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.
◈ 이 책에서 다루는 내용 ◈
◆ 다양한 데이터셋, 모델 아키텍처로 맞춤형 모델 제작
◆ 이미지 인식, 자연어 처리, 시계열 등 다양한 딥러닝 모델의 개념
◆ 시를 쓰고(준지도 학습) 가짜 이미지를 만드는(GAN) 심화 모델 제작
◆ 자기 지도 학습(대조 학습)을 통해 라벨이 없는 이미지를 사용한 모델 학습
◆ 사전 학습 모델의 전이 학습을 통한 비용 절감
◆ Lightning Flash를 통해 SOTA 모델 활용 방법
◆ ONNX 형식을 이용한 모델 배포와 추론
◆ 혼합 정밀도 방식과 여러 개의 GPU를 사용한 모델 학습과 추론
◈ 이 책의 대상 독자 ◈
딥러닝이 항상 궁금했지만 어디서 시작해야 할지 몰랐거나 거대한 신경망의 복잡함에 주저했던 경험이 있다면 이 책이 적합하다. 딥러닝이 식은 죽 먹기처럼 쉬워진다!
문제를 해결하기 위해 딥러닝을 배우려는 비전공 데이터 과학자를 위한 책이다. 다른 프레임워크를 사용하다가 파이토치 라이트닝으로 넘어오려고 하는 전문 데이터 과학자에게도 도움이 된다. 파이토치 라이트닝으로 딥러닝 모델을 코딩해 보려는 딥러닝 연구자에게도 실용적인 코드가 많다.
내용을 최대한 이해하려면 파이썬 프로그래밍에 대한 실무 지식과 통계학, 딥러닝 기본기에 대한 중급 수준의 이해도가 필요하다.
◈ 이 책의 구성 ◈
1장, ‘파이토치 라이트닝 탐험’에서는 딥러닝에 대한 짧은 역사로 시작해서 파이토치가 가장 사랑받는 프레임워크인 이유를 알아본다. 파이토치 라이트닝이 무엇인지, 어떻게 만들어졌는지, 파이토치와는 무엇이 다른지 살펴본다. 파이토치 라이트닝의 모듈 구조를 다루면서 파이토치 라이트닝이 모델링을 위한 엔지니어링에 드는 에너지를 줄이고 연구에 집중할 수 있게 만드는 방법을 다룬다.
2장, ‘첫 번째 딥러닝 모델 시작하기’에서는 파이토치 라이트닝으로 모델 구축을 시작하는 방법을 다룬다. 실습으로 간단한 MLP(Multilayer Perceptron) 모델부터 실제 이미지 인식에 사용하는 CNN 모델까지 만들어본다.
3장, ‘사전 학습 모델을 사용한 전이 학습’에서는 사전 학습 모델을 통해 많은 학습 시간과 비용 없이 훌륭한 성능의 모델을 만들 수 있는지 다양한 데이터 세트로 알아본다. 이미지와 자연어에 대한 사전 학습 모델을 수정하는 작업을 진행한다.
4장, ‘라이트닝 플래시를 통한 사전학습 모델 활용’에서는 최고 성능(SOTA, State-Of-The-Art) 모델 라이브러리인 파이토치 라이트닝 플래시를 다룬다. 사람들이 자주 사용하는 알고리즘과 프레임워크를 바로 사용할 수 있도록 대부분 지원해서 데이터 과학자가 빠르게 벤치마킹과 실험을 수행할 수 있도록 돕는다. 비디오 분류 모델과 음성 인식 모델을 다룬다.
5장, ‘시계열 모델’에서는 시계열 모델을 집중적으로 다룬다. 실제 사용 사례를 살펴보면서 기본부터 RNN(Recurrent Neural Networks)와 LSTM(Long Short Term Memory) 모델 같은 심화 기술까지 순차적으로 살펴본다.
