홈앤서비스 SK BROADBAND

파이토치 핵심 개발진이 직접 집필한 책으로, 최고 실무자가 바로 옆에 앉아서 딥러닝의 기초부터 실제 프로젝트 활용까지, 모델 성능 평가와 개선 방안을 차근차근 알려주는 느낌을 준다! 텐서, 신경망 같은 딥러닝 데이터 구조의 개념과 원리부터 파이토치와 의료 데이터를 활용한 완전하게 동작 가능한 딥러닝 서비스 구축부터 배포까지, 딥러닝 전체 워크플로를 모두 다룬다!

이 책에서는 파이토치를 활용해 신경망과 딥러닝 시스템을 만드는 방법을 알려준다. 종양 이미지 분류기라는 실전 예제 구축 작업을 바닥부터 배우는 실용적인 내용이 가득하다. 동시에 파이토치 텐서 API, 파이썬의 데이터 로딩, 훈련 모니터링, 결과 시각화 등 딥러닝 파이프라인 전체에 대한 최고의 실습 사례를 다룬다.

[1부] 파이토치 핵심

1장 딥러닝과 파이토치 라이브러리 소개
__1.1 딥러닝 혁명
__1.2 딥러닝을 위한 파이토치
__1.3 왜 파이토치인가?
____1.3.1 딥러닝 경쟁 구도
__1.4 파이토치 딥러닝 프로젝트 둘러보기
__1.5 하드웨어와 소프트웨어 요구사항
____1.5.1 주피터 노트북
__1.6 연습 문제
__1.7 핵심 요약

2장 사전 훈련된 신경망
__2.1 이미지를 인식하는 사전 훈련된 신경망
____2.1.1 이미지 인식을 위해 사전 훈련된 신경망 가져오기
____2.1.2 알렉스넷
____2.1.3 레즈넷
____2.1.4 준비, 시...작 전에 잠깐만
____2.1.5 실행!
____2.2 가짜 이미지를 만드는 사전 훈련된 모델
____2.2.1 GAN 게임
____2.2.2 사이클GAN
____2.2.3 말을 얼룩말로 바꾸는 신경망
__2.3 장면을 설명하는 사전 훈련된 신경망
____2.3.1 뉴럴토크2
__2.4 토치 허브
__2.5 결론
__2.6 연습 문제
__2.7 핵심 요약

3장 텐서 구조체
__3.1 부동소수점 수의 세계
__3.2 텐서: 다차원 배열
____3.2.1 파이썬 리스트에서 파이토치 텐서로
____3.2.2 첫 텐서 만들어보기
____3.2.3 텐서의 핵심
__3.3 텐서 인덱싱
__3.4 이름이 있는 텐서
__3.5 텐서 요소 타입
____3.5.1 dtype으로 숫자 타입 지정하기
____3.5.2 모든 경우에 사용하는 dtype
____3.5.3 텐서의 dtype 속성 관리
__3.6 텐서 API
__3.7 텐서를 저장소 관점에서 머릿속에 그려보기
____3.7.1 저장 공간 인덱싱
____3.7.2 저장된 값을 수정하기: 텐서 내부 연산
__3.8 텐서 메타데이터: 사이즈, 오프셋, 스트라이드
____3.8.1 다른 텐서의 저장 공간에 대한 뷰 만들기
____3.8.2 복사 없이 텐서 전치하기
____3.8.3 더 높은 차원에서의 전치 연산
____3.8.4 인접한 텐서
__3.9 텐서를 GPU로 옮기기
____3.9.1 텐서 디바이스 속성 관리
__3.10 넘파이 호환
__3.11 일반화된 텐서도 텐서다
__3.12 텐서 직렬화
____3.12.1 h5py로 HDF5 병렬화하기
__3.13 결론
__3.14 연습 문제
__3.15 핵심 요약

