실전! 파이토치 딥러닝 프로젝트(데이터 사이언스 시리즈 76)
기본 아키텍처부터 글쓰기/작곡, 스타일 전이, 게임, 클라우드와 분산 훈련까지
Regular price
$35.96
Sale price
Regular price
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
파이토치를 활용한 실제 사례를 통해 딥러닝 고급 기법과 알고리즘을 마스터한다!
파이토치(PyTorch)를 활용하면 누구나, 그 어느 때보다 쉽게 딥러닝 애플리케이션을 구축해 AI 혁명에 동참할 수 있다. 이 책은 여러분이 가진 데이터를 최대한 활용해 복잡한 신경망 모델을 구축하는 전문 기술을 익히는 데 도움이 될 것이다.
파이토치의 요점을 정리해서 알아보는 것으로 시작해 이미지를 분류하는 합성곱 신경망(CNN) 아키텍처를 예로 들어 파이토치를 살펴본다. 그런 다음 순환신경망(RNN)과 트랜스포머 아키텍처를 살펴보고 감성분석에 활용한다. 또 생성적 모델을 음악, 텍스트, 이미지 생성 등 다양한 영역에 적용해 봄으로써 생성적 적대 네트워크(GAN) 분야를 탐구한다. 파이토치로 심층 강화학습 모델을 직접 구축하고 훈련시키며, 모델을 운영 환경에 배포하는 전문적인 기술과 팁을 배운다. 대규모 모델을 분산 방식으로 효율적으로 훈련시키고, AutoML을 사용해 신경망 아키텍처를 효과적으로 검색하고, 파이토치와 fast.ai로 모델을 빠르게 프로토타이핑하는 방법을 익힌다.
이 책을 모두 읽은 후에는 파이토치로 복잡한 딥러닝 작업을 수행해 스마트한 인공지능 모델을 구축할 수 있게 될 것이다.
★ 이 책에서 다루는 내용 ★
◎ 파이토치로 텍스트 생성 모델과 작곡 모델을 구현
◎ 파이토치로 심층 Q-네트워크(DQN) 모델을 구축
◎ ONNX(머신러닝 모델용 오픈소스 범용 포맷)를 활용해 범용 파이토치 모델 내보내기
◎ fast.ai와 파이토치를 이용해 빠르게 프로토타이핑하는 방법
◎ AutoML로 신경망 아키텍처를 효과적으로 검색
◎ Captum을 사용해 파이토치에서 작성한 머신러닝(ML) 모델을 쉽게 해석
◎ 파이토치를 사용해 ResNet, LSTM, 트랜스포머 모델 등을 설계
◎ 파이토치에서 orch.distributed API를 사용해 분산 훈련시키는 방법
파이토치(PyTorch)를 활용하면 누구나, 그 어느 때보다 쉽게 딥러닝 애플리케이션을 구축해 AI 혁명에 동참할 수 있다. 이 책은 여러분이 가진 데이터를 최대한 활용해 복잡한 신경망 모델을 구축하는 전문 기술을 익히는 데 도움이 될 것이다.
파이토치의 요점을 정리해서 알아보는 것으로 시작해 이미지를 분류하는 합성곱 신경망(CNN) 아키텍처를 예로 들어 파이토치를 살펴본다. 그런 다음 순환신경망(RNN)과 트랜스포머 아키텍처를 살펴보고 감성분석에 활용한다. 또 생성적 모델을 음악, 텍스트, 이미지 생성 등 다양한 영역에 적용해 봄으로써 생성적 적대 네트워크(GAN) 분야를 탐구한다. 파이토치로 심층 강화학습 모델을 직접 구축하고 훈련시키며, 모델을 운영 환경에 배포하는 전문적인 기술과 팁을 배운다. 대규모 모델을 분산 방식으로 효율적으로 훈련시키고, AutoML을 사용해 신경망 아키텍처를 효과적으로 검색하고, 파이토치와 fast.ai로 모델을 빠르게 프로토타이핑하는 방법을 익힌다.
이 책을 모두 읽은 후에는 파이토치로 복잡한 딥러닝 작업을 수행해 스마트한 인공지능 모델을 구축할 수 있게 될 것이다.
