- 현재 위치
- home > 컴퓨터·ICT·어학 > 컴퓨터·IT 도서 > 컴퓨터공학 > 텐서플로로 시작하는 딥러닝: 합성곱 신경망 중심의 딥러닝 알고리즘[제이펍]
;)
텐서플로를 이용하여 ‘합성곱 신경망(CNN)’의 구조를 완벽히 이해한다!
이 책은 머신러닝과 데이터 분석을 제대로 배운 적이 없는 개발자를 대상으로 한다. 딥러닝의 대표적 예인 ‘합성곱 신경망(CNN)’의 구조를 근본부터 이해하고, 텐서플로를 이용해 실제로 동작하는 코드를 작성하는 것이 이 책의 목표다. 그리고 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’ 내에서 대체 무슨 일이 일어나는지, 딥러닝 알고리즘은 어떤 원리로 학습하는지를 알려 준다.
딥러닝의 밑바닥에는 머신러닝의 원리가 있는데, 간단한 행렬 계산과 기초적인 미분을 알면 그 구조를 이해하기가 그리 어렵지 않다. 이 책은 필기 문자를 인식하도록 처리하는 합성곱 신경망에 대해, 그리고 이를 구성하는 각 요소의 역할을 신중하게 설명한다. 또한, 딥러닝의 대표 라이브러리인 텐서플로를 이용해 실제로 동작하는 코드를 보여줌으로써 각 요소의 동작 원리를 확인할 수 있도록 구성되어 있다. 레고 블록을 끼워 맞추듯이 네트워크 구성 요소를 늘려 감으로써 인식 정확도가 향상되는 모습을 관찰할 수 있을 것이다.
부디 이 책을 통해 딥러닝의 근본 원리를 이해하고 텐서플로 코드 작성법을 학습하여 다음 단계로 도약하는 계기가 되길 바란다. ?
이 책은 머신러닝과 데이터 분석을 제대로 배운 적이 없는 개발자를 대상으로 한다. 딥러닝의 대표적 예인 ‘합성곱 신경망(CNN)’의 구조를 근본부터 이해하고, 텐서플로를 이용해 실제로 동작하는 코드를 작성하는 것이 이 책의 목표다. 그리고 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’ 내에서 대체 무슨 일이 일어나는지, 딥러닝 알고리즘은 어떤 원리로 학습하는지를 알려 준다.
딥러닝의 밑바닥에는 머신러닝의 원리가 있는데, 간단한 행렬 계산과 기초적인 미분을 알면 그 구조를 이해하기가 그리 어렵지 않다. 이 책은 필기 문자를 인식하도록 처리하는 합성곱 신경망에 대해, 그리고 이를 구성하는 각 요소의 역할을 신중하게 설명한다. 또한, 딥러닝의 대표 라이브러리인 텐서플로를 이용해 실제로 동작하는 코드를 보여줌으로써 각 요소의 동작 원리를 확인할 수 있도록 구성되어 있다. 레고 블록을 끼워 맞추듯이 네트워크 구성 요소를 늘려 감으로써 인식 정확도가 향상되는 모습을 관찰할 수 있을 것이다.
부디 이 책을 통해 딥러닝의 근본 원리를 이해하고 텐서플로 코드 작성법을 학습하여 다음 단계로 도약하는 계기가 되길 바란다. ?
저자: 나카이 에츠지 (지은이), 진명조 (옮긴이)
1.
