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.
수석 데이터 과학자이자 AI 권위자로, 최근 혁신적인 제품을 개발하는 AI 빌드 랩(Build Labs)을 이끌고 있다. 과거 여러 AI 제품 연구소를 출범시켰고 제품을 폭발적으로 성장시킨 경험이 있다. 하버드대학교에서 응용통계학으로 석사 학위를 받았고 산업계와 사회에서 풀리지 않던 문제를 머신러닝(특히 딥러닝)을 활용해 풀고 있다. 머신러닝 분야에서 20개 이상의 특허와 논문을 보유하고 있다. AI를 통한 지속가능성(Sustainability)에 집중하는 엔젤 투자자이면서 자문위원으로도 활동 중이다.
1부. 파이토치 라이트닝 시작하기1장. 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__요약2장. 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__요약3장. 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__요약4장. 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__요약2부. 파이토치 라이트닝을 사용한 문제 해결5장. 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__요약6장. 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__요약7장. 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__요약8장. 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__요약3부. 심화 과정9장. 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__요약10장. 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
