펭귄브로의 3분 딥러닝 파이토치맛

이론보다는 실전! 몸으로 먼저 익히는 [3분] 딥러닝 시리즈!

새로운 프로그래밍 언어나 라이브러리를 학습하는 가장 좋은 방법은 무엇일까요? [3분] 시리즈는 긴 설명을 읽기보다는 직접 코드를 입력해가면서 익히게 해 쉽고 재미있습니다.



독자 옆에 앉아 빠르게 '함께 코딩해가며' 설명한다는 느낌이 들도록 했습니다. 코드는 설명 흐름에 맞춰 필요한 만큼만 보여주며, 전체 코드를 마지막에 제시합니다. 이론은 큰 그림을 이해할 정도로만 알려주고, 코드도 세세한 부분까지 설명하지는 않습니다.



우선은 큰 그림과 동작하는 코드를 손에 넣은 후, 파이토치 사용법 문서와 저자가 만든 파이토치 깃허브를 참고해 코드를 주물러보며 파이토치와 친해져보세요.



각 절의 마지막에는 주석이 거의 없는 전체 코드가 등장합니다. 주~욱 훑어보며 배운 걸 정리하고 제대로 이해했는지 점검해보기 바랍니다. 각 코드 블록에 해당하는 본문 설명의 위치를 숫자로 연결해뒀으니 특정 코드가 이해되지 않을 때 활용하기 바랍니다.



★ 주요 내용

● 파이토치 시작하기

● 파이토치로 구현하는 ANN

● 패션 아이템을 구분하는 DNN

● 이미지 인식 능력이 탁월한 CNN

● 사람의 지도 없이 학습하는 오토인코더

● 순차적인 데이터를 처리하는 RNN

● 딥러닝을 해킹하는 적대적 공격

● 경쟁하며 학습하는 GAN

● 주어진 환경과 상호작용하며 학습하는 DQN



★ 이 책의 구성



딥러닝과 파이토치를 처음 접하는 사람이 쉽게 이론을 익히고 구현할 수 있도록 구성했습니다. 딥러닝은 언어부터 이미지까지 넓은 분야에 쓰이며 응용 분야에 따라 그 형태가 다양합니다. 따라서 최대한 다양한 학습 방식과 딥러닝 모델을 구현할 수 있도록 예제를 준비했습니다 .



_1장. 딥러닝과 파이토치

딥러닝의 기본 지식을 쌓고 여러 머신러닝 방식을 배웁니다. 파이토치가 무엇이고 왜 필요한지, 텐서플로와 케라스 같은 라이브러리와 무엇이 다른지 알아봅니다.



_2장. 파이토치 시작하기

파이토치 환경 설정과 사용법을 익힙니다. 파이토치 외에도 책을 진행하면서 필요한 도구를 설치합니다.



_3장. 파이토치로 구현하는 ANN

파이토치를 이용하여 가장 기본적인 인공 신경망(artificial neural network)을 구현하고 모델을 저장, 재사용하는 방법을 배웁니다.



_4장. 패션 아이템을 구분하는 DNN

앞서 배운 인공 신경망을 이용하여 Fashion MNIST 데이터셋 안의 패션 아이템을 구분해봅니다.



_5장. 이미지 인식능력이 탁월한 CNN

영상 인식에 탁월한 성능을 자랑하는 CNN(convolutional neural network)을 알아봅니다. 또한 CNN을 더 쌓아 올려 성능을 높인 ResNet에 대해 알아보고 구현합니다.



_6장. 사람의 지도 없이 학습하는 오토인코더

정답이 없는 상태에서 특징을 추출하는 비지도학습을 알아보고 대표적인 비지도학습 모델인 오토인코더(autoencoder)를 이해하고 구현하는 방법을 익힙니다.



_7장. 순차적인 데이터를 처리하는 RNN

문자열, 음성, 시계열 데이터에 높은 성능을 보이는 RNN(recurrent neural network)을 활용하여 영화 리뷰 감정 분석을 해보고 간단한 기계 번역기를 만들어봅니다.



_8장. 딥러닝을 해킹하는 적대적 공격

딥러닝 모델을 의도적으로 헷갈리게 하는 적대적 예제를 알아보고 적대적 예제를 생성하는 방법인 적대적 공격(adversarial attack)을 알아봅니다.



_9장. 경쟁하며 학습하는 GAN

두 모델의 경쟁을 통해 최적화하는 특이한 학습 구조를 가진 GAN(generative adversarial network)에 대해 알아봅니다. GAN은 데이터셋에 존재하지 않는 새로운 이미지를 생성할 수 있습니다. 예제로 Fashion MNIST 데이터셋을 학습하여 새로운 패션 아이템을 만듭니다.



_10장. 주어진 환경과 상호작용하며 성장하는 DQN(deep q-network)을 알아보고 간단한 게임을 마스터하는 인공지능을 구현해봅니다.

CHAPTER 1 딥러닝과 파이토치

1.1 인공지능과 머신러닝

1.2 지도학습, 비지도학습, 강화학습

1.3 딥러닝과 신경망

1.4 파이토치가 개발되기까지

1.5 왜 파이토치인가?

1.6 마치며



CHAPTER 2 파이토치 시작하기

2.1 파이토치 설치 & 환경구성

2.2 파이토치 예제 내려받고 실행 확인하기

2.3 주피터 노트북

2.4 마치며



CHAPTER 3 파이토치로 전체 코드 구현하는 ANN

3.1 텐서와 Autograd

3.2 경사하강법으로 이미지 복원하기

3.3 신경망 모델 구현하기

3.4 마치며



CHAPTER 4 패션 아이템을 구분하는 DNN

4.1 Fashion MNIST 데이터셋 알아보기

4.2 인공 신경망으로 패션 아이템 분류하기

4.3 성능 측정하기

4.4 과적합과 드롭아웃

4.5 마치며



CHAPTER 5 이미지 처리 능력이 탁월한 CNN

5.1 CNN 기초

5.2 CNN 모델 구현하기

5.3 ResNet으로 컬러 데이터셋에 적용하기

5.4 마치며



CHAPTER 6 사람의 지도 없이 학습하는 오토인코더

6.1 오토인코더 기초

6.2 오토인코더로 이미지의 특징 추출하기

6.3 오토인코더로 망가진 이미지 복원하기

6.4 마치며



CHAPTER 7 순차적인 데이터를 처리하는 RNN

7.1 RNN 개요

7.2 영화 리뷰 감정 분석

7.3 Seq2Seq 기계 번역

7.4 마치며



CHAPTER 8 딥러닝을 해킹하는 적대적 공격

8.1 적대적 공격이란?

8.2 적대적 공격의 종류

8.3 FGSM 공격

8.4 마치며



CHAPTER 9 경쟁하며 학습하는 GAN

9.1 GAN 기초

9.2 GAN으로 새로운 패션 아이템 생성하기

9.3 cGAN으로 생성 제어하기

9.4 마치며



CHAPTER 10 주어진 환경과 상호작용하며 학습하는 DQN

10.1 강화학습과 DQN 기초

10.2 카트폴 게임 마스터하기

10.3 마치며

김건우 뉴욕 대학교에서 컴퓨터과학 학사 학위를 받았습니다. 우버 드라이버 프라이싱 팀에서 소프트웨어 엔지니어로 근무합니다. 대학교를 다니며 딥러닝과 강화학습 스터디 그룹에 참여하여 『파이썬과 케라스로 배우는 강화학습』(위키북스, 2017)을 공동 집필했습니다.