docs: 한국어 7감정 분류 모델 학습 가이드 추가

- AI Hub 표준 7개 감정 (Ekman 기반) 학습 방법
- 단일/멀티 GPU 학습 명령어
- 온도 보정 및 ONNX 자동 변환
- 예상 학습 시간 (RTX 3060 기준)
- 51124 서버 연동 방법

guides/250808_7감정_학습_가이드.md

@@ -0,0 +1,176 @@
+# 한국어 7감정 분류 모델 학습 가이드
+
+작성일: 2025년 8월 8일  
+작성자: happybell80 & Claude
+
+## 개요
+
+AI Hub 표준 7개 감정(Ekman 기반) 분류 모델 학습을 위한 가이드입니다.
+
+## 7개 감정 카테고리
+
+```
+fear, surprise, anger, sadness, neutral, happiness, disgust
+```
+
+## 데이터 준비
+
+### CSV 형식
+```csv
+text,label
+"오늘 정말 기분이 좋아요!",happiness
+"갑자기 놀랐어요",surprise
+"너무 화가 나요",anger
+```
+
+### 파일 구조
+```
+data/
+├── train.csv    # 학습 데이터
+├── val.csv      # 검증 데이터  
+└── test.csv     # 테스트 데이터
+```
+
+## 학습 명령어
+
+### 단일 GPU (RTX 3060)
+```bash
+python train_korean_emotion.py \
+  --model_name klue/bert-base \
+  --train_csv data/train.csv \
+  --val_csv data/val.csv \
+  --test_csv data/test.csv \
+  --output_dir outputs/kemo-bert-base \
+  --epochs 4 \
+  --batch_size 32 \
+  --max_len 128 \
+  --lr 2e-5 \
+  --fp16
+```
+
+### 멀티 GPU (2×RTX 3060)
+```bash
+accelerate launch train_korean_emotion.py \
+  --model_name klue/bert-base \
+  --train_csv data/train.csv \
+  --val_csv data/val.csv \
+  --test_csv data/test.csv \
+  --output_dir outputs/kemo-bert-base \
+  --epochs 4 \
+  --batch_size 32 \
+  --max_len 128 \
+  --lr 2e-5 \
+  --fp16
+```
+
+## 예상 학습 시간
+
+### 하드웨어: i9 + 32GB RAM + RTX 3060 12GB × 2
+- **단일 GPU**: 3 epochs 25-45분, 5 epochs 45-75분
+- **듀얼 GPU**: 3 epochs 15-30분, 5 epochs 30-50분
+
+## 주요 옵션
+
+- `--use_class_weights`: 클래스 불균형 완화
+- `--export_onnx`: ONNX 변환만 실행
+- `--fp16`: 혼합 정밀도 학습 (메모리 절약)
+
+## 산출물
+
+```
+outputs/kemo-bert-base/
+├── pytorch_model.bin       # 학습된 모델
+├── config.json             # 모델 설정
+├── tokenizer_config.json   # 토크나이저 설정
+├── calibration.json        # 온도 보정값
+├── metrics.json            # 성능 지표
+└── model.onnx             # ONNX 변환 (자동)
+```
+
+## 핵심 특징
+
+### 1. 온도 보정 (Temperature Scaling)
+- 검증 데이터로 자동 캘리브레이션
+- 과신뢰 문제 해결
+- `calibration.json`에 최적 온도 저장
+
+### 2. 평가 지표
+- **Macro F1**: 클래스별 균형 성능
+- **ECE**: 신뢰도 캘리브레이션 오차
+- **Brier Score**: 확률 예측 정확도
+
+### 3. ONNX 자동 변환
+- 학습 완료 후 자동 변환 시도
+- 실패 시 `--export_onnx`로 재실행
+
+## 51124 서버 연동
+
+### 1. 로컬에서 학습 완료 후
+```bash
+# 모델 파일 압축
+tar -czf kemo-bert-base.tar.gz outputs/kemo-bert-base/
+```
+
+### 2. 51124 서버로 전송
+```bash
+scp kemo-bert-base.tar.gz admin@51124:/home/admin/ivada_project/
+```
+
+### 3. 서버에서 ONNX 검증
+```python
+# 이미 .onnx 파일이 있으면 바로 사용
+# 없으면 서버에서 변환
+python convert_to_onnx.py --model_dir outputs/kemo-bert-base
+```
+
+## 추론 시 온도 보정 적용
+
+```python
+import json
+import torch
+
+# 캘리브레이션 로드
+with open("calibration.json") as f:
+    T = json.load(f)["temperature"]
+
+# 추론
+logits = model(inputs)
+calibrated_logits = logits / T
+probs = torch.softmax(calibrated_logits, dim=-1)
+```
+
+## AI Hub 데이터 변환 예시
+
+```python
+import pandas as pd
+
+# AI Hub 형식 → 학습 형식
+df = pd.read_csv("aihub_emotion.csv")
+df_train = pd.DataFrame({
+    "text": df["sentence"],
+    "label": df["emotion"].str.lower()  # 소문자 변환
+})
+df_train.to_csv("data/train.csv", index=False)
+```
+
+## 문제 해결
+
+### CUDA Out of Memory
+- `--batch_size` 줄이기 (32 → 16)
+- `--max_len` 줄이기 (128 → 64)
+- `--fp16` 추가
+
+### ONNX 변환 실패
+```bash
+# 별도 실행
+python train_korean_emotion.py \
+  --export_onnx \
+  --output_dir outputs/kemo-bert-base
+```
+
+## 참고사항
+
+- **모델 선택**: `klue/bert-base` 권장 (한국어 특화)
+- **데이터 크기**: 39,000 문장 기준
+- **최적 epochs**: 3-5 (과적합 주의)
+- **학습률**: 2e-5 (BERT 계열 표준)