP 전부가 흔함(Biderman 2024 2절)
병합 Wd × kW0 + (α / r)BA추론 연산 증가 0 · 과제를 바꿀 때 빼고 다시 더함(Hu 2021 4.1절)

🔑 LoRA 가 제한하는 것은 바꿀 «값»이 아니라 변화량의 «순위»다 — BA 는 d × k 의 모든 값을 바꾸지만, 바꿀 수 있는 방향은 r 개뿐이다.

5동작 — 순위 4 과제 변화를 LoRA 로 찾기

직접 실행(합성 데이터 · NumPy · 시드 0) 사례다. 사전 학습 대신 무작위로 만든 64 × 64 행렬을 W0 로 두고, 과제가 요구하는 변화 ΔW* 를 순위 4(크기 = W0 의 절반)로 만든 설명용 가정 설정이다.

  1. 과제 만들기 — 입력 x 학습 2,000개 · 시험 500개에 y = (W0 + ΔW*)x + 잡음(σ 0.1)을 붙인다. 잡음 때문에 어떤 방법도 시험 MSE 0.0100 아래로 내려가지 못한다.
  2. 기반 점수 — W0 를 그대로 쓰면 시험 MSE 가 0.2611 이다.
  3. 학습 매개변수 정하기 — r = 4 이면 4 × (64 + 64) = 512개로, 행렬 전체 4,096개의 8분의 1이다.
  4. 초기화 — A 는 가우스, B 는 0 으로 둔다. 첫 학습 손실은 W0 만 쓴 값 0.2636 과 같고, α = 2r 이라 배율은 2 다.
  5. 학습 — Adam(학습률 0.01 · 가정 값)으로 B · A 만 1,500회 갱신한다. W0 는 한 번도 바뀌지 않고, 100회 만에 학습 손실이 0.0100 에 닿는다.
  6. 순위 비교 — 같은 절차를 r 1 · 2 · 8 · 16 으로 되풀이하면 시험 MSE 는 0.1539 · 0.0863 · 0.0102 · 0.0103 이다. r = 4 의 0.0102 가 값 4,096개 전부를 최소 제곱으로 푼 0.0104 보다 낮다(시드 0 ~ 9 에서 r 4 = 0.0100 ~ 0.0102).
  7. 특이값 확인 — r = 16 이 배운 변화량의 특이값은 2.592 · 2.058 · 1.651 · 1.497 다음에 0.033 이하로 떨어진다. 남는 12개 방향은 잡음만 맞춘 것이다.
  8. 병합 — r = 4 결과를 W = W0 + 2BA 한 장으로 합치면 두 경로 출력과의 최대 차이가 2.7 × 10⁻¹⁵ 다. 같은 병합을 fp16 으로 하면 차이가 0.0021 까지 커진다.
1 과제 만들기 W0 64 × 64 과제 변화 순위 4 2 기반 점수 시험 MSE 0.2611 잡음 바닥 0.0100 3 학습 매개변수 r 4 → 512개 전체 4,096개 4 초기화 A 가우스 · B = 0 첫 손실 0.2636 5 학습 B · A 만 1,500회 100회에 0.0100 6 순위 비교 r 1 0.154 · r 2 0.086 r 4 이상 약 0.0102 7 특이값 r 16 의 큰 값 4개 나머지 0.033 이하 8 병합 W0 + 2BA 한 장 fp16 차이 0.0021 데이터 학습 설정 · 학습 평가 직접 실행(합성 데이터 · 시드 0) · MSE = 시험 평균 제곱 오차

그림 4 · 값 4,096개의 8분의 1인 512개만 학습해 잡음 바닥에 닿고, 병합하면 한 장의 행렬로 돌아간다.