CHAPTER 1 텐서플로 입문 1
1.1 딥러닝과 텐서플로 4
1.1.1 머신러닝의 개념 4
1.1.2 신경망의 필요성 7
1.1.3 딥러닝의 특징 13
1.1.4 텐서플로를 이용한 파라미터 최적화 16
1.2 환경 준비 24
1.2.1 CentOS 7에서의 준비 과정 25
1.2.2 주피터 사용법 28
1.3 텐서플로 훑어보기 33
1.3.1 다차원 배열을 이용한 모델 표현 33
1.3.2 텐서플로 코드를 이용한 표현 35
1.3.3 세션을 이용한 트레이닝 실행 39
CHAPTER 2 분류 알고리즘의 기초 47
2.1 로지스틱 회귀를 이용한 이항 분류기 49
2.1.1 확률을 이용한 오차 평가 49
2.1.2 텐서플로를 이용한 최우추정 실행 54
2.1.3 테스트 세트를 이용한 검증 65
2.2 소프트맥스 함수와 다항 분류기 69
2.2.1 선형 다항 분류기의 구조 69
2.2.2 소프트맥스 함수를 이용한 확률로의 변환 73
2.3 다항 분류기를 이용한 필기 문자 분류 76
2.3.1 MNIST 데이터 세트 이용 방법 76
2.3.2 이미지 데이터의 분류 알고리즘 79
2.3.3 텐서플로를 이용한 트레이닝 실행 84
2.3.4 미니 배치와 확률적 경사 하강법 90
CHAPTER 3 신경망을 이용한 분류 95
3.1 단층 신경망의 구조 97
3.1.1 단층 신경망을 이용한 이항 분류기 97
3.1.2 은닉 계층의 역할 100
3.1.3 노드 개수와 활성화 함수 변경에 따른 효과 110
3.2 단층 신경망을 이용한 필기 문자 분류 113
3.2.1 단층 신경망을 이용한 다항 분류기 113
3.2.2 텐서보드를 이용한 네트워크 그래프 확인 116
3.3 다층 신경망으로의 확장 124
3.3.1 다층 신경망의 효과 124
3.3.2 특징 변수에 기반한 분류 로직 128
3.3.3 보충: 파라미터가 극솟값으로 수렴하는 예 133
CHAPTER 4 합성곱 필터를 통한 이미지 특징 추출 137
4.1 합성곱 필터의 기능 139
4.1.1 합성곱 필터의 예 139
4.1.2 텐서플로를 이용한 합성곱 필터 적용 142
4.1.3 풀링 계층을 이용한 이미지 축소 150
4.2 합성곱 필터를 이용한 이미지 분류 153
4.2.1 특징 변수를 이용한 이미지 분류 153
4.2.2 합성곱 필터의 동적인 학습 159
4.3 합성곱 필터를 이용한 필기 문자 분류 163
4.3.1 세션 정보의 저장 기능 163
4.3.2 단층 CNN을 이용한 필기 문자 분류 165
4.3.3 동적으로 학습된 필터 확인 171
CHAPTER 5 합성곱 필터의 다층화를 통한 성능 향상 177
5.1 합성곱 신경망의 완성 179
5.1.1 다층형 합성곱 필터를 이용한 특징 추출 179
5.1.2 텐서플로를 이용한 다층 CNN 구현 184
5.1.3 필기 문자의 자동 인식 애플리케이션 189
5.2 그 밖의 주제 195
5.2.1 CIFAR-10(컬러 사진 이미지) 분류를 위한 확장 195
5.2.2 ‘A Neural Network Playground’를 이용한 직감적 이해 199
5.2.3 보충: 오차 역전파법을 이용한 기울기 벡터 계산 204
APPENDIX 부록 213
A 맥OS와 윈도우에서의 환경 준비 방법 214
A.1 맥OS의 환경 준비 과정 214
A.2 윈도우10의 환경 준비 과정 218
B 파이썬 2의 기본 문법 225
B.1 Hello, World!와 자료형, 연산 225
B.2 문자열 226
B.3 리스트와 딕셔너리 228
B.4 제어구문 230
B.5 함수와 모듈 233
C 수학 공식 235
찾아보기 237
CHAPTER 1 텐서플로 입문 1
1.1 딥러닝과 텐서플로 4
1.1.1 머신러닝의 개념 4
1.1.2 신경망의 필요성 7
1.1.3 딥러닝의 특징 13
1.1.4 텐서플로를 이용한 파라미터 최적화 16
1.2 환경 준비 24
1.2.1 CentOS 7에서의 준비 과정 25
1.2.2 주피터 사용법 28
