직관 — 실력 점수는 차이만 본다
게임의 실력 점수(체스의 엘로 점수 같은 것)는 두 선수의 점수 차이만 보고 누가 이길 확률이 얼마인지 매긴다. 두 사람에게 똑같이 100점씩 얹어 줘도 그 확률은 그대로다. 차이가 벌어질수록 한쪽으로 쏠리지만, 0이나 1에 닿지는 않는다.
여기서 선수의 점수가 로짓, 이길 확률이 소프트맥스가 내는 확률이다. 모두에게 얹은 100점은 뒤에 나오는 '로짓에 더하는 상수'다. 소프트맥스는 이 계산을 선수 둘에서 후보 개로 넓힌 것이다.
사진이 개·고양이·새 가운데 무엇인지 고르는 분류 모델이 세 후보에 점수 2.0, 1.0, 0.1을 냈다고 하자. 소프트맥스는 이 점수를 약 66%, 24%, 10%라는 확률로 바꾼다. 언어 모델이 다음 낱말을 고를 때도 어휘마다 같은 계산을 한다.
소프트맥스 함수는 점수(로짓)를 합이 1인 확률로 바꾼다
소프트맥스 함수(softmax function)는 모델이 낸 점수(로짓) 개를, 모두 0보다 크고 합이 1인 확률로 바꾸는 함수다. 로짓마다 지수 를 취한 뒤 그 합으로 나눈다.
로짓은 분류 모델이 클래스마다 내는 점수로, 음수여도 합이 1이 아니어도 된다. 로짓 개를 늘어놓은 것이 벡터 이고, 그 안의 숫자 하나 가 성분이다. 결과 는 경우마다 0 이상의 확률을 매기고 합이 1인 확률분포다.
| 기호 | 이름 | 원어 | 뜻 |
|---|---|---|---|
| , | 로짓 | logit | 점수 개를 늘어놓은 벡터 . 이 페이지의 주인공 |
| , | 확률 | probability | 소프트맥스의 출력. 모두 0보다 크고 합이 1 |
| , , | 클래스 수, 클래스 번호 | number of classes, index | 고를 수 있는 답의 개수와, 1부터 까지의 번호. 이 페이지의 예시는 |
| 합 | sum | 부터 까지 차례로 더한다(시그마 페이지) | |
| 지수함수 | exponential function | 의 제곱. 언제나 0보다 크고, 가 1 커지면 배 | |
| 자연로그 | natural logarithm | 밑이 인 로그. 지수함수를 되돌려 다. 교과서의 이고, 상용로그가 아니다(로그 함수 페이지) | |
| 온도 | temperature | 로짓을 나누는 양수(식 (4)). 기본은 . 문헌에 따라 로 쓴다 |
세 클래스(개·고양이·새)의 로짓이 이라 하자. 지수는 , , 이고, 합은 약 11.21이다. 각각을 합으로 나누면 이고, 세 값의 합은 1.000이다.
그림 1은 이 세 단계를 위에서 아래로 쌓은 것이다. 지수를 취해도 크기 순서는 그대로이고, 로짓 차이 1은 지수의 비율 이 된다.
figures/softmax_pipeline.py온도별로 견준 그림 2의 가운데 막대도 이 값이다.
figures/temperature_bars.py확률의 비율은 로짓의 차이만으로 정해진다
두 확률의 비는 두 로짓 차이의 지수다. 예시에서 이라 이다.
식 (1)의 분모가 위아래에서 지워지기 때문이다. 거꾸로 읽으면 로짓의 차이는 확률비의 로그 다. 이니 이다.
식 (1)과 식 (2)에서 세 성질이 나온다. 지수는 0보다 크니 모든 이다. 면 이라 순서가 그대로다. 모든 로짓에 같은 수 를 더해도 차이가 그대로라 비율이 같고, 합이 1이니 확률도 같다.
여기서 는 성분마다 를 더한 벡터다. 거꾸로, 로짓 하나만 1 올린다고 그 확률이 배가 되지는 않는다. 을 2에서 3으로 올리면 은 0.659에서 0.840으로, 약 1.275배다. 분모도 함께 커지기 때문이다.
소프트맥스가 보는 것은 로짓의 차이뿐이다. 두 확률의 비 는 로짓 차이의 지수 다.