순위 r 별 시험 MSE r 16 이 배운 ΔW 의 특이값 0 0.1 0.2 0.2611 0.1539 0.0863 0.0102 0.0102 0.0103 0.0104 기반 r 1 r 2 r 4 r 8 r 16 전체 0개 128 256 512 1,024 2,048 4,096 2.59 2.06 1.65 1.50 0.028 ~ 0.033 1 2 3 4 5 6 7 8 큰 값 4개 = 과제 변화의 순위 아랫줄 = 행렬 하나의 학습 매개변수 수 · 점선 = 잡음 바닥 0.0100 · 굵은 테두리 = 고를 순위 · 전체 = 4,096개 최소 제곱 오른쪽 낮은 막대 = 잡음을 맞춘 방향 · 직접 실행(합성 데이터 · 시드 0)

그림 5 · 시험 오차는 r = 4 에서 잡음 바닥에 닿고 그 뒤로는 줄지 않으며, r = 16 이 배운 변화량도 큰 특이값은 4개뿐이다.

🔑 순위가 과제 변화의 순위에 닿으면 매개변수를 더 줘도 오차는 줄지 않고, 남는 방향은 잡음을 배운다 — r 은 «클수록 안전»이 아니라 «맞으면 충분»이다.

6비교 — LoRA 와 변종(rsLoRA · LoRA+ · DoRA · AdaLoRA)

전체 미세 조정 · 어댑터 · 프롬프트 튜닝과의 비교는 미세 조정이 맡고, 여기서는 LoRA 를 고친 변종끼리 견준다. 4비트로 얼린 W0 위에서 학습하는 QLoRA 는 양자화 쪽 변형이라 미세 조정 · 양자화에서 다룬다.

기준LoRArsLoRALoRA+DoRAAdaLoRA
바꾼 곳원형배율 α / r → α / √rB 학습률 = λ × A 학습률W0 를 크기 · 방향으로 나누고 방향에 LoRA행렬마다 순위를 다르게 · 특이값 가지치기
고친 병목—큰 r 에서 갱신이 작아져 학습이 더딤폭이 넓은 모델에서 같은 학습률의 비효율전체 미세 조정과의 정확도 차이중요도가 다른 행렬에 예산을 똑같이 나눔
보고된 효과GPT-3 Wq · Wv r 1 = WikiSQL 73.4%r 을 키운 만큼 성능이 오르고 추론 비용은 그대로성능 1 ~ 2% 향상 · 학습 속도 최대 2배LLaMA-7B 상식 추론 평균 74.7 → 78.4%낮은 예산에서 차이가 큼
더 정할 것r · α · 대상 행렬같음비 λ(RoBERTa 약 2⁴ · LLaMA 2¹ ~ 2²)크기 벡터(학습 매개변수 0.83 → 0.84%)목표 예산 · 가지치기 일정

근거 — Hu 2021 표 6 · Kalajdzievski 2023 초록 · Hayou 2024 초록 · 5.3절 · Liu 2024 표 1 · Zhang 2023 초록.

분석LoRA 에 α = 2r 로 시작하고, r 을 크게 키울 때는 rsLoRA 배율로, 전체 미세 조정과의 정확도 차이가 남으면 DoRA 로 옮긴다. 근거는 표의 「고친 병목」 행 — 변종마다 고친 곳이 달라 지금 막힌 한 곳(배율 · 학습률 · 표현력 · 예산 배분)만 바꿔야 원인을 가릴 수 있다.

7실무 진단 — LoRA 가 기대만큼 배우지 못할 때

분석학습률 → 배율 · 순위 → 대상 행렬 → 병합 · 서빙 순으로 좁힌다. LoRA 는 전체 미세 조정보다 학습률에 민감하고 최적 학습률이 한 자릿수 높으므로(Biderman 2024 4.7절), 구조를 바꾸기 전에 학습률부터 훑는다.

