경운대학교 전자책도서관

책소개

파이토치 라이트닝은 딥러닝 프레임워크인 파이토치의 유연성은 유지하면서 작동에 필요한 코드량을 줄여 모델과 연구에 집중할 수 있도록 돕는 프레임워크다. 파이토치 라이트닝을 활용한 모델 제작부터 훈련과 배포까지 실용적인 가이드를 제시하고자 한다. 또한 다양한 데이터(시계열, 이미지, 자연어 등)와 아키텍처(GAN, 지도 학습, 자기 지도 학습 등)를 다루기 때문에 딥러닝의 중요 개념을 익히는 데에도 도움이 된다. 책의 후반부에서는 모델 배포를 위한 기술적인 팁을 다루기도 한다. 딥러닝을 처음 접하는 독자부터 다른 프레임워크에서 전환을 고려하는 실무자들까지 폭넓게 도움이 될 것이다.

저자소개

◈ 지은이 소개 ◈

쿠날 사와르카르(Kunal Sawarkar)

수석 데이터 과학자이자 AI 권위자로, 최근 혁신적인 제품을 개발하는 AI 빌드 랩(Build Labs)을 이끌고 있다. 과거 여러 AI 제품 연구소를 출범시켰고 제품을 폭발적으로 성장시킨 경험이 있다. 하버드대학교에서 응용통계학으로 석사 학위를 받았고 산업계와 사회에서 풀리지 않던 문제를 머신러닝(특히 딥러닝)을 활용해 풀고 있다. 머신러닝 분야에서 20개 이상의 특허와 논문을 보유하고 있다. AI를 통한 지속가능성(Sustainability)에 집중하는 엔젤투자자이면서 자문위원으로도 활동 중이다.

시밤 R 솔란키(Shivam R Solanki)

비즈니스, 데이터, 기술의 경계에 있는 선임 데이터 과학자다. 텍사스A&M대학교에서 응용 통계학 전공으로 석사 학위를 받았다. 통계학, 머신러닝, 딥러닝을 활용해 비즈니스 문제를 해결하는 데 관심이 많다.

아밋 조글카르(Amit Joglekar)

디자인에 중점을 둔 숙련된 머신러닝 엔지니어다. 열정적으로 새로운 기술을 배우며, 클라우드 기반 기술과 딥러닝 프로그래밍을 매우 즐긴다.

◈ 옮긴이 소개 ◈

허정준

서울대학교 기계공학과를 졸업하고 롯데면세점 빅데이터 팀 분석가를 거쳐 현재는 프리랜서 마켓 크몽의 데이터 엔지니어로 일하고 있다. 데이터 기반 문제 해결에 큰 즐거움을 느끼며, 최근에는 자연어 처리와 챗GPT를 이용한 기능 개발에 특히 관심이 있다.