★ 이 책에서 다루는 내용 ★
◎ 파이토치로 텍스트 생성 모델과 작곡 모델을 구현
◎ 파이토치로 심층 Q-네트워크(DQN) 모델을 구축
◎ ONNX(머신러닝 모델용 오픈소스 범용 포맷)를 활용해 범용 파이토치 모델 내보내기
◎ fast.ai와 파이토치를 이용해 빠르게 프로토타이핑하는 방법
◎ AutoML로 신경망 아키텍처를 효과적으로 검색
◎ Captum을 사용해 파이토치에서 작성한 머신러닝(ML) 모델을 쉽게 해석
◎ 파이토치를 사용해 ResNet, LSTM, 트랜스포머 모델 등을 설계
◎ 파이토치에서 orch.distributed API를 사용해 분산 훈련시키는 방법
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
목차
목차
[01부] 파이토치 개요
▣ 01장: 파이토치를 이용한 딥러닝 소개
딥러닝 되짚어보기
___활성화 함수
___최적화 스케줄
파이토치 살펴보기
___파이토치 모듈
___텐서 모듈
파이토치로 신경망 훈련하기
요약
▣ 02장: CNN과 LSTM 결합하기
CNN과 LSTM으로 신경망 만들기
___텍스트 인코딩 데모
파이토치로 이미지 캡션 생성하기
___이미지 캡션 데이터셋 다운로드
___캡션(텍스트) 데이터 전처리
___이미지 데이터 전처리
___이미지 캡션 데이터 로더 정의하기
___CNN-LSTM 모델 정의하기
___CNN-LSTM 모델 훈련하기
___훈련된 모델로 이미지 캡션 생성하기
요약
[02부] 고급 신경망 아키텍처
▣ 03장: 심층 CNN 아키텍처
왜 CNN이 막강한가?
CNN 아키텍처의 발전
LeNet을 처음부터 구현하기
___파이토치로 LeNet 구성하기
___LeNet 훈련하기
___LeNet 테스트하기
AlexNet 모델 미세 조정하기
___파이토치로 AlexNet 미세 조정하기
사전 훈련된 VGG 모델 실행하기
GoogLeNet과 Inception v3 살펴보기
___Inception 모듈
___1×1 합성곱
___전역 평균 풀링
___보조 분류기
___Inception v3
ResNet과 DenseNet 아키텍처
___DenseNet
EfficientNet과 CNN 아키텍처의 미래
요약
▣ 04장: 심층 순환 신경망 아키텍처
순환 신경망의 발전
순환 신경망 유형
___RNN
___양방향 RNN
___LSTM
___확장된 LSTM과 양방향 LSTM
___다차원 RNN
적층 LSTM
___GRU
___그리드 LSTM
___게이트 직교 순환 유닛
감성 분석을 위해 RNN 훈련하기
___텍스트 데이터셋 로딩 및 전처리
___모델 인스턴스화 및 훈련
양방향 LSTM 만들기
___텍스트 데이터셋 로딩과 전처리
___LSTM 모델 인스턴스화 및 훈련
GRU와 어텐션 기반 모델
___GRU와 파이토치
___어텐션 기반 모델
요약
▣ 05장: 하이브리드 고급 모델
언어 모델링을 위한 트랜스포머 모델 만들기
언어 모델링
___트랜스포머 모델 아키텍처
RandWireNN 모델 구현
___RandWireNN 모델의 이해
___파이토치로 RandWireNN 개발
요약
[03부] 생성 모델과 심층 강화학습
▣ 06장: 파이토치를 활용한 음악, 텍스트 생성
파이토치로 트랜스포머 기반 텍스트 생성기 만들기
___트랜스포머 기반 언어 모델 훈련
___언어 모델 저장 및 로딩
___언어 모델로 텍스트 생성하기
텍스트 생성기로 사전 훈련된 GPT-2 사용하기
___GPT-2로 바로 사용할 수 있는 텍스트 생성기 구현하기
___파이토치를 사용한 텍스트 생성 전략
파이토치에서 LSTM으로 미디 음악 생성하기
___미디 음악 데이터 로딩
___LSTM 모델 정의 및 훈련 방법
___음악 생성 모델 훈련 및 테스트
요약
▣ 07장: 신경망 스타일 전이
이미지 간 스타일 전이하는 방법
파이토치에서 신경망을 이용한 스타일 전이 구현하기
