상세정보

딥러닝 구현 복잡도가 증가함에 따라 '파이써닉'하고 사용이 편리한 파이토치가 주목받고 있다. 파이토치 코리아 운영진인 저자는 다년간 딥러닝을 공부하고 강의한 경험을 살려 딥러닝의 진입 장벽을 낮출 목적으로 이 책을 집필했다.

파이토치 설치부터 CNN, RNN, 나아가 스타일 트랜스퍼, 오토인코더, GAN 등 최신 연구 결과까지 살펴본다. 같은 어려움을 겪었던 개발자의 마음으로 개념 원리와 구현을 균형 있게 구성하여 쉽게 읽을 수 있다.

페이스북이 주도하는 딥러닝 프레임워크 파이토치
기초부터 스타일 트랜스퍼, 오토인코더, GAN 실전 기법까지 A to Z
딥러닝 구현 복잡도가 증가함에 따라 '파이써닉'하고 사용이 편리한 파이토치가 주목받고 있다. 파이토치 코리아 운영진인 저자는 다년간 딥러닝을 공부하고 강의한 경험을 살려 딥러닝의 진입 장벽을 낮출 목적으로 이 책을 집필했다. 파이토치 설치부터 CNN, RNN, 나아가 스타일 트랜스퍼, 오토인코더, GAN 등 최신 연구 결과까지 살펴본다. 같은 어려움을 겪었던 개발자의 마음으로 개념 원리와 구현을 균형 있게 구성하여 쉽게 읽을 수 있다.

복잡한 건 파이토치에게 맡기고 모델에 집중하세요
딥러닝 분야의 네임드인 안드레이 카파시는 이런 말을 했습니다. "파이토치를 몇 달 써봤는데 이보다 더 좋을 수 없다. 에너지가 넘치고, 피부도 밝아졌으며, 시력도 좋아졌다." 파이토치는 텐서플로와 비교하면 그래프 정의와 실행부가 분리되어 있지 않아 직관적입니다. 코드가 짧은 것도 강점 중 하나입니다. 새로운 딥러닝 연구 결과가 매일 쏟아지고 구현 복잡도 역시 증가함에 따라 구현 측면에서 '파이써닉'하고 편리한 파이토치가 떠오르고 있습니다.
다년간 딥러닝을 공부하고 강의한 저자는 파이토치로 딥러닝의 진입 장벽을 낮출 목적으로 이 책을 썼습니다. 파이토치 실습은 어떻게 시작하는 게 좋을까요? 이 책처럼 코랩을 사용하면 설치할 게 하나도 없습니다. 선형회귀분석, 역전파, CNN, RNN, 학습 시 문제점 해결 등 이제는 익숙한 주제를 배우고, 스타일 트랜스퍼, 오토인코더, GAN 등 주요한 논문 연구 결과도 살펴봅니다. 같은 어려움을 겪었던 개발자의 마음으로 이론과 구현을 균형 있게 구성하여 개발자들이 최대한 쉽게 읽을 수 있게 집필했습니다.
최근에는 딥러닝 입문자들이 활용할 수 있는 자료가 많아졌습니다. 수학 공식을 몰라도 배울 수 있다는 주장은 더는 통하지 않습니다. 수학이 어려워도 알아야 할 것은 알아야 수박 겉핥기 수준에서 벗어날 수 있습니다. 코랩+파이토치 실습으로 까다로운 구현은 덜어내고 딥러닝 개념 원리에 집중한 이 책이 딥러닝 정복을 향한 진정한 첫걸음을 딛게 해줄 것입니다.

주요 내용
● 아나콘다+CUDA+cuDNN 설치(그냥 코랩 쓰면 마음이 편합니다)
● 선형회귀분석을 살펴보며 손실 함수, 경사하강법 이해하기
● 연쇄법칙, 전파, 역전파 등 인공 신경망의 기초
● 친절한 그림으로 CNN을 익히고, VGGNet, GoogLeNet, ResNet 살펴보기
● RNN의 원리부터 LSTM, GRU, 임베딩, word2vec까지
● 오버피팅과 언더피팅 해결, 드롭아웃, 정형화, 초기화, 정규화 등 학습 성능 향상법
● 스타일 트랜스퍼, 전이학습, L-BFGS
● 오토인코더와 시맨틱 세그멘테이션
● GAN과 친구들(DCGAN, SRGAN, Pix2Pix, CycleGAN, DiscoGAN)

정보제공 :

CHAPTER 1 딥러닝에 대하여 
1.1 딥러닝이란 무엇인가 
1.2 왜 배워야 하는가 
1.3 무엇을 할 수 있는가 

CHAPTER 2 파이토치 
2.1 파이토치는 무엇이고 왜 써야 하는가 
2.2 다른 프레임워크와의 비교 
2.3 설치하는 법 

CHAPTER 3 선형회귀분석 
3.1 선형회귀분석이란 무엇인가 
3.2 손실 함수 및 경사하강법 
3.3 파이토치에서의 경사하강법 

CHAPTER 4 인공 신경망 
4.1 신경망이란 무엇인가 
4.2 인공 신경망의 요소 
4.3 전파와 역전파 
4.4 모델 구현, 학습 및 결과 확인 

CHAPTER 5 합성곱 신경망 
5.1 합성곱 신경망의 발달 배경 
5.2 합성곱 연산 과정 
5.3 패딩과 풀링 
5.4 모델의 3차원적 이해 
5.5 소프트맥스 함수 
5.6 모델 구현, 학습 및 결과 확인 
5.7 유명한 모델들과 원리 

CHAPTER 6 순환 신경망 
6.1 순환 신경망의 발달 과정 
6.2 순환 신경망의 작동 원리 
6.3 모델 구현, 학습 및 결과 확인 
6.4 순환 신경망의 한계 및 개선 방안 

CHAPTER 7 학습 시 생길 수 있는 문제점과 해결 방안 
7.1 오버피팅과 언더피팅 
7.2 정형화 
7.3 드롭아웃 
7.4 데이터 증강 
7.5 초기화 
7.6 학습률 
7.7 정규화 
7.8 배치 정규화 
7.9 경사하강법의 변형 

CHAPTER 8 뉴럴 스타일 트랜스퍼 
8.1 전이학습 
8.2 스타일 트랜스퍼 
8.3 스타일과 콘텐츠의 정의 
8.4 학습 알고리즘 
8.5 최적화 알고리즘 
8.6 코드 구현 

CHAPTER 9 오토인코더 
9.1 소개 및 학습 원리 
9.2 합성곱 오토인코더 
9.3 시맨틱 세그멘테이션 

CHAPTER 10 생성적 적대 신경망 
10.1 소개 및 학습 원리 
10.2 모델 구현 및 학습 
10.3 유명한 모델들과 원리