밑바닥부터 시작하는 딥러닝 3 - 파이썬으로 직접 구현하며 배우는 딥러닝 프레임워크
- 평점평점점평가없음
- 저자사이토 고키 지음, 개앞맵시 옮김
- 출판사한빛미디어
- 출판일2020-11-19
보유 1, 대출 0, 예약 0, 누적대출 0, 누적예약 0
책소개
★ 파이썬을 활용해 밑바닥부터 직접 구현하는 딥러닝 프레임워크 <BR>딥러닝 프레임워크 안은 놀라운 기술과 재미있는 장치로 가득합니다. 어떤 구조를 갖추고 어떤 원리로 움직일까요? 어떤 기술이 사용되고 어떤 사상이 밑바닥에 흐르고 있을까요? 3편의 목표는 그것들을 밖으로 꺼내보고 제대로 이해하는 것입니다. 그 과정에서 여러분이 기술적인 재미도 느낄 수 있도록 ‘밑바닥부터 만든다’는 방침을 세웠습니다. 다른 누군가가 만들어놓은 도구를 사용하기만 해서는 도달하기 어려운 깊은 깨달음을 얻기를 바랍니다. <BR><BR>● 제1고지_ 프레임워크 개발을 위한 기반을 마련합니다.<BR>● 제2고지_ 프레임워크를 사?淪求?코드가 더 자연스럽게 보이도록 합니다.<BR>● 제3고지_ 2차 미분을 구할 수 있도록 프레임워크를 확장합니다. ‘역전파의 역전파’ 구조를 배우고 이해하면 프레임워크의 새로운 가능성에 눈을 뜨게 됩니다.<BR>● 제4고지_ 프레임워크를 신경망용으로 정비하고 이를 사용해 손쉽게 신경망을 구축합니다.<BR>● 제5고지_ CPU 대응, 모델 저장과 복원 등 실전 딥러닝에 꼭 필요한 기능을 추가합니다. CNN, RNN 등 발전된 모델도 다룹니다. 딥러닝 응용을 다루는 이 주제들을 프레임워크로 구현한다면 간단한 코드만으로 해결할 수 있습니다.
저자소개
1984년 나가사키 현 쓰시마 태생. 도쿄공업대학교 공학부를 졸업하고 도쿄대학대학원 학제정보학부 석사 과정을 수료했다. 현재는 기업에서 인공지능 관련 연구·개발에 매진하고 있다. 오라일리재팬에서 『밑바닥부터 시작하는 딥러닝』 시리즈를 집필했으며 『파이썬 인 프랙티스』, 『밑바닥부터 만드는 컴퓨팅 시스템』 등을 일본어로 옮겼다.
목차
<p><B>제1고지 미분 자동 계산</B><BR>__1단계 상자로서의 변수<BR>__2단계 변수를 낳는 함수<BR>__3단계 함수 연결<BR>__4단계 수치 미분<BR>__5단계 역전파 이론<BR>__6단계 수동 역전파<BR>__7단계 역전파 자동화<BR>__8단계 재귀에서 반복문으로<BR>__9단계 함수를 더 편리하게<BR>__10단계 테스트<BR><BR><B>제2고지 자연스러운 코드로</B><BR>__11단계 가변 길이 인수(순전파 편)<BR>__12단계 가변 길이 인수(개선 편)<BR>__13단계 가변 길이 인수(역전파 편)<BR>__14단계 같은 변수 반복 사용<BR>__15단계 복잡한 계산 그래프(이론 편)<BR>__16단계 복잡한 계산 그래프(구현 편)<BR>__17단계 메모리 관리와 순환 참조<BR>__18단계 메모리 절약 모드<BR>__19단계 변수 사용성 개선<BR>__20단계 연산자 오버로드(1)<BR>__21단계 연산자 오버로드(2)<BR>__22단계 연산자 오버로드(3)<BR>__23단계 패키지로 정리<BR>__24단계 복잡한 함수의 미분<BR><BR><B>제3고지 고차 미분 계산</B><BR>__25단계 계산 그래프 시각화(1)<BR>__26단계 계산 그래프 시각화(2)<BR>__27단계 테일러 급수 미분<BR>__28단계 함수 최적화<BR>__29단계 뉴턴 방법으로 푸는 최적화(수동 계산)<BR>__30단계 고차 미분(준비 편)<BR>__31단계 고차 미분(이론 편)<BR>__32단계 고차 미분(구현 편)<BR>__33단계 뉴턴 방법으로 푸는 최적화(자동 계산)<BR>__34단계 sin 함수 고차 미분<BR>__35단계 고차 미분 계산 그래프<BR>__36단계 고차 미분 이외의 용도<BR><BR><B>제4고지 신경망 만들기</B><BR>__37단계 텐서를 다루다<BR>__38단계 형상 변환 함수<BR>__39단계 합계 함수<BR>__40단계 브로드캐스트 함수<BR>__41단계 행렬의 곱<BR>__42단계 선형 회귀<BR>__43단계 신경망<BR>__44단계 매개변수를 모아두는 계층<BR>__45단계 계층을 모아두는 계층<BR>__46단계 Optimizer로 수행하는 매개변수 갱신<BR>__47단계 소프트맥스 함수와 교차 엔트로피 오차<BR>__48단계 다중 클래스 분류<BR>__49단계 Dataset 클래스와 전처리<BR>__50단계 미니배치를 뽑아주는 DataLoader<BR>__51단계 MNIST 학습<BR><BR><B>제5고지 DeZero의 도전</B><BR>__52단계 GPU 지원<BR>__53단계 모델 저장 및 읽어오기<BR>__54단계 드롭아웃과 테스트 모드<BR>__55단계 CNN 메커니즘(1)<BR>__56단계 CNN 메커니즘(2)<BR>__57단계 conv2d 함수와 pooling 함수<BR>__58단계 대표적인 CNN(VGG16)<BR>__59단계 RNN을 활용한 시계열 데이터 처리<BR>__60단계 LSTM과 데이터 로더<BR><BR>부록 A 인플레이스 연산(14단계 보충) <BR>부록 B get_item 함수 구현(47단계 보충) <BR>부록 C 구글 콜랩에서 실행</p>
한줄 서평