#증상의심 원인단계확인 자료판정 기준(근거)
1손실이 수백 step 동안 거의 안 내려감학습률이 전체 미세 조정 값 그대로학습 설정학습률 3 ~ 5개 값의 손실 곡선LoRA 최적 학습률 = 전체 조정의 약 10배 · 5e-5 ~ 5e-4(Biderman 2024 4.7절)
2r 을 16 → 256 으로 올려도 점수가 그대로α 고정 · α / r 로 변화량이 줄어듦배율 · 순위r 별 같은 step 의 손실 · 설정의 αα = 2r 또는 α / √r 로 바꾸면 순위 효과가 살아남(Biderman 2024 4.7절 · Kalajdzievski 2023 초록)
3답 형식은 맞는데 코드 · 수학 정답률이 모자람어텐션만 대상 · 낮은 순위대상 행렬대상 모듈 목록 · r 별 정답률어텐션만 대상 < MLP · 전체 대상 · 전체 조정의 변화량 순위는 LoRA 설정의 10 ~ 100배(Biderman 2024 초록 · 4.7절)
4r 을 키울수록 시험 오차가 조금씩 오름남는 순위가 잡음을 학습순위학습한 BA 의 특이값 분포큰 특이값 뒤 급락 = 그 개수가 필요한 순위(사례 단계 7)
5병합한 모델의 출력이 병합 전과 다름낮은 정밀도에서 병합병합같은 입력의 병합 전후 출력 차이fp64 차이 10⁻¹⁵ 대 ↔ fp16 0.0021(사례 단계 8)
6과제별 모델 수백 개를 띄우면 GPU 메모리 부족과제마다 병합한 모델을 한 벌씩 올림서빙올린 모델 수 · 어댑터 크기병합하지 않고 기반 한 벌 + 어댑터 묶음 처리 = GPU 한 장에 어댑터 수천 개(Sheng 2023 초록)

8시험 대비

시험에서는 LoRA 의 원리와 효율을 묻는 정의 · 특징형, 파라미터 효율 미세 조정의 흐름과 변종을 묻는 동향 · 발전형이 나올 수 있다. 정의형은 h = W0x + (α / r)BAx 와 매개변수 수 r(d + k) 를 적고 «값이 아니라 순위를 제한한다»는 한 줄로 효율의 이유를 대며, 동향형은 고유 차원 → LoRA → 변종(배율 · 학습률 · 크기와 방향 · 예산) → 다중 어댑터 서빙 순으로 세운다.

답안 목차
  1. 개요 — 정의 · 필요성(과제마다 모델 한 벌) · 근거 = 고유 차원(매개변수 200개로 90% · Aghajanyan 2020)
  2. 구조 — 그림 3 두 경로(W0 얼림 · A → B 우회로 · α / r) + 초기화(A 가우스 · B = 0)
  3. 원리 — 순위 제한 + 그림 5 순위별 시험 MSE · 특이값(큰 값 4개에서 멈춤)
  4. 절차 — 그림 4 과제 → 초기화 → 학습 → 순위 비교 → 병합(fp16 차이)
  5. 동향 — 변종 비교표(rsLoRA · LoRA+ · DoRA · AdaLoRA) · S-LoRA 다중 어댑터 서빙
  6. 한계와 대응 — 덜 배우고 덜 잊음(Biderman 2024) · 대상 행렬에 MLP 포함 · 학습률 약 10배

꼭 쓸 키워드
저순위 분해고유 차원순위 r배율 αB = 0 초기화병합대상 행렬rsLoRADoRA다중 어댑터 서빙

다른 답안과 차이를 내는 한 가지 — 순위별 시험 오차 그래프 한 장으로 «r 이 과제 변화의 순위에 닿으면 멈춘다»를 보이고, 학습한 BA 의 특이값으로 필요한 순위를 읽는 법까지 적는다.

