HOME > Detail View

Detail View

PyTorch로 시작하는 딥러닝 : 딥러닝 기초에서 최신 모던 아키텍처까지 (Loan 57 times)

Material type
단행본
Personal Author
Subramanian, Vishnu 김태완, 역
Title Statement
PyTorch로 시작하는 딥러닝 : 딥러닝 기초에서 최신 모던 아키텍처까지 / 비슈누 수브라마니안 지음 ; 김태완 옮김
Publication, Distribution, etc
서울 :   에이콘,   2019  
Physical Medium
310 p. : 삽화 ; 24 cm
Series Statement
Acorn+PACKT technical book
Varied Title
Deep learning with PyTorch : a practical approach to building neural network models using PyTorch
ISBN
9791161752594 9788960772106 (Set)
General Note
색인수록  
Subject Added Entry-Topical Term
Neural networks (Computer science) Machine learning Python (Computer program language)
000 00000nam c2200205 c 4500
001 000045971824
005 20190226140948
007 ta
008 190226s2019 ulka 001c kor
020 ▼a 9791161752594 ▼g 94000
020 1 ▼a 9788960772106 (Set)
035 ▼a (KERIS)REQ000044316623
040 ▼a 211062 ▼c 211062 ▼d 211009
041 1 ▼a kor ▼h eng
082 0 4 ▼a 006.32 ▼2 23
085 ▼a 006.32 ▼2 DDCK
090 ▼a 006.32 ▼b 2019
100 1 ▼a Subramanian, Vishnu
245 1 0 ▼a PyTorch로 시작하는 딥러닝 : ▼b 딥러닝 기초에서 최신 모던 아키텍처까지 / ▼d 비슈누 수브라마니안 지음 ; ▼e 김태완 옮김
246 1 9 ▼a Deep learning with PyTorch : ▼b a practical approach to building neural network models using PyTorch
260 ▼a 서울 : ▼b 에이콘, ▼c 2019
300 ▼a 310 p. : ▼b 삽화 ; ▼c 24 cm
440 0 0 ▼a Acorn+PACKT technical book
500 ▼a 색인수록
650 0 ▼a Neural networks (Computer science)
650 0 ▼a Machine learning
650 0 ▼a Python (Computer program language)
700 1 ▼a 김태완, ▼e
900 1 0 ▼a 수브라마니안, 비슈누, ▼e
945 ▼a KLPA

No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.32 2019 Accession No. 121248043 Availability In loan Due Date 2021-09-09 Make a Reservation Service M
No. 2 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.32 2019 Accession No. 121249218 Availability Available Due Date Make a Reservation Service B M
No. 3 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.32 2019 Accession No. 121249219 Availability Available Due Date Make a Reservation Service B M
No. 4 Location Sejong Academic Information Center/Science & Technology/ Call Number 006.32 2019 Accession No. 151347116 Availability Available Due Date Make a Reservation Service
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.32 2019 Accession No. 121248043 Availability In loan Due Date 2021-09-09 Make a Reservation Service M
No. 2 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.32 2019 Accession No. 121249218 Availability Available Due Date Make a Reservation Service B M
No. 3 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.32 2019 Accession No. 121249219 Availability Available Due Date Make a Reservation Service B M
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Sejong Academic Information Center/Science & Technology/ Call Number 006.32 2019 Accession No. 151347116 Availability Available Due Date Make a Reservation Service

Contents information

Book Introduction

파이토치를 이용한 딥러닝 입문서다. 파이토치는 최근 글로벌하게 가장 큰 주목을 받는 머신 러닝/딥러닝 프레임워크다. 딥러닝 입문자를 대상으로 기본적인 선형/회귀 모델부터 CNN, RNN, GAN과 같은 고급 네트워크까지 다루며, 더 나아가 전이학습(Transfer Learning)과 VGG16, ResNet, Inception, DeseNet 등 최신 모던 아키텍처를 활용하는 기법까지 체계적으로 학습하고 체험할 수 있도록 구성돼 있다. 이 책을 통해 딥러닝 기본 개념, 데이터 전처리, 신경망 고급 모델 및 딥러닝 응용 기법을 이해할 수 있다.

역자 블로그( http://taewan.kim/tutorial_manual/dl_pytorch )에서 예제 실습을 돕는 보조 자료를 제공한다.

