★ 이 책이 다루는 내용 ★
■ 파이토치를 이용한 GPU 가속 텐서 연산
■ torchvision와 torchtext를 사용해 이미지용 사용자 정의 데이터셋과 데이터 로더를 만들고 모델을 테스트하는 기법
■ 파이토치로 CNN 아키텍처를 구현해 이미지 분류기 제작
■ RNN, LSTM 및 GRU를 이용해 텍스트 분류 및 언어 모델링 시스템 구축
■ ResNet, Inception, Densenet 같은 고급 CNN 아키텍처를 소개하고, 전이 학습을 이용해 고급 아키텍처 사용
■ 여러 모델을 혼합해 강력한 앙상블 모델 구축
...
더보기
★ 이 책이 다루는 내용 ★
■ 파이토치를 이용한 GPU 가속 텐서 연산
■ torchvision와 torchtext를 사용해 이미지용 사용자 정의 데이터셋과 데이터 로더를 만들고 모델을 테스트하는 기법
■ 파이토치로 CNN 아키텍처를 구현해 이미지 분류기 제작
■ RNN, LSTM 및 GRU를 이용해 텍스트 분류 및 언어 모델링 시스템 구축
■ ResNet, Inception, Densenet 같은 고급 CNN 아키텍처를 소개하고, 전이 학습을 이용해 고급 아키텍처 사용
■ 여러 모델을 혼합해 강력한 앙상블 모델 구축
■ GAN을 사용해 새 이미지를 생성하고 스타일 트랜스퍼를 사용해 예술적 이미지 생성
★ 이 책의 대상 독자 ★
딥러닝에 관심이 있는 엔지니어, 데이터 분석가 및 데이터 과학자 그리고 파이토치를 사용해 고급 알고리즘을 탐색하고 구현하려는 사용자를 대상으로 한다. 이 책을 읽는 데 머신 러닝에 대한 지식은 도움이 되지만 필수는 아니다. 그러나 파이썬 프로그래밍은 다룰 줄 알아야 한다.
★ 이 책의 구성 ★
1장, ‘파이토치 딥러닝 첫걸음’에서는 인공지능(AI, Artificial Intellligence)과 머신 러닝의 역사를 살펴보고 최근의 딥러닝 성장에 대해 알아본다. 하드웨어와 알고리즘의 다양한 개선이 여러 애플리케이션 분야에서 딥러닝을 구현하는 데 얼마나 큰 성공을 가져왔는지에 관해서도 설명한다. 마지막으로 페이스북(Facebook)에서 토치(Torch) 위에 구축한 아름다운 파이토치 파이썬 라이브러리를 소개한다.
2장, ‘신경망 구성 요소’에서는 변수, 텐서 및 nn.module과 같은 파이토치의 구성 요소를 소개한다. 신경망을 개발하는 데 이 구성 요소를 어떻게 사용하는지 알아본다.
3장, ‘신경망 파헤치기’에서는 데이터 준비, 텐서를 배치 처리하기 위한 데이터 로더, 네트워크 아키텍처 생성을 위한 torch.nn 패키지, 파이토치 손실 함수 및 옵티마이저 사용과 같은 신경망을 학습시키는 데 필요한 여러 프로세스를 다룬다.
4장, ‘머신 러닝 입문’에서는 과대적합, 과소적합과 같은 여러 가지 유형의 머신 러닝 문제에 대해 알아본다. 또한 데이터 증식, 드롭아웃, 과대적합을 방지하는 배치 정규화(batch normalization)와 같은 다양한 기법을 소개한다.
★ 옮긴이의 말 ★
2018년에 가장 뜨거웠던 키워드는 아마도 인공지능, 머신 러닝, 딥러닝이라고 생각한다. 이 키워드의 열기는 2019년에도 계속될 것이다. 이 키워드가 큰 관심을 받는 이유는 머신 러닝에 대한 사회적인 관심, 딥러닝의 엄청난 발전 속도 그리고 신기한 능력 때문일 것이다. 아마도 응용 애플리케이션 개발자들은 딥러닝이 구현한 사례를 보면서 그 매력에 끌려 누구나 딥러닝 책 한두 권쯤은 샀을 거라 생각한다.
딥러닝 수학, 통계학, 머신 러닝, 딥러닝 프레임워크 및 인프라 등 여러 분야의 기술과 학문에 걸쳐 있다. 이런 이유로 딥러닝 기술의 전반적인 흐름을 다루는 입문서를 고르기란 어렵다.