___콘텐츠와 스타일 이미지 로딩
___사전 훈련된 VGG19 모델 로딩 및 조정
___신경망 스타일 전이 모델 구축
___스타일 전이 모델 훈련
___스타일 전이 모델 실험
요약
▣ 08장: 심층 합성곱 GAN
생성 네트워크와 판별 네트워크 정의
___DCGAN 생성 모델과 판별 모델
파이토치로 DCGAN 훈련하기
___생성 모델 정의
___이미지 데이터셋 로딩
___DCGAN 훈련 루프
GAN을 이용한 스타일 전이
___pix2pix 아키텍처
요약
▣ 09장: 심층 강화학습
강화학습 개념
___강화학습 알고리즘 유형
Q-러닝
심층 Q-러닝
___두 개의 분리된 DNN 사용
___경험 재현 버퍼
파이토치에서 DQN 모델 만들기
___메인 CNN 모델과 타깃 CNN 모델 초기화
___경험 재현 버퍼 정의
___환경 설정
___CNN 최적화 함수 정의
___에피소드 관리 및 실행
___퐁 게임을 위한 DQN 모델 훈련
요약
[04부] 운영 시스템에서의 파이토치
▣ 10장: 파이토치 모델을 운영 환경에 이관하기
파이토치에서 모델 서빙
___파이토치 모델 추론 파이프라인 생성
___기본적인 모델 서버 구축
___모델 마이크로서비스 생성
토치서브를 활용한 파이토치 모델 서빙
___토치서브 서버 실행 및 사용
토치스크립트와 ONNX를 활용해 범용 파이토치 모델 내보내기
___토치스크립트의 유틸리티
___토치스크립트로 모델 추적하기
___토치스크립트로 모델 스크립팅
___C++에서 파이토치 모델 실행하기
___ONNX를 이용해 파이토치 모델 내보내기
클라우드에서 파이토치 모델 서빙
___AWS에서 파이토치 사용하기
___구글 클라우드에서 파이토치 모델 서빙
___애저에서 파이토치 모델 서빙
요약
참고 문헌
▣ 11장: 분산 훈련
파이토치를 이용한 분산 훈련
___일반 방식의 MNIST 모델 훈련
___분산 방식의 MNIST 모델 훈련
CUDA로 GPU상에서 분산 훈련
요약
▣ 12장: 파이토치와 AutoML
AutoML로 최적의 신경망 아키텍처 찾기
___Auto-PyTorch로 최적의 MNIST 모델 찾기
Optuna로 초매개변수 찾기
___모델 아키텍처 정의 및 데이터셋 로딩
___모델 훈련 방식과 최적화 스케줄 정의
___Optuna의 초매개변수 탐색 실행
요약
▣ 13장: 파이토치와 설명 가능한 AI
파이토치에서 모델 해석 가능성
___필기체 숫자 분류 모델 훈련 - 복습
___모델의 합성곱 필터 시각화
___모델의 특징 맵 시각화
Captum을 이용한 모델 해석
___Captum 설정
___Captum의 해석 도구
요약
▣ 14장: 파이토치로 빠르게 프로토타이핑하기
fast.ai를 이용해 몇 분 안에 모델 훈련 설정하기
___fast.ai를 설정하고 데이터 로딩하기
___fast.ai를 이용한 MNIST 모델 훈련
___fast.ai를 이용한 모델 평가 및 해석
파이토치 라이트닝을 이용한 모델 훈련
___파이토치 라이트닝에서 모델 구성 요소 정의
___파이토치 라이트닝을 이용한 모델 훈련 및 평가
요약
▣ 01장: 파이토치를 이용한 딥러닝 소개
딥러닝 되짚어보기
___활성화 함수
___최적화 스케줄
파이토치 살펴보기
___파이토치 모듈
___텐서 모듈
파이토치로 신경망 훈련하기
요약
▣ 02장: CNN과 LSTM 결합하기
CNN과 LSTM으로 신경망 만들기
___텍스트 인코딩 데모
파이토치로 이미지 캡션 생성하기
___이미지 캡션 데이터셋 다운로드
___캡션(텍스트) 데이터 전처리
___이미지 데이터 전처리
___이미지 캡션 데이터 로더 정의하기
___CNN-LSTM 모델 정의하기
___CNN-LSTM 모델 훈련하기
___훈련된 모델로 이미지 캡션 생성하기
요약
[02부] 고급 신경망 아키텍처
▣ 03장: 심층 CNN 아키텍처
왜 CNN이 막강한가?