소프트맥스는 왜 지수(exp)를 쓰나?
지수는 아무 실수나 0보다 큰 수로 바꾸고, 차이를 비율로 바꾸기 때문이다(). 그래서 식 (2)와 식 (3)이 성립한다. 지수 없이 합으로만 나누면, 은 지만 모두 1을 뺀 는 합이 0.1이라 가 된다.
소프트맥스 온도를 낮추면 왜 가장 큰 로짓이 확률을 독차지하나
로짓을 온도 로 나누면 로짓의 차이가 배가 되고, 식 (2)의 비율이 가 되기 때문이다. 를 0 쪽으로 줄이면 가장 큰 로짓(하나뿐일 때)의 확률이 1로 가고, 를 키우면 모든 확률이 로 간다. 직관의 실력 점수로 말하면, 점수 차이를 몇 점 단위로 재느냐가 온도다.
그림 2의 왼쪽()은 를 식 (1)에 넣은 로 쏠린다. 오른쪽()은 를 넣은 로 펴진다.
그림 3은 를 0.1에서 10까지 올리는 동안의 막대다. 낮은 쪽 끝은 가장 큰 로짓 자리만 1인 원-핫(one-hot) 벡터 에, 높은 쪽 끝은 고른 1/3에 가깝다.
figures/temperature_sweep.pyAI에서 온도는 두 곳에 나온다. 언어 모델 생성 설정의 temperature가 식 (4)의 다(분포에서 샘플링 페이지). 트랜스포머의 어텐션이 내적을 (는 키 벡터의 차원)로 나누는 것도 식 (4)로 보면 온도 자리다(Vaswani 외 2017).
소프트맥스 온도를 올리면 순위가 바뀌나?
아니다. 소프트맥스 온도를 올리거나 내려도 확률의 순위는 그대로다. 양수 로 나누면 로짓의 차이가 모두 같은 비율로 바뀔 뿐이라, 가 0.1에서 10 사이 어디서도 이다(그림 3). 가장 낮은 클래스의 확률은 커지지만(에서 이 0.099에서 0.194로) 앞지르지는 않는다.
소프트맥스 온도를 0으로 하면 어떻게 돼?
소프트맥스 온도 를 정확히 0으로 두면 로짓을 0으로 나누게 되어 값이 정의되지 않는다. 대신 를 0에 가깝게 줄이면 가장 큰 로짓 하나가 1을 가져가는 원-핫에 다가가, 예시에서 면 이다. Hugging Face Transformers는 temperature=0.0에 오류를 내고, 가장 큰 로짓만 고르는 그리디 디코딩(do_sample=False)을 쓰라고 안내한다.
클래스가 둘이면 소프트맥스는 시그모이드다
면 소프트맥스의 은 로짓 차이 의 시그모이드다. 식 (1)의 분자와 분모를 로 나누면 바로 나온다.
| 기호 | 이름 | 원어 | 뜻 |
|---|---|---|---|
| 시그모이드 | sigmoid | . 0과 1 사이의 S자 곡선. 로지스틱 함수라고도 한다 |
그림 4는 이 곡선을 온도별로 그린 것이다(온도가 있으면 ). 가 작을수록 가파르다.
예시의 차이 1.0에서 이면 이다. 클래스가 셋일 때의 0.659와 다르지만, 는 두 경우 모두 정확히 다(식 (2)).
figures/sigmoid_family.py소프트맥스와 시그모이드 차이가 뭐야?
클래스가 둘이면 같은 함수다. 소프트맥스의 이 로짓 차이의 시그모이드 이고(식 (5)), 차이 1.0이면 0.731이다. 그래서 이진 분류는 로짓 하나만 내고 시그모이드를 쓴다. 한 입력에 정답이 여럿일 수 있으면(다중 레이블) 클래스마다 시그모이드를 따로 써서, 확률의 합이 1이 아니어도 된다.