★ 이 책이 다루는 내용 ★

■ 파이토치를 이용한 GPU 가속 텐서 연산
■ torchvision와 torchtext를 사용해 이미지용 사용자 정의 데이터셋과 데이터 로더를 만들고 모델을 테스트하는 기법
■ 파이토치로 CNN 아키텍처를 구현해 이미지 분류기 제작
■ RNN, LSTM 및 GRU를 이용해 텍스트 분류 및 언어 모델링 시스템 구축
■ ResNet, Inception, Densenet 같은 고급 CNN 아키텍처를 소개하고, 전이 학습을 이용해 고급 아키텍처 사용
■ 여러 모델을 혼합해 강력한 앙상블 모델 구축
■ GAN을 사용해 새 이미지를 생성하고 스타일 트랜스퍼를 사용해 예술적 이미지 생성


★ 이 책의 대상 독자 ★

딥러닝에 관심이 있는 엔지니어, 데이터 분석가 및 데이터 과학자 그리고 파이토치를 사용해 고급 알고리즘을 탐색하고 구현하려는 사용자를 대상으로 한다. 이 책을 읽는 데 머신 러닝에 대한 지식은 도움이 되지만 필수는 아니다. 그러나 파이썬 프로그래밍은 다룰 줄 알아야 한다.


★ 이 책의 구성 ★

1장, '파이토치 딥러닝 첫걸음'에서는 인공지능(AI, Artificial Intellligence)과 머신 러닝의 역사를 살펴보고 최근의 딥러닝 성장에 대해 알아본다. 하드웨어와 알고리즘의 다양한 개선이 여러 애플리케이션 분야에서 딥러닝을 구현하는 데 얼마나 큰 성공을 가져왔는지에 관해서도 설명한다. 마지막으로 페이스북(Facebook)에서 토치(Torch) 위에 구축한 아름다운 파이토치 파이썬 라이브러리를 소개한다.
2장, '신경망 구성 요소'에서는 변수, 텐서 및 nn.module과 같은 파이토치의 구성 요소를 소개한다. 신경망을 개발하는 데 이 구성 요소를 어떻게 사용하는지 알아본다.
3장, '신경망 파헤치기'에서는 데이터 준비, 텐서를 배치 처리하기 위한 데이터 로더, 네트워크 아키텍처 생성을 위한 torch.nn 패키지, 파이토치 손실 함수 및 옵티마이저 사용과 같은 신경망을 학습시키는 데 필요한 여러 프로세스를 다룬다.
4장, '머신 러닝 입문'에서는 과대적합, 과소적합과 같은 여러 가지 유형의 머신 러닝 문제에 대해 알아본다. 또한 데이터 증식, 드롭아웃, 과대적합을 방지하는 배치 정규화(batch normalization)와 같은 다양한 기법을 소개한다.
5장, '컴퓨터 비전 딥러닝'에서는 1차원과 2차원 컨볼루션, 맥스 풀링, 평균 풀링, 기본 CNN 아키텍처와 같은 Convolutional Neural Network(CNN)의 구성 요소에 대해 설명한다. 사전에 학습된 모델을 이용하는 전이 학습에 대해 알아보고, 마지막으로 사전 계산된 컨볼루션 피처를 이용해 전이 학습을 더 빠르게 진행하는 기법을 소개한다.
6장, '시퀀스 데이터와 텍스트 딥러닝'에서는 IMDB 데이터셋을 텍스트 분류하는 다양한 아키텍처를 소개한다. 워드 임베딩, 사전 학습된 워드 임베딩 사용 방법, RNN, LSTM과 1차원 컨볼루션에 대해 살펴본다.
7장, '생성적 신경망'에서는 딥러닝을 이용해 예술적 이미지를 생성하는 방법을 설명한다. 또한 DCGAN을 사용해 새로운 이미지를 생성해보고, 언어 모델을 이용해 텍스트를 생성하는 방법을 알아본다.
8장, '모던 네트워크 아키텍처'에서는 최신 컴퓨터 비전 애플리케이션을 지원하는 ResNet, Inception 및 DenseNet과 같은 아키텍처에 대해 알아본다. 언어 번역 및 이미지 캡션과 같은 최신 시스템을 지원하는 인코더-디코더 아키텍처에 대해 간략하게 살펴본다.
9장, '마침표 그리고 새로운 시작'에서는 앞에서 무엇을 배웠는지 요약하고 딥러닝 분야에서 지속적으로 최신 정보와 상태를 유지하는 방법을 소개한다.