6장, ‘심층 생성 모델’에서는 단계별로 존재하지 않는 이미지를 생성할 때 사용하는 GAN과 같은 생성형 딥러닝 모델의 작동과 구현을 알아본다.
7장, ‘준지도 학습’에서는 준지도 학습 모델의 작동 방법과 파이토치 라이트닝을 통한 구현 방법을 살펴본다. 또한 CNN과 RNN 모델을 함께 사용해 라벨과 이미지 캡션을 생성하는 준지도 학습 모델을 기초부터 심화까지 실습하면서 자세히 알아본다.
8장, ‘자기 지도 학습’에서는 라벨 없는 데이터로 동작하는 자기 지도 학습이라는 새로운 분야에 집중해서 자기 지도 학습 모델의 작동 방법과 파이토치 라이트닝을 통한 구현 방법을 살펴본다. 대조 학습(contrastive learning) 실습을 다루고 Sim...CLR 모델과 같은 기술도 알아본다.
9장, ‘모델 배포 및 예측 수행’에서는 딥러닝 모델을 그 자체로 배포하는 기술과 ONNX 같은 상호 운영 가능한 형식으로 배포하는 방법을 구체적으로 다룬다. 또 대량의 데이터로 모델 평가를 수행하는 방법을 알아본다.
10장, ‘훈련 확장 및 관리’에서는 대규모로 모델을 학습하고 관리할 때 만나는 여러 문제를 살펴본다. 자주 발생하는 문제와 그 문제를 해결하는 팁을 알아본다. 또한 실험을 세팅하는 방법, 모델 학습을 재개하고 하드웨어를 효율적으로 활용하는 방법 등을 다룬다.
◈ 지은이의 말 ◈
딥러닝은 기계를 사람처럼 만든다. 딥러닝은 기계가 비전 모델을 통해 ‘볼 수 있게’ 하고, 알렉사와 같은 음성 장치를 통해 ‘듣게 하고’, 챗봇을 통해 ‘말하게 하고’, 준지도 학습 모델을 통해 ‘쓰게’ 하며, 심지어 생성형 모델을 통해 예술가처럼 그림도 ‘그리게’ 한다.
파이토치 라이트닝을 사용하면 연구자들이 복잡성에 대한 걱정 없이 딥러닝 모델을 빠르고 쉽게 만들 수 있다. 딥러닝 프로젝트에서 모델 공식에서 구현까지 최대한의 유연성을 확보하면서 생산성을 극대화할 수 있도록 돕는 책이다.
파이토치 라이트닝으로 딥러닝 모델을 구현하는 실습과 관련된 기법을 이해하면 즉시 실무를 수행할 수 있다. 클라우드 환경에서 파이토치 라이트닝을 구성하는 방법을 알아보고 아키텍처 구성 요소를 이해하면서 다양한 산업 솔루션을 구축하기 위해 파이토치 라이트닝이 어떻게 만들어졌는지 살펴본다. 다음으로 신경망 아키텍처를 만들고 애플리케이션에 배포해보면서 프레임워크가 제공하는 기능을 넘어 자신의 요구사항에 맞춰 확장하는 방법을 알아본다. 또한 CNN(Convolutional Neural Nets)과 자연어 처리(NLP, Natural Language Processing), 시계열 데이터, 자기 지도 학습(Self-Supervised Learning), 준지도 학습(Semi-Supervised Learning), 생성적 적대 신경망(GAN, Generative Adversarial Network)과 같은 모델을 파이토치 라이트닝을 통해 만들고 학습하는 방법을 설명한다.
◈ 옮긴이의 말 ◈
파이토치 라이트닝은 코드를 구조화하고 재사용성을 높이기 위해 파이토치 사용자가 이용하는 프레임워크입니다. 사용 방법이 직관적이고 문서화가 잘 돼 있기는 하지만 사용자층에 비해 사용 방법을 소개한 책은 국내에는 물론 해외에도 거의 없습니다. 이번 기회에 파이토치 라이트닝을 소개하는 책을 번역하게 돼 기쁩니다.
