상세정보

TensorFlow를 통한 딥러닝 구현을 중점으로 소개한다. TensorFlow 설치를 시작으로 TensorFlow의 기본 개념을 차례대로 설명하고, 궁극적으로 완전 연결 신경망, 합성곱 신경망과 순환 신경망 등 여러 딥러닝 알고리즘을 직접 구현해 본다. 이와 동시에 딥러닝 알고리즘에 대한 이론과 해결할 수 있는 문제를 알기 쉽게 설명한다.

기본 개념부터 완전한 모델까지 다룬
개발자에게 매우 적합한 최고의 책

최근 들어 뉴스, 블로그 등 여기저기서 ‘딥러닝’이란 단어를 쉽게 접할 수 있습니다. 수십 년 동안 인공지능 기술은 끊임없이 발전하고 있지만, 딥러닝 같은 학계와 산업에서 각광받는 기술은 10년간 어려움을 겪었습니다. 안타까운 점은 딥러닝을 이해하고 응용하는 것이 어려워 특히 복잡한 수학 모델로 인해 적지 않은 학생들이 포기한다는 것입니다. 설상가상으로 딥러닝 기술이 급속한 발전을 이루면서 글쓰기와 출판 과정이 매우 복잡하여 딥러닝 심화 과정을 서술한 책을 찾아보기가 힘듭니다. 현재 가장 인기 있는 딥러닝 프레임워크인 TensorFlow에 관한 서적은 더욱 그렇습니다. 이것이 저자가 밤을 새어가며 이 책을 쓰게 된 이유입니다. IT 업계 종사자이자 창업자로서 여러분들이 이 책을 통해 복잡한 수학 공식이 아닌 여러 예제 코드로 딥러닝을 신속하게 배우고 문제를 해결하는 데 많은 도움이 되기를 바랍니다.

2016년 초, 저자와 몇몇의 친구들은 미국 구글에서 사직하고 항저우로 돌아와 기업을 대상으로 인공지능 플랫폼과 솔루션을 제공하는 CaiYun(Caicloud.io)을 공동 창립했습니다. 저자가 중국에 왔을 땐 이미 많은 기업이 TensorFlow에 대해 큰 관심을 보이고 있었습니다. 하지만 이들과 깊은 대화를 나눈 뒤에 저자는 TensorFlow가 사용하기 매우 쉬운 도구임에도 불구하고 당시 모든 기업에서 딥러닝 기술을 제대로 활용할 수 없다는 사실을 발견했습니다. 그리하여 저자는 더 많은 개인과 기업이 딥러닝 기술의 혜택을 누릴 수 있도록 이 책을 쓰기 시작했습니다.

이 책은 TensorFlow를 통한 딥러닝 구현을 중점으로 소개합니다. TensorFlow 설치를 시작으로 TensorFlow의 기본 개념을 차례대로 설명하고, 궁극적으로 완전 연결 신경망, 합성곱 신경망과 순환 신경망 등 여러 딥러닝 알고리즘을 직접 구현해 볼 것입니다. 이와 동시에 딥러닝 알고리즘에 대한 이론과 해결할 수 있는 문제를 알기 쉽게 설명합니다. 이 책에서 저자는 지루하고 복잡한 수학 공식을 피하고 실제 학습에서의 딥러닝 개념과 TensorFlow 사용법을 소개합니다. 또한, TensorFlow 병렬 처리와 시각화 툴인 TensorBoard, 그리고 GPU를 사용한 TensorFlow 분산 처리 사용법에 대해서도 살펴볼 것입니다.

정보제공 :

Chapter 01. 딥러닝 개요

　1.1 인공지능, 머신러닝, 딥러닝
　1.2 딥러닝의 발전 과정
　1.3 딥러닝의 응용
　　1.3.1 컴퓨터 비전
　　1.3.2 음성 인식
　　1.3.3 자연어 처리
　　1.3.4 인간 vs 기계 게임
　1.4 딥러닝 도구 소개 및 비교

Chapter 02. TensorFlow 환경 설정

　2.1 TensorFlow 주요 의존 패키지
　　2.1.1 Protocol Buffer
　　2.1.2 Bazel
　2.2 TensorFlow 설치
　　2.2.1 Docker를 이용한 설치
　　2.2.2 pip를 이용한 설치
　　2.2.3 소스 코드를 이용한 설치
　2.3 TensorFlow 테스트 예제