소프트맥스는 max가 아니라 argmax를 부드럽게 한 것이다
소프트맥스가 부드럽게 한 것은 가장 큰 값(max)이 아니라 그 값의 자리, 곧 argmax다. 예시의 argmax는 1번(코드에서는 0부터 세어 0)이고, 그 자리에만 1을 둔 원-핫으로 적으면 이다. 소프트맥스 는 이 원-핫을 매끄럽게 편 것이다. 'soft'는 미분할 수 있게 부드럽다는 뜻이고, 이 이름은 Bridle(1990)에서 나왔다고 알려져 있다.11 Goodfellow 외(6.2.2.3절)는 이 함수를 softargmax라 부르는 편이 낫다고 적는다.
max 자체를 매끄럽게 근사하는 함수는 log-sum-exp(LSE)다. 로그 소프트맥스(log-softmax)가 바로 로짓에서 LSE를 뺀 값이다.
예시에서 이다. 식 (7)대로 max 2.0보다 크고, 보다 작다. 로그 소프트맥스는 로짓마다 2.417을 뺀 이다. LSE를 넘치지 않게 계산하는 법은 로그 함수 페이지에서 다룬다.
LSE를 로 편미분하면 소프트맥스가 나온다. 편미분 는 다른 로짓은 그대로 두고 만 움직일 때의 미분이다(그래디언트 페이지).
그림 5는 클래스가 둘이고 일 때 max와 LSE를 견준다. LSE는 꺾인 max 위를 매끄럽게 지나고, 둘의 간격은 두 로짓이 같은 에서 가장 커도 이다(식 (7)). 에서 LSE의 기울기는 0.731로, 그림 4에서 차이 1.0일 때의 과 같다(식 (8)).
figures/lse_max.pymax를 미분하면(가장 큰 로짓이 하나일 때) 그 자리만 1인 원-핫, 곧 원-핫으로 적은 argmax가 나온다. 같은 식으로, max를 매끄럽게 한 LSE를 미분하면 argmax를 매끄럽게 한 소프트맥스가 나온다. 로짓 하나를 움직일 때 확률 전체가 어떻게 움직이는지, 곧 소프트맥스의 미분은 아래 접힌 식 (9)에 있다.
소프트맥스의 미분(야코비안) — 로짓 하나를 움직이면 확률들이 어떻게 움직이나
는 면 1, 아니면 0이다(크로네커 델타).
식 (6)을 로 미분하고 식 (8)을 쓰면 다. 로그의 미분은 이니, 양변에 를 곱하면 야코비안(편미분을 모은 표)이 나온다.
예시에서 , , 다. 그래서 을 0.01 올리면 은 약 0.0022 오르고, 와 이 합쳐서 그만큼 내려간다. 같은 에 대한 열의 합이 0인 것은 합이 1이라는 조건을, 같은 의 행의 합이 0인 것은 식 (3)을 미분한 것이다.
소프트맥스의 흔한 오해
- 소프트맥스가 0.9를 내면 90% 확률로 맞는다 — 식 (4)로 로짓을 2배로 키우면() 예측은 그대로 클래스 1인데, 이 0.659에서 0.864로 오른다. 확률의 크기는 로짓의 눈금에 달려 있어서, 실제 정답률과 맞추려면 온도 스케일링(temperature scaling) 같은 보정을 따로 한다.
CrossEntropyLoss에 넣기 전에 소프트맥스를 해 둬야 한다 —nn.CrossEntropyLoss는 안에서 log-softmax를 하므로, 확률을 넣으면 소프트맥스가 두 번 걸린다. 정답 확률이 로 줄어, 예시의 손실이 0.417에서 0.802로 바뀐다. 세 클래스면 아무리 학습해도 0.551 아래로 내려가지 못한다(직접 해보기 1). 왜 로짓을 받는지는 로그 함수 페이지의 질문이 답한다.
소프트맥스는 AI에서 어디에 쓰이나
분류 신경망의 마지막 층(출력층)은 클래스마다 로짓 하나를 낸다. 행렬 연산 페이지의 선형층이 그 층이고, 그 페이지의 출력 가 여기의 다. 소프트맥스가 로짓을 확률로 바꾸고, 학습은 교차엔트로피 손실 를 줄인다(교차엔트로피 페이지 — 예정).
이 페이지의 는 정답 자리만 1인 원-핫 벡터라 이고, 식 (6)을 넣으면 다. 소프트맥스와 교차엔트로피를 함께 미분하면, 식 (8) 덕분에 한 줄이 된다.
정답이 클래스 1(개)이면 이다. 손실은 이고, 그래디언트는 다. 역전파가 이 값을 가중치까지 전하고, 경사하강법이 그 반대 방향으로 가중치를 움직인다. 로짓에서 보면 정답 로짓은 올리고 나머지는 내리는 쪽이다.