9오해와 사실

  • 오해순위 r 은 클수록 전체 미세 조정에 가까워져 늘 낫다.
    사실GPT-3 Wq · Wv 에서 r 1 은 73.4%, r 64 는 73.5%로 거의 같았고(Hu 2021 표 6), 배율을 α / r 로 두면 큰 r 이 오히려 덜 배운다(Kalajdzievski 2023 초록).
  • 오해LoRA 는 학습 매개변수가 적을 뿐 전체 미세 조정과 같은 것을 배운다.
    사실코드 · 수학 실험에서 LoRA 는 전체 미세 조정보다 덜 배웠고, 대신 대상 밖 과제의 성능을 더 지켰다(Biderman 2024 초록).
  • 오해LoRA 는 어텐션 행렬에만 붙인다.
    사실원 논문이 어텐션만 다룬 것은 범위를 줄인 선택이고(Hu 2021 4.2절), 뒤 실험에서는 MLP 를 포함한 쪽이 어텐션만 붙인 쪽보다 높았다(Biderman 2024 4.7절).

10핵심 정리

구성 · 설정무엇크기 · 값학습 여부고를 때 보는 것
W0사전 학습 가중치d × k얼림병합 전까지 그대로
A · B저순위 두 행렬r × k · d × r학습A 가우스 · B 0 초기화
순위 r변화량의 방향 수흔히 8 ~ 64설정학습한 BA 특이값이 급락하는 자리
배율α / r(rsLoRA = α / √r)α = 2r 이면 2설정r 을 바꿀 때 함께 바꿈
대상 행렬B · A 를 붙일 곳어텐션 · MLP설정새 능력이 필요하면 MLP 포함
병합W0 + (α / r)BAd × k 한 장—추론 연산 증가 0 · 높은 정밀도에서
다중 어댑터기반 한 벌 + 과제별 B · A과제당 r(d + k) × 행렬 수—병합하지 않고 묶어서 서빙

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ LoRA: Low-Rank Adaptation of Large Language Models (Hu et al.) — h = W0x + BAx 식과 대상 행렬 · 순위 r 실험(표 5 · 표 6)을 볼 때
    arXiv · 2021-06 · arxiv.org/abs/2106.09685 · 확인 2026-11-12
  3. ★ Intrinsic Dimensionality Explains the Effectiveness of Language Model Fine-Tuning (Aghajanyan · Zettlemoyer · Gupta) — 왜 작은 부분공간만 학습해도 되는가(고유 차원)를 볼 때
    arXiv · 2020-12 · arxiv.org/abs/2012.13255 · 확인 2026-11-12
  4. ★ LoRA Learns Less and Forgets Less (Biderman et al. · TMLR 2024) — 전체 미세 조정과의 차이 · 학습률 · 대상 행렬 · α 설정 권고를 볼 때
    arXiv · 2024-05 · arxiv.org/abs/2405.09673 · 확인 2026-11-12
  5. ★ DoRA: Weight-Decomposed Low-Rank Adaptation (Liu et al. · ICML 2024) — 크기 · 방향 분해 변종과 LLaMA-7B 상식 추론 비교(표 1)를 볼 때
    arXiv · 2024-02 · arxiv.org/abs/2402.09353 · 확인 2026-11-12
  6. 본문 근거
  7. Measuring the Intrinsic Dimension of Objective Landscapes (Li et al. · ICLR 2018) — arXiv · 2018-04 · arxiv.org/abs/1804.08838 · 확인 2026-11-12
  8. A Rank Stabilization Scaling Factor for Fine-Tuning with LoRA (Kalajdzievski) — arXiv · 2023-12 · arxiv.org/abs/2312.03732 · 확인 2026-11-12
  9. LoRA+: Efficient Low Rank Adaptation of Large Models (Hayou · Ghosh · Yu · ICML 2024) — arXiv · 2024-02 · arxiv.org/abs/2402.12354 · 확인 2026-11-12
  10. AdaLoRA: Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning (Zhang et al. · ICLR 2023) — arXiv · 2023-03 · arxiv.org/abs/2303.10512 · 확인 2026-11-12
  11. S-LoRA: Serving Thousands of Concurrent LoRA Adapters (Sheng et al.) — arXiv · 2023-11 · arxiv.org/abs/2311.03285 · 확인 2026-11-12
  12. NumPy Random Generator (numpy.random.default_rng) — NumPy · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-12