Chapter 03. TensorFlow 입문

　3.1 TensorFlow 계산 모델 - 계산 그래프
　　3.1.1 계산 그래프의 개념
　　3.1.2 계산 그래프의 사용
　3.2 TensorFlow 데이터 모델 - 텐서
　　3.2.1 텐서의 개념
　　3.2.2 텐서의 용도
　3.3 TensorFlow 실행 모델 - 세션
　3.4 TensorFlow 신경망 구현
　　3.4.1 TensorFlow 플레이그라운드와 신경망
　　3.4.2 순전파 알고리즘
　　3.4.3 신경망 매개 변수 및 TensorFlow 변수
　　3.4.4 TensorFlow 신경망 모델 학습
　　3.4.5 신경망 학습의 전 과정 예제

Chapter 04. 심층 신경망

　4.1 딥러닝과 심층 신경망
　　4.1.1 선형 모델의 한계
　　4.1.2 활성화 함수
　　4.1.3 다층 신경망으로 XOR 문제 해결
　4.2 손실 함수 정의
　　4.2.1 전형적인 손실 함수
　　4.2.2 사용자 정의 손실 함수
　4.3 신경망 최적화 알고리즘
　4.4 신경망 최적화
　　4.4.1 학습률 설정
　　4.4.2 오버피팅(Overfitting)
　　4.4.3 이동 평균 모델

Chapter 05. MNIST 숫자 인식

　5.1 MNIST 데이터 처리
　5.2 신경망 모델 학습 및 비교
　　5.2.1 TensorFlow 신경망 학습
　　5.2.2 검증 데이터를 사용한 모델 평가
　　5.2.3 모델 성능 비교
　5.3 변수 관리
　5.4 TensorFlow 모델 저장 및 불러오기
　　5.4.1 저장 및 불러오기 코드 구현
　　5.4.2 원리와 데이터 형식
　5.5 TensorFlow 실행 예제 코드

Chapter 06. 이미지 인식과 합성곱 신경망

　6.1 이미지 인식 문제 및 데이터셋
　6.2 합성곱 신경망 개요
　6.3 합성곱 신경망 구조
　　6.3.1 합성곱 계층
　　6.3.2 풀링 계층
　6.4 합성곱 신경망 모델
　　6.4.1 LeNet-5
　　6.4.2 Inception-v3
　6.5 합성곱 신경망 전이 학습
　　6.5.1 전이 학습 소개
　　6.5.2 TensorFlow 전이 학습 구현

Chapter 07. 이미지 데이터 처리

　7.1 TFRecord 입력 데이터 포맷
　　7.1.1 TFRecord 개요
　　7.1.2 TFRecord 예제
　7.2 이미지 데이터 처리
　　7.2.1 TensorFlow 이미지 처리 함수
　　7.2.2 이미지 전처리 예제
　7.3 멀티 스레드를 통한 데이터 처리
　　7.3.1 큐와 멀티 스레드
　　7.3.2 입력 파일 큐
　　7.3.3 배치 처리
　　7.3.4 입력 데이터 처리 프레임워크

Chapter 08. 순환 신경망

　8.1 순환 신경망 개요
　8.2 장단기 메모리(LSTM) 구조
　8.3 순환 신경망의 변형
　　8.3.1 양방향 순환 신경망과 심층 순환 신경망
　　8.3.2 순환 신경망의 드롭아웃
　8.4 순환 신경망의 응용
　　8.4.1 언어 모델링
　　8.4.2 시계열 데이터 예측

Chapter 09. TensorBoard : 그래프 시각화

　9.1 TensorBoard 개요
　9.2 TensorFlow 계산 그래프 시각화
　　9.2.1 네임스페이스와 TensorBoard 그래프 노드
　　9.2.2 노드 정보
　9.3 지표 모니터링

Chapter 09. TensorFlow 계산 가속

　10.1 TensorFlow-GPU 사용하기
　10.2 딥러닝 모델의 병렬 학습
　10.3 멀티 GPU 병렬 처리
　10.4 분산식 TensorFlow
　　10.4.1 분산식 TensorFlow 원리
　　10.4.2 분산 학습