1부. 파이토치 라이트닝 시작하기

1장. 파이토치 라이트닝 탐험

__파이토치 라이트닝이 특별한 이유

____딥러닝의 시작

____다양한 프레임워크

____파이토치 VS 텐서플로

____중용 - 파이토치 라이트닝

__〈pip install〉 - 라이트닝 탐험

__파이토치 라이트닝의 주요 구성요소

____딥러닝 파이프라인

____파이토치 라이트닝 추상화 계층

__파이토치 라이트닝을 활용한 AI 애플리케이션 제작

____이미지 인식 모델

____전이학습

____자연어 처리 트랜스포머 모델

____라이트닝 플래시

____LSTM을 사용한 시계열 모델

____오토인코더를 사용한 적대적 생성 네트워크

____CNN과 RNN을 결합한 준지도 학습 모델

____대조 학습을 활용한 자기 지도 학습 모델

____모델 배포 및 평가

____모델 규모 확장 및 생산성 팁

__추가 자료

__요약

2장. 첫 번째 딥러닝 모델 시작하기

__기술 요구사항

__신경망 시작하기

____왜 신경망일까?

____XOR 연산자

____MLP 아키텍처

__Hello World MLP 모델 만들기

____라이브러리 가져오기

____데이터 준비하기

____모델 설정하기

____모델 학습하기

____모델 불러오기

____예측 수행하기

__첫 번째 딥러닝 모델 구축

____모델이 깊다는 게 뭘까?

____CNN 아키텍처

__이미지 인식을 위한 CNN 모델 구축

____패키지 가져오기

____데이터 수집하기

____데이터 준비하기

____모델 구축하기

____모델 학습하기

____모델 정확도 평가하기

____모델 개선 연습

__요약

3장. 사전 학습 모델을 사용한 전이 학습

__기술 요구사항

__전이 학습 시작하기

__사전 학습한 ResNet-50 아키텍처를 사용한 이미지 분류기

____데이터 준비

____모델 생성

____모델 학습

____모델 정확도 평가

__BERT를 사용한 텍스트 분류

____데이터 수집

____데이터 로더 인스턴스 생성

____모델 생성

____모델 학습 및 테스트 설정

____모델 학습

____모델 평가

__요약

4장. 라이트닝 플래시를 통한 사전 학습 모델 활용

__기술 요구사항

__라이트닝 플래시 시작하기

__플래시는 매우 간단하다

__플래시를 이용한 비디오 분류

____Slow와 SlowFast 아키텍처

____라이브러리 가져오기

____데이터 세트 불러오기

____백본 네트워크 설정

____모델 미세 조정

____예측 수행하기

__플래시를 사용한 음성 인식

____라이브러리 설치하기

____라이브러리 가져오기

____데이터 세트 불러오기

____백본 네트워크 설정하기

____모델 학습 및 미세 조정하기

____예측 수행하기

__추가 학습

__요약

2부. 파이토치 라이트닝을 사용한 문제 해결

5장. 시계열 모델

__기술 요구사항

__시계열 소개

____딥러닝을 이용한 시계열 예측

__시계열 모델 시작하기

__LSTM 시계열 모델을 이용한 교통량 예측

____데이터 세트 분석

____피처 엔지니어링

____데이터 세트 생성

__파이토치 라이트닝을 사용한 LSTM 모델 구성

____모델 정의하기

____옵티마이저 설정하기

____모델 학습

____학습 손실 측정

____모델 불러오기

____테스트 데이터 세트 예측

____다음 단계

__요약

6장. 심층 생성 모델

__기술 요구사항

____GAN 모델 시작하기

____GAN

__GAN으로 가짜 음식 만들기

____데이터 세트 불러오기

____피처 엔지니어링 유틸리티 함수

____판별기 모델 구성

____생성기 모델 구성

____적대적 생성 모델

____GAN 모델 학습

____모델이 생성한 가짜 이미지

__GAN을 사용해 새로운 나비 종 만들기

__GAN 학습 도전 과제

__DCGAN으로 새 이미지 생성하기

__요약

7장. 준지도 학습

__기술 요구사항

__준지도 학습 시작하기

__CNN-RNN 아키텍처 알아보기

__이미지에 대한 캡션 생성하기

____데이터 세트 다운로드

____데이터 정리

____모델 학습

____하이브리드 CNN-RNN 모델

____캡션 생성

____다음 단계

__요약

8장. 자기 지도 학습

__기술 요구사항

__자기 지도 학습 시작하기

____자기 지도의 의미

__대조 학습

__SimCLR 아키텍처

____SimCLR의 작동 방식

__이미지 인식을 위한 SimCLR 모델

____데이터 세트 수집

____데이터 증강 설정

____데이터 세트 불러오기

____학습 구성

____모델 학습

____모델 평가

____다음 단계

__요약

3부. 심화 과정

9장. 모델 배포 및 예측 수행

__기술 요구사항

__파이토치 라이트닝 방식으로 모델 배포 및 예측하기

____pickle(.PKL) 모델 파일 형식

____딥러닝 모델 배포

____플라스크를 사용해 배포 및 예측하기

__ONNX 방식으로 모델 배포 및 예측하기

____ONNX 형식과 중요성

____ONNX 모델 저장 및 불러오기

____플라스크를 사용해 ONNX 모델 배포 및 예측하기

__다음 단계

__읽을거리

__요약

10장. 훈련 확장 및 관리

__기술 요구사항

__학습 관리

____모델 하이퍼파라미터 저장

____효율적인 디버깅

____텐서보드를 활용한 학습 손실 모니터링

__훈련 규모 확장

____여러 워커를 사용한 모델 학습 속도 향상

____GPU/TPU 학습

____혼합 정밀도 학습/16비트 정밀도 학습

__학습 제어

____클라우드 사용 시 모델 체크포인트 저장

____체크포인트 기능의 기본 동작 변경

____저장한 체크포인트에서 교육 재개

____클라우드에서 다운로드 또는 병합한 데이터 저장

__읽을거리

__요약

책소개

저자소개

목차