다중 분류 출력층에는 왜 소프트맥스 함수를 써?
소프트맥스 함수가 클래스별 점수를, 합이 1인 양수 확률로 바꿔 주기 때문이다. 셋 이상에서 하나를 고르는 다중 클래스 분류에서 출력층의 활성화 함수로 쓰면, 출력을 그대로 클래스별 확률로 읽을 수 있다. 예시의 점수 은 개 0.659, 고양이 0.242, 새 0.099가 된다.
트랜스포머의 어텐션도 질의와 키의 내적 표 의 행마다 소프트맥스를 해, 값(value) 벡터를 섞을 가중치를 만든다(행렬 연산 페이지. 굵은 는 키 행렬이고, 클래스 수 와 다르다). 언어 모델은 다음 토큰을 고를 때마다 어휘 수만큼의 로짓을 내고, 소프트맥스가 그것을 토큰별 확률로 바꾼다.
| 이 페이지 | 코드 |
|---|---|
| 식 (1) | torch.softmax(z, dim=-1)(= torch.nn.functional.softmax), scipy.special.softmax(z, axis=-1)(axis를 빼면 배열 전체). dim·axis는 어느 축을 따라 합을 1로 만들지 정한다 |
| 식 (6) | torch.nn.functional.log_softmax(z, dim=-1) — log(softmax(z))를 따로 하지 않고, 최댓값을 뺀 LSE로 식 (6)을 계산한다 |
torch.logsumexp(z, dim=-1), scipy.special.logsumexp(z, axis=-1)(axis를 빼면 배열 전체) | |
nn.CrossEntropyLoss()(z, target)(함수 꼴은 F.cross_entropy(z, target))의 첫 인자. 소프트맥스 전의 로짓이고, target은 정답 클래스 번호(0부터) | |
| 식 (10) | 위 손실에 loss.backward()를 하면 z.grad에 들어오는 값. 모델이 낸 z는 중간 텐서라 z.retain_grad()를 먼저 불러야 남는다. 기본 reduction="mean"이면 배치 크기로 나눈 값 |
torch.softmax(z / tau, dim=-1) — 언어 모델 생성의 temperature | |
어텐션의 torch.softmax(Q @ K.transpose(-2, -1) / d_k ** 0.5, dim=-1) |
소프트맥스가 nan을 낼 때 왜 최댓값을 빼나
로짓이 크면 지수가 inf(무한대)로 넘쳐(오버플로) inf ÷ inf = nan(숫자 아님)이 된다. 식 (3) 덕분에 가장 큰 로짓 을 모두에게서 빼도 결과는 같고, 그러면 지수가 넘치지 않는다(얼마부터 넘치는지는 로그 함수 페이지).
예시에 998을 더한 을 식 (1) 그대로 계산하면 분자와 분모가 모두 inf라 결과가 nan이다. 식 (11)로는 을 빼 의 지수를 쓰니, 결과가 와 같은 다.
최댓값을 빼면 지수가 모두 이하이고, 분모에는 이 하나 들어 있어 0으로 나눌 일도 없다. 반대로 을 그대로 계산하면 지수가 모두 0으로 내려가(언더플로) 0 ÷ 0 = nan이 된다.22 torch.softmax나 scipy.special.softmax 같은 라이브러리 함수는 이 처리를 안에서 한다.
PyTorch에서 소프트맥스를 쓸 때 축과 로그를 조심해야 한다
실무에서 흔히 틀리는 자리는 합을 1로 만들 축과, 확률을 먼저 구한 뒤 로그를 취하는 순서다.
torch.softmax의 dim=-1은 무슨 뜻이야?
torch.softmax의 dim=-1은 합을 1로 만들 축이 마지막 축(클래스)이라는 뜻이다. 예시의 로짓을 두 번 쌓은 2×3 배열에 dim=-1을 주면 행마다 가 나온다. dim=0을 주면 같은 클래스끼리 두 샘플에 걸쳐 합이 1이 되어, 모든 칸이 0.5라는 뜻 없는 값이 된다.
log_softmax(로그 소프트맥스)는 왜 따로 쓰나?