4장 실제 데이터를 텐서로 표현해보기
__4.1 이미지 다루기
____4.1.1 컬러 채널 더하기
____4.1.2 이미지 파일 로딩
____4.1.3 레이아웃 변경하기
____4.1.4 데이터 정규화
__4.2 3차원 이미지: 용적 데이터
____4.2.1 특수 포맷 로딩
__4.3 테이블 데이터 표현하기
____4.3.1 실세계 데이터셋 사용하기
____4.3.2 와인 데이터를 텐서로 읽어오기
____4.3.3 점수 표현하기
____4.3.4 원핫 인코딩
____4.3.5 언제 카테고리화 할 것인가
____4.3.6 임계값으로 찾기
__4.4 시계열 데이터 다루기
____4.4.1 시간 차원 더하기
____4.4.2 시간 단위로 데이터 만들기
____4.4.3 훈련 준비
__4.5 텍스트 표현하기
____4.5.1 텍스트를 숫자로 변환하기
____4.5.2 문자 원핫 인코딩
____4.5.3 모든 단어를 원핫 인코딩하기
____4.5.4 텍스트 임베딩
____4.5.5 청사진으로서의 텍스트 임베딩
__4.6 결론
__4.7 연습 문제
__4.8 핵심 요약

5장 학습 기법
__5.1 시대를 초월하는 모델링 학습
__5.2 학습은 파라미터 추정에 불과하다
____5.2.1 온도 문제
____5.2.2 데이터 수집
____5.2.3 데이터 시각화
____5.2.4 먼저 선형 모델을 골라 시도해보기
__5.3 손실을 줄이기 위한 방안
____5.3.1 파이토치로 문제 풀어보기
__5.4 경사를 따라 내려가기
____5.4.1 손실 줄이기
____5.4.2 분석
____5.4.3 모델 적합을 위한 반복
____5.4.4 입력 정규화
____5.4.5 (다시 해보는) 시각화
__5.5 파이토치의 자동미분: 모든 것을 역전파하라
____5.5.1 기울기 자동 계산
____5.5.2 골라쓰는 옵티마이저
____5.5.3 훈련, 검증, 과적합
____5.5.4 자동미분의 주의사항과 자동미분 끄기
__5.6 결론
__5.7 연습 문제
__5.8 핵심 요약

6장 신경망을 활용한 데이터 적합
__6.1 인공 뉴런
____6.1.1 다중 계층 신경망 합성하기
____6.1.2 오차 함수
____6.1.3 우리에게 필요한 건 활성 함수
____6.1.4 그 밖의 활성 함수
____6.1.5 최적의 활성 함수 고르기
____6.1.6 신경망에서 학습의 의미
__6.2 파이토치 nn 모듈
____6.2.1 forward 대신 __call__ 사용하기
____6.2.2 다시 선형 모델로
__6.3 드디어 신경망
____6.3.1 선형 모델 대체하기
____6.3.2 파라미터 살펴보기
____6.3.3 선형 모델과 비교하기
__6.4 결론
__6.5 연습 문제
__6.6 핵심 요약

7장 새와 비행기 구별하기: 이미지 학습
__7.1 작은 이미지를 모아 놓은 데이터셋
____7.1.1 CIFAR-10 다운로드
____7.1.2 데이터셋 클래스
____7.1.3 데이터 변환
____7.1.4 데이터 정규화
__7.2 새와 비행기를 구별하기
____7.2.1 데이터셋 구축
____7.2.2 완전 연결 모델
____7.2.3 분류기의 출력
____7.2.4 출력을 확률로 표현하기
____7.2.5 분류를 위한 손실값
____7.2.6 분류기 훈련
____7.2.7 완전 연결의 한계
__7.3 결론
__7.4 연습 문제
__7.5 핵심 요약

8장 컨볼루션을 활용한 일반화
__8.1 컨볼루션
____8.1.1 컨볼루션의 역할
__8.2 컨볼루션 사용해보기
____8.2.1 경계 패딩하기
____8.2.2 컨볼루션으로 피처 찾아내기
____8.2.3 깊이와 풀링으로 한 단계 더 인식하기
____8.2.4 우리의 신경망에 적용하기
__8.3 nn.Module 서브클래싱하기
____8.3.1 nn.Module로 정의된 우리의 신경망
____8.3.2 파이토치가 파라미터와 서브모듈을 유지하는 방법
____8.3.3 함수형 API
__8.4 우리가 만든 컨볼루션 신경망 훈련시키기
____8.4.1 정확도 측정
____8.4.2 모델을 저장하고 불러오기
____8.4.3 GPU에서 훈련시키기
__8.5 모델 설계
____8.5.1 메모리 용량 늘리기: 너비
____8.5.2 모델이 수렴하고 일반화하도록 돕는 방법: 정규화
____8.5.3 더 복잡한 구조를 배우기 위해 깊이 파헤치기: 깊이
____8.5.4 모델의 성능 비교
____8.5.5 이미 오래된 방식
__8.6 결론
__8.7 연습 문제
__8.8 핵심 요약