CNN 아키텍처의 발전
LeNet을 처음부터 구현하기
___파이토치로 LeNet 구성하기
___LeNet 훈련하기
___LeNet 테스트하기
AlexNet 모델 미세 조정하기
___파이토치로 AlexNet 미세 조정하기
사전 훈련된 VGG 모델 실행하기
GoogLeNet과 Inception v3 살펴보기
___Inception 모듈
___1×1 합성곱
___전역 평균 풀링
___보조 분류기
___Inception v3
ResNet과 DenseNet 아키텍처
___DenseNet
EfficientNet과 CNN 아키텍처의 미래
요약
▣ 04장: 심층 순환 신경망 아키텍처
순환 신경망의 발전
순환 신경망 유형
___RNN
___양방향 RNN
___LSTM
___확장된 LSTM과 양방향 LSTM
___다차원 RNN
적층 LSTM
___GRU
___그리드 LSTM
___게이트 직교 순환 유닛
감성 분석을 위해 RNN 훈련하기
___텍스트 데이터셋 로딩 및 전처리
___모델 인스턴스화 및 훈련
양방향 LSTM 만들기
___텍스트 데이터셋 로딩과 전처리
___LSTM 모델 인스턴스화 및 훈련
GRU와 어텐션 기반 모델
___GRU와 파이토치
___어텐션 기반 모델
요약
▣ 05장: 하이브리드 고급 모델
언어 모델링을 위한 트랜스포머 모델 만들기
언어 모델링
___트랜스포머 모델 아키텍처
RandWireNN 모델 구현
___RandWireNN 모델의 이해
___파이토치로 RandWireNN 개발
요약
[03부] 생성 모델과 심층 강화학습
▣ 06장: 파이토치를 활용한 음악, 텍스트 생성
파이토치로 트랜스포머 기반 텍스트 생성기 만들기
___트랜스포머 기반 언어 모델 훈련
___언어 모델 저장 및 로딩
___언어 모델로 텍스트 생성하기
텍스트 생성기로 사전 훈련된 GPT-2 사용하기
___GPT-2로 바로 사용할 수 있는 텍스트 생성기 구현하기
___파이토치를 사용한 텍스트 생성 전략
파이토치에서 LSTM으로 미디 음악 생성하기
___미디 음악 데이터 로딩
___LSTM 모델 정의 및 훈련 방법
___음악 생성 모델 훈련 및 테스트
요약
▣ 07장: 신경망 스타일 전이
이미지 간 스타일 전이하는 방법
파이토치에서 신경망을 이용한 스타일 전이 구현하기
___콘텐츠와 스타일 이미지 로딩
___사전 훈련된 VGG19 모델 로딩 및 조정
___신경망 스타일 전이 모델 구축
___스타일 전이 모델 훈련
___스타일 전이 모델 실험
요약
▣ 08장: 심층 합성곱 GAN
생성 네트워크와 판별 네트워크 정의
___DCGAN 생성 모델과 판별 모델
파이토치로 DCGAN 훈련하기
___생성 모델 정의
___이미지 데이터셋 로딩
___DCGAN 훈련 루프
GAN을 이용한 스타일 전이
___pix2pix 아키텍처
요약
▣ 09장: 심층 강화학습
강화학습 개념
___강화학습 알고리즘 유형
Q-러닝
심층 Q-러닝
___두 개의 분리된 DNN 사용
___경험 재현 버퍼
파이토치에서 DQN 모델 만들기
___메인 CNN 모델과 타깃 CNN 모델 초기화
___경험 재현 버퍼 정의
___환경 설정
___CNN 최적화 함수 정의
___에피소드 관리 및 실행
___퐁 게임을 위한 DQN 모델 훈련
요약
[04부] 운영 시스템에서의 파이토치
▣ 10장: 파이토치 모델을 운영 환경에 이관하기
파이토치에서 모델 서빙
___파이토치 모델 추론 파이프라인 생성
___기본적인 모델 서버 구축
___모델 마이크로서비스 생성
토치서브를 활용한 파이토치 모델 서빙
___토치서브 서버 실행 및 사용
토치스크립트와 ONNX를 활용해 범용 파이토치 모델 내보내기