확률을 먼저 구해 로그를 취하면, 아주 작은 확률이 0으로 내려가 가 되기 때문이다. 로짓이 이면 소프트맥스의 는 0이 되지만, log_softmax는 을 그대로 낸다(계산법은 로그 함수 페이지). PyTorch 문서도 NLLLoss 앞에는 소프트맥스가 아니라 log_softmax를 쓰라고 적는다.
코드로 확인하기
코드의 tau를 바꿔 그림 2의 세 막대를 직접 만들어 보자. 출력의 '빼지 않음' 줄이 nan이다.
import numpy as np
def softmax(logits, tau=1.0):
s = logits / tau # 식 (4) 온도
ex = np.exp(s - s.max()) # 식 (11) 최댓값 빼기
return ex / ex.sum() # 식 (1)
logits = np.array([2.0, 1.0, 0.1]) # z
probs = softmax(logits) # p
print("p ", probs.round(3), probs.sum())
print("p1 / p2 ", round(probs[0] / probs[1], 3)) # 식 (2)
print("z + 998 ", softmax(logits + 998).round(3)) # 식 (3)
with np.errstate(over="ignore", invalid="ignore"):
raw = np.exp(logits + 998) # e^1000 = inf
print("빼지 않음", raw / raw.sum())
for tau in (0.5, 1.0, 2.0):
print("tau", tau, " ", softmax(logits, tau).round(3))$ python softmax.py
p [0.659 0.242 0.099] 1.0
p1 / p2 2.718
z + 998 [0.659 0.242 0.099]
빼지 않음 [nan nan nan]
tau 0.5 [0.864 0.117 0.019]
tau 1.0 [0.659 0.242 0.099]
tau 2.0 [0.502 0.304 0.194]직접 해보기
- 로짓 의 소프트맥스를 손으로 구하라. 로짓 은 어떤가?
- 클래스가 둘일 때 가 되려면 는 얼마여야 하나? 온도가 라면?
- 예시 로짓 에서 정답이 클래스 2(고양이)라면, 교차엔트로피 손실과 그래디언트 는?
- 로짓 을 온도 로 소프트맥스하면? 문제 1의 답과 비교하라.
- 로짓 의 LSE를 구하고, 식 (7)의 범위에 드는지 확인하라.
답
- 분모가 이라 다. 은 모두 1을 빼면 이라, 식 (3)대로 같은 값이다. 흔한 오해의 0.551은 정답 자리만 1인 원-핫을
CrossEntropyLoss에 확률로 넣었을 때의 손실 이다. - 식 (2)에서 이니 이다. 면 식 (4)에서 라, 그 두 배인 약 4.394다.
- 이니 손실은 로, 식 (6)의 로그 소프트맥스 에 마이너스를 붙인 값이다. 식 (10)의 그래디언트는 다. 정답 자리만 음수라서 경사하강법은 고양이의 로짓을 올리고 나머지를 내린다.
- 식 (4)대로 로짓을 0.5로 나눈 을 식 (1)에 넣는다. 분모가 라 이다. 순서는 문제 1과 같고, 첫 확률이 0.576에서 0.787로 쏠린다.
- 이다. max 1보다 크고 보다 작아 식 (7)의 범위에 든다. 흔한 오해의 0.551이 바로 이다.
더 읽기
- Deep Learning, 6장 Deep Feedforward Networks — Goodfellow·Bengio·Courville, 2016. 6.2.2.3절이 분류 출력층의 소프트맥스를 다룬다. 로짓을 정규화 안 된 로그 확률로 읽고, log-softmax로 손실을 쓰고, 모든 입력에 같은 수를 더해도 그대로임을 보인다. 같은 책 4장 Numerical Computation의 4.1절은 최댓값을 빼서 소프트맥스를 안정하게 계산하는 법을 예로 든다. '소프트맥스가 nan을 낼 때 왜 최댓값을 빼나' §와 '소프트맥스는 max가 아니라 argmax를 부드럽게 한 것이다' §가 기댄다.
- Probabilistic Interpretation of Feedforward Classification Network Outputs, with Relationships to Statistical Pattern Recognition — J. S. Bridle, 1990. Neurocomputing(NATO ASI Series F68), Springer. 'softmax'라는 이름이 나온 논문으로 알려져 있다. '소프트맥스는 max가 아니라 argmax를 부드럽게 한 것이다' §의 이름 이야기가 기댄다.