[2부] 실전 이미지 학습: 폐암 조기 진단

9장 암과 싸워 이기기 위한 파이토치 활용
__9.1 사용 사례 소개
__9.2 대규모 프로젝트 준비
__9.3 CT 스캔이란
__9.4 프로젝트: 엔드투엔드 폐암 진단기
____9.4.1 신경망이 동작할 때까지 데이터를 던져넣을 수 없는 이유
____9.4.2 결절이란 무엇인가
____9.4.3 데이터 소스: LUNA 그랜드 챌린지
____9.4.4 LUNA 데이터 다운로드
__9.5 결론
__9.6 핵심 요약

10장 여러 데이터 소스를 통합 데이터셋으로 합치기
__10.1 원본 CT 데이터 파일
__10.2 LUNA 애노테이션 데이터 파싱
____10.2.1 훈련셋과 검증셋
____10.2.2 애노테이션 데이터와 후보 데이터 합치기
__10.3 개별 CT 스캔 로딩
____10.3.1 하운스필드 단위
__10.4 환자 좌표계를 사용해 결절 위치 정하기
____10.4.1 환자 좌표계
____10.4.2 CT 스캔 형태와 복셀 크기
____10.4.3 밀리미터를 복셀 주소로 변환하기
____10.4.4 CT 스캔에서 결절 추출하기
__10.5 간단한 데이터셋 구현
____10.5.1 getCtRawCandidate 함수로 후보 배열 캐싱하기
____10.5.2 LunaDataset.__init__으로 데이터셋 만들기
____10.5.3 훈련/검증 분리
____10.5.4 데이터 렌더링
__10.6 결론
__10.7 연습 문제
__10.8 핵심 요약

11장 종양 탐지를 위한 분류 모델 훈련
__11.1 기본 모델과 훈련 루프
__11.2 애플리케이션의 메인 진입점
__11.3 사전 훈련 설정과 초기화
____11.3.1 모델과 옵티마이저 초기화
____11.3.2 데이터 로더의 관리와 데이터 공급
__11.4 첫 번째 경로 신경망 설계
____11.4.1 핵심 컨볼루션
____11.4.2 전체 모델
__11.5 모델 훈련과 검증
____11.5.1 computeBatchLoss 함수
____11.5.2 훈련 때와 유사한 검증 루프
__11.6 성능 메트릭 출력
____11.6.1 logMetrics 함수
__11.7 훈련 스크립트 실행
____11.7.1 훈련에 필요한 데이터
____11.7.2 막간을 활용해 enumerateWithEstimate 함수 알아보기
__11.8 모델 평가: 정확도 99.7%라면 잘 끝난 것일까?
__11.9 텐서보드로 훈련 관련 메트릭을 그려보기
____11.9.1 텐서보드 실행
____11.9.2 메트릭 로깅 함수가 텐서보드를 지원하도록 만들기
__11.10 모델이 결절 탐지를 학습하지 못하는 이유
__11.11 결론
__11.12 연습 문제
__11.13 핵심 요약

12장 메트릭과 증강을 활용한 훈련 개선
__12.1 개선을 위한 상위 계획
__12.2 착한 개와 나쁜 녀석: 거짓 양성과 거짓 음성
__12.3 긍정과 부정의 경우를 도식화하기
____12.3.1 아무나 보고 짖는 록시의 장점은 재현율
____12.3.2 잠은 많아도 도둑은 잘 잡는 프레스톤의 특기는 정밀도
____12.3.3 logMetrics으로 정밀도와 재현율 구하기
____12.3.4 궁극의 메트릭: F1 점수
____12.3.5 새 메트릭으로 모델이 잘 동작하는지 확인하기
__12.4 이상적인 데이터셋의 모습
____12.4.1 데이터를 실제보다 ‘이상’에 가깝게 만들기
____12.4.2 균형잡힌 LunaDataset으로 훈련시킨 결과의 차이
____12.4.3 과적합 증상 알아채기
__12.5 과적합 문제 다시 살펴보기
____12.5.1 과적합된 얼굴-나이 예측 모델
__12.6 데이터 증강으로 과적합 방지하기
____12.6.1 특별 데이터 증강 기술
____12.6.2 데이터 증강 효과 확인하기
__12.7 결론
__12.8 연습 문제
__12.9 핵심 요약