Information Provided By: : Aladin

Author Introduction

비슈누 수브라마니안(지은이)

다수의 빅데이터 분석 프로젝트(인공지능, 머신 러닝 및 딥러닝)에서 프로젝트 리딩, 설계 및 구현 역할을 담당했다. 머신 러닝, 딥러닝, 분산 환경 머신 러닝 및 시각화에 전문성을 갖 고 있다. 유통, 금융 및 여행 분야에서 경험을 쌓았다. 비지니스, 인공지능 그리고 엔지니어 팀 간의 이해와 소통을 돕고 조정하는 데 능숙하다.

김태완(옮긴이)

대우정보시스템에서 자바 웹 개발자로 IT 업계에 입문했다. 대우정보시스템 연구소에서 전사 표준 프레임워크 개발, 보급 및 기술 컨설팅을 수행했다. 그 후 오라클에서 WAS, Memory Grid, CEP, DB 동기화 및 자바 엔지니어로 활동했다. 2015년에 IBM에 합병된 NoSQL 전문 개발 업체인 Cloudant에서 2년간 CouchDB 개발과 클라우드 서비스 개발에 참여했다. 한국 오라클에서 빅데이터 엔지니어로 활동하고 있다. 한 분야에 집중하고 꾸준하게 콘텐츠를 만드는 일에 몰입하고 있으며, 콘텐츠 퍼블리싱 공간으로 http://taewan.kim을 운영하고 있다.

Information Provided By: : Aladin

Table of Contents

서문 
지은이 소개 
기술 감수자 소개 
옮긴이 소개 
옮긴이의 말 
들어가며 

1장. 파이토치로 딥러닝 시작하기 

__인공지능 
____인공지능의 역사 
__머신 러닝 
____실생활 머신 러닝 사례 
__딥러닝 
____딥러닝 애플리케이션 
____딥러닝의 과장된 미래 
____딥러닝 역사 
____왜 지금인가? 
____하드웨어 가용성 
____데이터와 알고리즘 
____딥러닝 프레임워크 
________파이토치 
__요약 

2장. 신경망 구성 요소 

__파이토치 설치 
__첫 번째 신경망 
____데이터 준비 
________스칼라(0차원 텐서) 
________벡터(1차원 텐서) 
________행렬(2차원 텐서) 
________3차원 텐서 
________텐서 슬라이싱(텐서 자르기) 
________4차원 텐서 
________5차원 텐서 
________GPU 지원 Tensor 
________Variable 
____신경망에 사용할 데이터 생성하기 
________학습 파라미터 생성 
________신경망 모델 
________네트워크 구현 
________오차 함수 
________신경망 최적화 
____데이터 로딩 
________데이터셋 클래스 
________데이터로더 클래스 
__요약 

3장. 신경망 파헤치기 

__신경망 구성 요소 
____레이어 - 신경망 기본 블록 
____비선형 활성 함수 
________시그모이드 
________Tanh 
________ReLU 
________Leakly ReLU 
____파이토치 비선형 활성화 함수 
________파이토치 딥러닝 알고리즘 구현하기 
________다양한 머신 러닝 문제를 위한 모델 아키텍처 
________손실 함수 
________네트워크 아키텍처 최적화 
____딥러닝을 이용한 이미지 분류 
________파이토치 Tensor로 데이터 로딩 
________일괄 처리 형태로 파이토치 Tensor로 로딩하기 
__네트워크 아키텍처 구축 
________모델 학습 
__요약 

4장. 머신 러닝 입문 

__머신 러닝의 세 가지 유형 
____지도학습 
____비지도학습 
____강화학습 
__머신 러닝 용어 
__머신 러닝 모델 평가 
____학습, 검증 및 테스트 분할 
__단순 홀드아웃 검증 
__K-겹 검증 
__데이터 혼합이 적용된 K-겹 검증 
__데이터 전처리와 특성 공학 
____벡터화 
____수치 정규화 
____누락 데이터 처리 
____특성 공학 
__과대적합과 과소적합 
____더 많은 데이터 확보 
____네트워크 크기 줄이기 
____가중치 규제 적용 
____드롭아웃 
____과소적합 
__머신 러닝 프로젝트 워크플로 
____문제 정의와 데이터셋 만들기 
____모델 평가 기준 
____평가 프로토콜 
____데이터 준비 
____기준 모델 
____과대적합 될 정도의 모델 
____가중치 규제 적용 
____학습률 선정 전략 
__요약 