- Attention Is All You Need — Vaswani 외, 2017. NeurIPS. 3.2.1절의 scaled dot-product attention이 로 나눈 내적을 소프트맥스하고, 나누는 이유를 짐작한다. 온도 §와 '소프트맥스는 AI에서 어디에 쓰이나' §의 어텐션 문장이 기댄다.
- On Calibration of Modern Neural Networks — Guo·Pleiss·Sun·Weinberger, 2017. ICML. 현대 신경망의 소프트맥스 확률이 실제 정답률보다 높게 나오는 경향을 재고, 로짓을 온도 하나로 나눠 보정하는 온도 스케일링을 제안한다. 흔한 오해 §의 첫 항목이 기댄다.
- torch.nn.CrossEntropyLoss — PyTorch 공식 문서. 입력이 정규화 안 된 로짓이어야 한다고 적고(2.15판에서 확인), 이 손실이
LogSoftmax뒤에NLLLoss를 적용한 것과 같다고 적는다. softmax·log_softmax 문서가dim인자와 log_softmax를 따로 쓰는 이유를 설명한다. 대응표와 흔한 오해 §가 기댄다. - Transformers — generation/logits_process.py — Hugging Face, 2026년 11월에 확인한 소스.
TemperatureLogitsWarper가 양수가 아닌temperature에 오류를 내고, 0.0이면do_sample=False를 쓰라고 안내한다. '소프트맥스 온도를 0으로 하면 어떻게 돼?' 질문이 기댄다.
영상 노트
- 00:00 오프닝 질문 — “로짓 (2.0, 1.0, 0.1)을 확률로 바꾸려면?”
- 00:40 식 (1) 판서와 그림 1 — 지수로 키우고 합으로 나눈다, 손으로 0.659까지
- 02:00 식 (2)·(3) — 비율은 차이만, 차이 1이면 · 실력 점수 비유
- 03:20 식 (4)와 그림 2·3 — 온도를 내리면 원-핫, 올리면 1/3
- 04:40 그림 4 — 클래스가 둘이면 시그모이드
- 05:40 식 (6)~(8)과 그림 5 — log-sum-exp는 max를, 소프트맥스는 argmax를 부드럽게
- 06:50
CrossEntropyLoss에는 로짓을 · 어텐션의 - 08:00 식 (11) — 은 inf, 최댓값을 빼도 그대로 · 마무리
촬영 계획이다. 업로드한 뒤 실제 타임스탬프로 바꾼다.
지도에서의 위치
- 2026-11-04 · 에이전트 초안 (수식 11, 그림 3, 코드랩 1)
- 2026-11-05 · 검수 — 더 읽기 URL 7개·Bridle DOI·PyTorch 2.15 문서와 소프트맥스 커널 확인, Wikidata Q7554146, 선수에 시그마·로그 추가, 시그마·로그 페이지 링크, 그림(SVG·OG 이미지·mp4)을 로컬 글꼴로 다시 생성
- 2026-11-05 · 벡터·행렬 페이지 링크 연결
- 2026-11-05 · 확률분포와 조건부 확률 페이지 링크 연결, 선수를 확률분포(예정)에서 그 페이지로
- 2026-11-05 · 영어판 번역
- 2026-11-05 · 남은 질문 둘을 교차엔트로피 페이지(예정, 온도 보정)와 어텐션 페이지(예정, sparsemax)로 넘김 (영어판도), 선수에 지수 함수·argmax(예정) 연결
- 2026-11-13 · 독자 패널 리뷰 반영 — argmax를 자리(번호)로 고침, 예시에 개·고양이·새, 첫 기호표를 일곱 행으로, 최댓값 빼기 §를 구현 쪽으로 옮기며 식 번호를 다시 매김, 로그 함수 페이지와 겹친 설명을 줄임, 다중 분류·소프트맥스 미분 낱말 (영어판도)
- 2026-11-17 · 전수 검수 반영 — 지수를 거쳐 합으로 나누는 계산 과정 그림과 max·LSE 비교 그림 추가, 그림 번호 다시 매김, 직접 해보기를 다섯 문항으로(교차엔트로피·온도·LSE), 남은 작업 주석 정리 (에이전트 수정, 그림 3→5)
- 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림