원서 출간 시기와 번역서 출간 시기 사이에 파이토치와 파이토치 라이트닝의 메이저 버전이 모두 업그레이드됐습니다. 그로 인해 원서와 코드나 코드 설명이 달라지는 부분이 있었습니다. 코드를 모두 확인했지만 혹시 문제가 발생한다면 알려주시기 바랍니다.
작년 말, 호기롭게 두 권을 번역하기로 하고 드디어 그중 한 권인 『파이토치 라이트닝으로 시작하는 딥러닝』의 역자 서문을 쓰고 있습니다. 원서를 자주 읽어 번역이 어렵지 않겠다고 생각했는데 난관의 연속이었습니다. 다른 사람의 코드를 읽기는 쉽지만 직접 작성하려고 하면 라인마다 멈칫하게 되는 것처럼, 번역도 직접 하려니 몇 단어를 넘기지 못하고 막히곤 했습니다.
난관을 지나 책의 번역을 무사히 마쳤습니다. 번역 경험이 없음에도 믿고 좋은 기회를 주신 에이콘출판사에 감사드리며 특히 번역 과정에서 지속적인 도움을 주신 분들께 감사드립니다.
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
Sawarkar, Kunal [저]
전체 0개의 구매후기가 있습니다.
인터파크도서는 고객님의 단순 변심에 의한 교환과 반품에 드는 비용은 고객님이 지불케 됩니다.
단, 상품이나 서비스 자체의 하자로 인한 교환 및 반품은 무료로 반품 됩니다.
교환 및 반품이 가능한 경우
상품을 공급 받은 날로부터 7일이내 가능 공급받으신 상품의 내용이 표시, 광고 내용과 다르거나 다르게 이행된 경우에는 공급받은 날로부터 3개월 이내, 혹은 그사실을 알게 된 날 또는 알 수 있었던 날로부터 30일 이내 상품에 아무런 하자가 없는 경우 소비자의 고객변심에 의한 교환은 상품의 포장상태 등이 전혀 손상되지 않은 경우에 한하여 가능
교환 및 반품이 불가능한 경우
구매확정 이후(오픈마켓상품에 한함) 고객님의 책임 있는 사유로 상품 등이 멸실 또는 훼손된 경우
(단, 상품의 내용을 확인하기 위하여 포장 등을 훼손한 경우는 제외) 시간이 지남에 따라 재판매가 곤란할 정도로 물품의 가치가 떨어진 경우 포장 개봉되어 상품 가치가 훼손된 경우
다배송지의 경우 반품 환불
다배송지의 경우 다른 지역의 반품을 동시에 진행할 수 없습니다. 1개 지역의 반품이 완료된 후 다른 지역 반품을 진행할 수 있으므로, 이점 양해해 주시기 바랍니다.
중고상품의 교환
중고상품은 제한된 재고 내에서 판매가 이루어지므로, 교환은 불가능합니다.
오픈마켓 상품의 환불
오픈마켓상품에 대한 책임은 원칙적으로 업체에게 있으므로, 교환/반품 접수시 반드시 판매자와 협의 후 반품 접수를 하셔야하며, 반품접수 없이 반송하거나, 우편으로 보낼 경우 상품 확인이 어려워 환불이 불가능할 수 있으니 유의하시기 바랍니다.
배송예정일 안내
인터파크 도서는 모든 상품에 대해 배송완료예정일을 웹사이트에 표시하고 있습니다.
<인터파크 직배송 상품>
상품은 월~토요일 오전 10시 이전 주문분에 대하여 당일 출고/당일 배송완료를 보장하는 상품입니다.
상품은 서울지역/평일 주문분은 당일 출고/익일 배송완료를 보장하며, 서울외지역/평일 주문분의 경우는 오후 6시까지 주문분에 대하여 익일 배송완료를 보장하는 상품입니다. (단, 월요일은 12시까지 주문에 한함)
상품은, 입고예정일(제품출시일)+택배사배송일(1일)에 배송완료를 보장합니다.