5장. 컴퓨터 비전 딥러닝 

__신경망 첫걸음 
____MNIST - 데이터 가져오기 
__CNN 모델 구축 
CONV2D 
____풀링 
____비선형 활성화 레이어- RELU 
____뷰 
________선형 레이어 
____모델 학습 
____CNN을 이용1개와 고양이 분류 
____전이 학습을 이용한 개와 고양이 분류 
__VGG16 모델 생성과 탐색 
____레이어 고정 
____세부 조정: VGG16 
____VGG16 모델 학습 
__사전 계산된 컨볼루션 피처 사용 
__CNN 학습에 대한 이해 
____중간 레이어의 출력 시각화 
__중간 레이어의 가중치 시각화 
__요약 

6장. 시퀀스 데이터와 텍스트 딥러닝 

__텍스트 데이터 분석 
____토큰화 
________텍스트를 문자로 변환 
________텍스트를 단어로 변환 
________N-그램 표현 
____벡터화 
________원-핫 인코딩 
____워드 임베딩 
__감성 분류기로 워드 임베딩 학습시키기 
____IMDB 다운로드와 텍스트 토큰화 
________torchtext 
________torchtext 
____어휘 구축 
____벡터 배치 생성 
____임베딩으로 네트워크 모델 만들기 
____모델 학습시키기 
__사전 학습 워드 임베딩 
____임베딩 다운로드 
____모델에 임베딩 로딩하기 
____임베딩 레이어 가중치 고정 
__RNN 
____RNN 작동 방식 이해 
__LSTM 
____장기 종속성 
____LSTM 네트워크 
________데이터 준비하기 
________배치 처리기 생성하기 
________네트워크 생성하기 
________모델 학습시키기 
__시퀀스 데이터와 CNN 
____시퀀스 데이터를 위한 1차원 컨볼루션 이해 
________네트워크 만들기 
________모델 학습시키기 
__요약 

7장. 생성적 신경망 

__신경망 스타일 트랜스퍼 
____데이터 로딩 
____VGG 모델 생성 
____콘텐츠 손실 
____스타일 손실 
____VGG 모델 레이어의 손실 추출 
____각 레이어의 손실 함수 만들기 
____옵티마이저 만들기 
____학습 
__생산적 적대 신경망 
____심층 컨볼루션 GAN 
____생성기 네트워크 정의 
________전치 컨볼루션 
________배치 정규화 
________생성기 네트워크 정의 
____판별기 네트워크 정의 
____오차와 옵티마이저 정의 
____판별기 네트워크 학습 
________실제 이미지로 판별기 학습시키기 
________가짜 이미지로 판별기 학습시키기 
____생성기 네트워크 학습 
____전체 네트워크 학습 시키기 
____생성 이미지 검토 
__언어 모델 
____데이터 준비 
____배치 처리기 생성 
________배치 
________Backpropagation through time 
____LSTM에 기반한 모델 정의 
____학습과 평가 함수 정의 
____모델 학습 
__요약 

8장. 모던 네트워크 아키텍처 

__최신 네트워크 아키텍처 
____ResNe 
________파이토치 데이터셋 만들기 
________학습과 검증을 위한 로더 생성 
________ResNet 모델 만들기 
________컨볼루션 피처 추출 
________미리 계산된 컨볼루션 피처와 로더를 위한 사용자 정의 파이토치 데이터셋 클래스 만들기 
________단순한 선형 모델 만들기 
________모델 학습과 검증 
____인셉션 
________인셉션 모델 만들기 
________register_forward_hood을 이용해 컨볼루션 피처 추출하기 
________컨볼루션 피처를 위한 새로운 데이터셋 만들기 
________전연결 모델 만들기 
________모델 학습과 검증 
__DenseNet: 컨볼루션 네트워크의 전연결 아키텍처 
____DenseBlock 
____DenseLayer 
________덴스넷 모델 생성 
________덴스넷 피처 추출 
________데이터셋과 로더 만들기 
________전연결 모델을 생성하고 학습 
__앙상블 모델 
____3개 모델 만들기 
____Extracting the image features 
____데이터 로더와 사용자 정의 데이터셋 생성 
____앙상블 모델 만들기 
____모델 학습시키고 검증 
__인코더-디코더 아키텍처 
____인코더 
____디코더 
__요약 

9장. 마지막 그리고 새로운 시작 

__다음은? 
__개요 
__연구 가치가 있는 흥미로운 아이디어 
____객체 인식 
____이미지 분할 
____파이토치 OPENNMT 
____ALIEN NLP 
____FAST 
____ONNX 
__지속적인 정보 업데이트 방법 
__요약 

찾아보기

New Arrivals Books in Related Fields

Cartwright, Hugh M. (2021)
한국소프트웨어기술인협회. 빅데이터전략연구소 (2021)