정말정말 쉽게 시작하는 파이토치&딥러닝 입문!

고도의 기술을 배운다고 해서 그 시작도 어려워야만 할까? 이 책은 미간 찌푸리지 않고 부담 없이! 마음 편히! 임할 수 있는 파이토치 입문용 최강 서적이다. 학습을 위한 자세한 예제는 물론이고 자칫 어려워서 등돌리게 될 수 있는 수식 투성이 구성은 최대한 배제하여 초보자를 더욱 배려하였다. 책 내용에 따라 직접 파이토치 실습을 하다 보면 어느새 파이토치와 딥러닝의 높은 문턱을 넘어선 자신을 발견할 수 있을 것이다.

도쿄공업대학에서 계산 기기를 활용한 분자생물학을 연구했으며, 졸업 후에는 IT 기업에서 소프트웨어 개발 및 데이터 분석을 담당하고 있다. 대학원 시절에 아직 유명해지기 전이었던 파이썬과 NumPy를 접했고, 스터디 모임이나 집필 등을 통해 파이썬을 전파했다. 요근래 몇 년 동안은 스타트업을 중심으로 데이터 분석이나 머신러닝 개발 지원 등을 해왔으며, 2018년 4월부터 물류 IT 관련 스타트업에서 근무하고 있다. 머신러닝, 빅데이터 분석, 서버 개발 등에 관심이 많으나, 지금은 자녀 교육을 위해 육아 휴직 중인 아빠 엔지니어다.

PROLOGUE 개발 환경 준비 1
0.1 이 책의 검증 환경 2
0.1.1 OS 환경: 우분투 16.04 2
0.1.2 엔비디아의 GPU 2
0.1.3 클라우드에서 GPU를 탑재한 인스턴스 실행하기 3
0.2 개발 환경 구축 5
0.2.1 미니콘다 설치 5
0.2.2 가상 환경 구축 7

CHAPTER 1 파이토치의 기본 11
1.1 파이토치의 구성 12
1.1.1 파이토치의 전반적인 구성 12
1.2 텐서 13
1.2.1 텐서 생성과 변환 13
1.2.2 텐서의 인덱스 조작 15
1.2.3 텐서 연산 16
1.3 텐서와 자동 미분 20
1.4 정리 22

CHAPTER 2 최대 우도 추정과 선형 모델 23
2.1 확률 모델과 최대 우도 추정 24
2.2 확률적 경사 하강법 26
2.3 선형 회귀 모델 28
2.3.1 선형 회귀 모델의 최대 우도 추정 28
2.3.2 파이토치로 선형 회귀 모델 만들기(직접 만들기) 30
2.3.3 파이토치로 선형 회귀 모델 만들기(nn, optim 모듈 사용) 32
2.4 로지스틱 회귀 35
2.4.1 로지스틱 회귀의 최대 우도 추정 35
2.4.2 파이토치를 사용한 로지스틱 회귀 분석 36
2.4.3 다중 분류를 위한 로지스틱 회귀 분석 40
2.5 정리 42

CHAPTER 3 다층 퍼셉트론 43
3.1 MLP 구축과 학습 44
3.2 Dataset과 DataLoader 48
3.2.1 Dataset과 DataLoader 48
3.3 학습 효율화 팁 50
3.3.1 Dropout을 사용한 정규화 50
3.3.2 Batch Normalization를 사용한 학습 가속 53
3.4 신경망의 모듈화 55
3.4.1 자체 신경망 계층(커스텀 계층) 만들기 55
3.5 정리 57

CHAPTER 4 이미지 처리와 합성곱 신경망 59
4.1 이미지와 합성곱 계산 60
4.2 CNN을 사용한 이미지 분류 62
4.2.1 Fashion-MNIST 62
4.2.2 CNN 구축과 학습 65
4.3 전이 학습 69
4.3.1 데이터 준비 72
4.3.2 파이토치를 사용한 전이 학습 75
4.4 CNN 회귀 모델을 사용한 이미지 해상도 향상 80
4.4.1 데이터 준비 80
4.4.2 모델 작성 83
4.5 DCGAN을 사용한 이미지 생성 89
4.5.1 GAN이란 89
4.5.2 데이터 준비 90
4.5.3 파이토치를 사용한 DCGAN 91
4.6 정리 101

CHAPTER 5 자연어 처리와 순환 신경망 103
5.1 RNN이란? 104
5.2 텍스트 데이터의 수치화 106
5.3 RNN과 문장 분류 109
5.3.1 IMDb 리뷰 데이터 109
5.3.2 신경망 정의와 훈련 113
5.3.3 가변 길이 계열 처리 118
5.4 RNN을 사용한 문장 생성 121
5.4.1 데이터 준비 122
5.4.2 모델 정의 및 학습 124
5.5 인코더-디코더 모델을 사용한 기계 번역 129
5.5.1 인코더-디코더 모델이란 130
5.5.2 데이터 준비 131
5.5.3 파이토치를 사용한 인코더-디코더 모델 135
5.6 정리 142

CHAPTER 6 추천 시스템과 행렬 분해 143
6.1 행렬 인수분해 144
6.1.1 이론적 배경 144
6.1.2 MovieLens 데이터 145
6.1.3 파이토치에서 행렬 인수분해하기 147
6.2 신경망 행렬 인수분해 151
6.2.1 행렬 인수분해를 비선형화 151
6.2.2 부속 정보 이용 153
6.3 정리 160

CHAPTER 7 애플리케이션 적용 161
7.1 모델 저장과 불러오기 162
7.2 플라스크를 사용한 웹 API화 164
7.3 도커를 이용한 배포 173
7.3.1 nvidia-docker 설치 174
7.3.2 파이토치의 도커 이미지 작성 175
7.3.3 웹 API 배포 176
7.4 ONNX를 사용한 다른 프레임워크와의 연계 179
7.4.1 ONNX란 179
7.4.2 파이토치 모델 엑스포트 181
7.4.3 Cae2에서 ONNX 모델 사용하기 183
7.4.4 ONNX 모델을 Cae2 모델로 저장 184
7.5 정리 186

APPENDIX A 훈련 상태 가시화 187
A1.1 텐서보드를 사용한 가시화 188

APPENDIX B 컬래버레터리로 파이토치 개발 환경 구축 193
B1.1 컬래버레터리를 사용한 파이토치 개발 환경 구축 방법 194
B1.1.1 컬래버레터리란 194
B1.1.2 장비 사양 194
B1.1.3 파이토치 환경 구축 195
B1.1.4 데이터 처리 201