~
상품은 유통특성상 인터파크에서 재고를 보유하지 않은 상품으로 주문일+기준출고일+택배사배송일(1일)에 배송완료를 보장합니다.(토/공휴일은 배송기간에 포함되지 않습니다.) ※기준출고일:인터파크가 상품을 수급하여 물류창고에서 포장/출고하기까지 소요되는 시간
<업체 직접배송/오픈마켓 상품>
~
상품은 업체가 주문을 확인하고, 출고하기까지 걸리는 시간입니다. 주문일+기준출고일+택배사배송일(2일)에 배송완료를 보장합니다.(토/공휴일은 배송기간에 포함되지 않습니다.) ※5일이내 출고가 시작되지 않을시, 오픈마켓 상품은 자동으로 주문이 취소되며, 고객님께 품절보상금을 지급해 드립니다.
배송비 안내
도서(중고도서 포함)만 구매하시면 : 배송비 2,000원 (1만원이상 구매 시 무료배송) 음반/DVD만 구매하시면 : 배송비 1,500원 (2만원이상 구매 시 무료배송) 잡지/만화/기프트만 구매하시면 : 배송비 2,000원 (2만원이상 구매 시 무료배송) 도서와 음반/DVD를 함께 구매하시면 : 배송비 1,500원 1만원이상 구매 시 무료배송) 도서와 잡지/만화/기프트/중고직배송상품을 함께 구매하시면 : 2,000원 (1만원이상 구매 시 무료배송) 업체직접배송상품을 구매시 : 업체별로 상이한 배송비 적용
* 세트상품의 경우 부분취소 시 추가 배송비가 부과될 수 있습니다.
* 북카트에서 배송비없애기 버튼을 클릭하셔서, 동일업체상품을 조금 더 구매하시면, 배송비를 절약하실 수 있습니다.
해외배송 안내
인터파크도서에서는 국내에서 주문하시거나 해외에서 주문하여 해외로 배송을 원하실 경우 DHL과 특약으로 책정된 요금표에
의해 개인이 이용하는 경우보다 배송요금을 크게 낮추며 DHL(www.dhl.co.kr)로 해외배송 서비스를 제공합니다. 해외배송은 도서/CD/DVD 상품에 한해 서비스하고 있으며, 다른 상품을 북카트에 함께 담으실 경우 해외배송이 불가합니다.
해외주문배송 서비스는 인터파크 도서 회원 가입을 하셔야만 신청 가능합니다.
알아두세요!!!
도매상 및 제작사 사정에 따라 품절/절판 등의 사유로 취소될 수 있습니다. 오픈마켓업체의 배송지연시 주문이 자동으로 취소될 수 있습니다. 출고가능 시간이 서로 다른 상품을 함께 주문할 경우 출고가능 시간이 가장 긴 기준으로 배송됩니다. 유통의 특성상 출고기간은 예정보다 앞당겨지거나 늦춰질 수 있습니다. 택배사 배송일인 서울 및 수도권은 1~2일, 지방은 2~3일, 도서, 산간, 군부대는 3일 이상의 시간이 소요됩니다.
;)
전체 0개의 구매후기가 있습니다.
교환 및 반품이 가능한 경우 
상품을 공급 받은 날로부터 7일이내 가능 
상품은 월~토요일 오전 10시 이전 주문분에 대하여 당일 출고/당일 배송완료를 보장하는 상품입니다.
상품은 서울지역/평일 주문분은 당일 출고/익일 배송완료를 보장하며,
상품은, 입고예정일(제품출시일)+택배사배송일(1일)에 배송완료를 보장합니다.
~ 
상품은 유통특성상 인터파크에서 재고를 보유하지 않은 상품으로
상품은 업체가 주문을 확인하고, 출고하기까지 걸리는 시간입니다.