13장 세그멘테이션을 활용한 의심 결절 탐색
__13.1 프로젝트에 두 번째 모델 추가하기
__13.2 다양한 세그멘테이션 유형
__13.3 시맨틱 세그멘테이션: 픽셀 단위 분류
____13.3.1 유넷 아키텍처
__13.4 세그멘테이션을 위한 모델 업데이트
____13.4.1 기성품 모델을 프로젝트에 적용하기
__13.5 세그멘테이션을 위한 데이터셋 업데이트
____13.5.1 매우 제한된 입력 크기를 갖는 유넷
____13.5.2 2차원 vs 3차원 데이터의 유넷 사용시 장단점
____13.5.3 실측 데이터 만들기
____13.5.4 Luna2dSegmentationDataset 구현
____13.5.5 훈련 데이터와 검증 데이터 설계
____13.5.6 TrainingLuna2dSegmentationDataset 구현
____13.5.7 GPU에서 돌리는 증강
__13.6 세그멘테이션을 위한 훈련 스크립트 업데이트
____13.6.1 세그멘테이션과 증강 모델 초기화
____13.6.2 아담 옵티마이저 사용하기
____13.6.3 다이스 손실
____13.6.4 이미지를 텐서보드에 넣기
____13.6.5 메트릭 로깅 업데이트
____13.6.6 모델 저장
__13.7 결과
__13.8 결론
__13.9 연습 문제
__13.10 핵심 요약

14장 엔드투엔드 결절 분석, 그리고 남겨진 과제
__14.1 결승선을 향하여
__14.2 검증셋 독립
__14.3 CT 세그멘테이션과 결절 후보 분류 연결
____14.3.1 세그멘테이션
____14.3.2 복셀을 그룹화하여 결절 후보로 만들기
____14.3.3 결절을 찾았나? 거짓 양성을 줄이기 위한 분류
__14.4 정량적인 검증
__14.5 악성 예측
____14.5.1 악성 정보 습득
____14.5.2 AUC 베이스라인: 직경으로 분류하기
____14.5.3 이전 가중치의 재활용: 미세 튜닝
____14.5.4 텐서보드에서의 더 많은 출력
__14.6 진단을 통해 보게되는 것
____14.6.1 훈련셋, 검증셋, 테스트셋
__14.7 다음 단계는? 더 많은 데이터와 영감이 필요하다
____14.7.1 과적합 방지: 더 나은 정규화
____14.7.2 정제된 훈련 데이터
____14.7.3 결과 비교와 리서치 논문
__14.8 결론
____14.8.1 커튼 뒤에서
__14.9 연습 문제
__14.10 핵심 요약

[3부] 드디어, 배포

15장 제품으로 배포하기
__15.1 파이토치 모델 서빙
____15.1.1 플라스크에 들어간 모델
____15.1.2 배포 시 바라는 점
____15.1.3 배치 요청
__15.2 모델 내보내기
____15.2.1 ONNX로 파이토치를 넘어서는 호환성 확보
____15.2.2 파이토치로 내보내기: 추적
____15.2.3 추적된 모델로 만든 서버
__15.3 파이토치 JIT 동작
____15.3.1 전통적인 파이썬/파이토치를 넘어서기
____15.3.2 인터페이스와 백엔드 관점에서의 파이토치
____15.3.3 토치스크립트
____15.3.4 추적 가능하도록 토치스크립트로 만들기
__15.4 LibTorch: C++ 파이토치
____15.4.1 JIT로 처리된 모델을 C++로 실행하기
____15.4.2 시작부터 C++: C++ API
__15.5 모바일
____15.5.1 효율성 개선: 모델 설계와 양자화
__15.6 최근 기술: 파이토치 모델 엔터프라이즈 서빙
__15.7 결론
__15.8 연습 문제
__15.9 핵심 요약