이런 의미에서 이 책은 딥러닝 입문서로 적합한 책이다. 우선 예제가 간결하고 이해하기 쉽다. 파이토치 네트워크의 구성 요소를 블록 단위로 처리하기 때문에 이해하기 쉽고 확장하기 편리하다. 또한 수식에 치중하지 않고 직관적인 개념으로 쉽게 설명하고, 딥러닝 구현에 필요한 머신 러닝 개념을 요약해 효과적으로 전달한다. 이러한 구성으로 인해 딥러닝 입문자에게 부담을 줄이고, 반복적인 예제로 파이토치 코드에 익숙해지도록 유도한다.
처음에는 단순한 선형 모델과 회귀 모델로 딥러닝 네트워크를 구성하는 예제로 시작하지만, 파이토치의 빌딩 블록 개념을 이용해 간단한 모델에서 CNN, RNN, LSTM 및 GAN 모델 등 다양한 유형의 확장된 모델을 발전시켜 나간다. 또한 전이 학습(Transfer Learning)을 이용해 CNN과 RNN을 더 빠르게 학습시키는 방법과 VGG, ResNet, Inception, DenseNet 등 최신 모던 아키텍처를 사용하고 전이 학습 및 앙상블 모델로 응용하는 방법까지도 다룬다.
한 권의 입문서에 다양한 내용을 담을 수 있는 것은 파이토치의 힘이다. 파이토치는 공개된 지 2년밖에 안 된 딥러닝 프레임워크지만, 간결성과 유연성 덕분에 딥러닝 분야에서 큰 주목을 받고 있다. 이러한 특징과 함께 복잡한 개념을 빌딩 블록으로 추상화하고, 다양한 유틸리티 기능을 제공하는 파이토치는 딥러닝 입문자에게 가장 적합한 딥러닝 프레임워크라고 생각한다.
딥러닝에 입문하는 분들에게 이 책이 조금이나마 도움이 됐으면 하는 바람으로 이 책을 번역했다.
5장, ‘컴퓨터 비전 딥러닝’에서는 1차원과 2차원 컨볼루션, 맥스 풀링, 평균 풀링, 기본 CNN 아키텍처와 같은 Convolutional Neural Network(CNN)의 구성 요소에 대해 설명한다. 사전에 학습된 모델을 이용하는 전이 학습에 대해 알아보고, 마지막으로 사전 계산된 컨볼루션 피처를 이용해 전이 학습을 더 빠르게 진행하는 기법을 소개한다.
6장, ‘시퀀스 데이터와 텍스트 딥러닝’에서는 IMDB 데이터셋을 텍스트 분류하는 다양한 아키텍처를 소개한다. 워드 임베딩, 사전 학습된 워드 임베딩 사용 방법, RNN, LSTM과 1차원 컨볼루션에 대해 살펴본다.
7장, ‘생성적 신경망’에서는 딥러닝을 이용해 예술적 이미지를 생성하는 방법을 설명한다. 또한 DCGAN을 사용해 새로운 이미지를 생성해보고, 언어 모델을 이용해 텍스트를 생성하는 방법을 알아본다.
8장, ‘모던 네트워크 아키텍처’에서는 최신 컴퓨터 비전 애플리케이션을 지원하는 ResNet, Inception 및 DenseNet과 같은 아키텍처에 대해 알아본다. 언어 번역 및 이미지 캡션과 같은 최신 시스템을 지원하는 인코더-디코더 아키텍처에 대해 간략하게 살펴본다.
9장, ‘마침표 그리고 새로운 시작’에서는 앞에서 무엇을 배웠는지 요약하고 딥러닝 분야에서 지속적으로 최신 정보와 상태를 유지하는 방법을 소개한다.
닫기
![[보라]인싸강사님](https://simage.kyobobook.co.kr/ink/images/prom/2019/Rtree/190808/bn_83.jpg)
![[길 위의 인문학] 소설가 구보 씨의 일일](https://simage.kyobobook.co.kr/ink/images/prom/2019/banner/190906/bn_83.jpg)
![[메모렛] 독도 64G 카드형 USB메모리](http://image.kyobobook.co.kr/newimages/giftshop_new/goods/400/1497/hot1567052293816.jpg)