___토치스크립트의 유틸리티
___토치스크립트로 모델 추적하기
___토치스크립트로 모델 스크립팅
___C++에서 파이토치 모델 실행하기
___ONNX를 이용해 파이토치 모델 내보내기
클라우드에서 파이토치 모델 서빙
___AWS에서 파이토치 사용하기
___구글 클라우드에서 파이토치 모델 서빙
___애저에서 파이토치 모델 서빙
요약
참고 문헌
▣ 11장: 분산 훈련
파이토치를 이용한 분산 훈련
___일반 방식의 MNIST 모델 훈련
___분산 방식의 MNIST 모델 훈련
CUDA로 GPU상에서 분산 훈련
요약
▣ 12장: 파이토치와 AutoML
AutoML로 최적의 신경망 아키텍처 찾기
___Auto-PyTorch로 최적의 MNIST 모델 찾기
Optuna로 초매개변수 찾기
___모델 아키텍처 정의 및 데이터셋 로딩
___모델 훈련 방식과 최적화 스케줄 정의
___Optuna의 초매개변수 탐색 실행
요약
▣ 13장: 파이토치와 설명 가능한 AI
파이토치에서 모델 해석 가능성
___필기체 숫자 분류 모델 훈련 - 복습
___모델의 합성곱 필터 시각화
___모델의 특징 맵 시각화
Captum을 이용한 모델 해석
___Captum 설정
___Captum의 해석 도구
요약
▣ 14장: 파이토치로 빠르게 프로토타이핑하기
fast.ai를 이용해 몇 분 안에 모델 훈련 설정하기
___fast.ai를 설정하고 데이터 로딩하기
___fast.ai를 이용한 MNIST 모델 훈련
___fast.ai를 이용한 모델 평가 및 해석
파이토치 라이트닝을 이용한 모델 훈련
___파이토치 라이트닝에서 모델 구성 요소 정의
___파이토치 라이트닝을 이용한 모델 훈련 및 평가
요약
저자
저자
아쉬쉬 란잔 자
Ashish Ranjan Jha
아쉬쉬 란잔 자는 인도 IIT 루르키(IIT Roorkee) 전기공학부에서 학사를 마치고, 스위스 EPFL에서 컴퓨터 과학 석사 학위를 받고 미국 워싱턴에 위치한 Quantic School of Business에서 MBA를 마쳤다. 그는 모든 학위 과정을 우수한 성적으로 마쳤다. 그는 오라클, 소니, 레볼루트 같은 스타트업에서 머신러닝 엔지니어로 근무했다. 수년간의 경력 외에, 아쉬쉬는 프리랜서 머신러닝 컨설턴트, 저자, 블로거(datashines)로 활동 중이다. 그는 센서 데이터로 차량 유형을 예측하는 것부터 보험 청구 내역에서 사기를 탐지하는 것까지 다양한 프로젝트를 수행했다. 여가 시간에는 오픈소스 ML 프로젝트를 하고 스택오버플로(StackOverflow)와 캐글(Kaggle)에서 활동하고 있다(arj7192).
아쉬쉬 란잔 자는 인도 IIT 루르키(IIT Roorkee) 전기공학부에서 학사를 마치고, 스위스 EPFL에서 컴퓨터 과학 석사 학위를 받고 미국 워싱턴에 위치한 Quantic School of Business에서 MBA를 마쳤다. 그는 모든 학위 과정을 우수한 성적으로 마쳤다. 그는 오라클, 소니, 레볼루트 같은 스타트업에서 머신러닝 엔지니어로 근무했다. 수년간의 경력 외에, 아쉬쉬는 프리랜서 머신러닝 컨설턴트, 저자, 블로거(datashines)로 활동 중이다. 그는 센서 데이터로 차량 유형을 예측하는 것부터 보험 청구 내역에서 사기를 탐지하는 것까지 다양한 프로젝트를 수행했다. 여가 시간에는 오픈소스 ML 프로젝트를 하고 스택오버플로(StackOverflow)와 캐글(Kaggle)에서 활동하고 있다(arj7192).
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.