1.3 텐서플로 훑어보기 33
1.3.1 다차원 배열을 이용한 모델 표현 33
1.3.2 텐서플로 코드를 이용한 표현 35
1.3.3 세션을 이용한 트레이닝 실행 39
CHAPTER 2 분류 알고리즘의 기초 47
2.1 로지스틱 회귀를 이용한 이항 분류기 49
2.1.1 확률을 이용한 오차 평가 49
2.1.2 텐서플로를 이용한 최우추정 실행 54
2.1.3 테스트 세트를 이용한 검증 65
2.2 소프트맥스 함수와 다항 분류기 69
2.2.1 선형 다항 분류기의 구조 69
2.2.2 소프트맥스 함수를 이용한 확률로의 변환 73
2.3 다항 분류기를 이용한 필기 문자 분류 76
2.3.1 MNIST 데이터 세트 이용 방법 76
2.3.2 이미지 데이터의 분류 알고리즘 79
2.3.3 텐서플로를 이용한 트레이닝 실행 84
2.3.4 미니 배치와 확률적 경사 하강법 90
CHAPTER 3 신경망을 이용한 분류 95
3.1 단층 신경망의 구조 97
3.1.1 단층 신경망을 이용한 이항 분류기 97
3.1.2 은닉 계층의 역할 100
3.1.3 노드 개수와 활성화 함수 변경에 따른 효과 110
3.2 단층 신경망을 이용한 필기 문자 분류 113
3.2.1 단층 신경망을 이용한 다항 분류기 113
3.2.2 텐서보드를 이용한 네트워크 그래프 확인 116
3.3 다층 신경망으로의 확장 124
3.3.1 다층 신경망의 효과 124
3.3.2 특징 변수에 기반한 분류 로직 128
3.3.3 보충: 파라미터가 극솟값으로 수렴하는 예 133
CHAPTER 4 합성곱 필터를 통한 이미지 특징 추출 137
4.1 합성곱 필터의 기능 139
4.1.1 합성곱 필터의 예 139
4.1.2 텐서플로를 이용한 합성곱 필터 적용 142
4.1.3 풀링 계층을 이용한 이미지 축소 150
4.2 합성곱 필터를 이용한 이미지 분류 153
4.2.1 특징 변수를 이용한 이미지 분류 153
4.2.2 합성곱 필터의 동적인 학습 159
4.3 합성곱 필터를 이용한 필기 문자 분류 163
4.3.1 세션 정보의 저장 기능 163
4.3.2 단층 CNN을 이용한 필기 문자 분류 165
4.3.3 동적으로 학습된 필터 확인 171
CHAPTER 5 합성곱 필터의 다층화를 통한 성능 향상 177
5.1 합성곱 신경망의 완성 179
5.1.1 다층형 합성곱 필터를 이용한 특징 추출 179
5.1.2 텐서플로를 이용한 다층 CNN 구현 184
5.1.3 필기 문자의 자동 인식 애플리케이션 189
5.2 그 밖의 주제 195
5.2.1 CIFAR-10(컬러 사진 이미지) 분류를 위한 확장 195
5.2.2 ‘A Neural Network Playground’를 이용한 직감적 이해 199
5.2.3 보충: 오차 역전파법을 이용한 기울기 벡터 계산 204
APPENDIX 부록 213
A 맥OS와 윈도우에서의 환경 준비 방법 214
A.1 맥OS의 환경 준비 과정 214
A.2 윈도우10의 환경 준비 과정 218
B 파이썬 2의 기본 문법 225
B.1 Hello, World!와 자료형, 연산 225
B.2 문자열 226
B.3 리스트와 딕셔너리 228
B.4 제어구문 230
B.5 함수와 모듈 233
C 수학 공식 235
찾아보기 237
텐서플로를 이용하여 ‘합성곱 신경망(CNN)’의 구조를 완벽히 이해한다!
이 책은 머신러닝과 데이터 분석을 제대로 배운 적이 없는 개발자를 대상으로 한다. 딥러닝의 대표적 예인 ‘합성곱 신경망(CNN)’의 구조를 근본부터 이해하고, 텐서플로를 이용해 실제로 동작하는 코드를 작성하는 것이 이 책의 목표다. 그리고 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’ 내에서 대체 무슨 일이 일어나는지, 딥러닝 알고리즘은 어떤 원리로 학습하는지를 알려 준다.
딥러닝의 밑바닥에는 머신러닝의 원리가 있는데, 간단한 행렬 계산과 기초적인 미분을 알면 그 구조를 이해하기가 그리 어렵지 않다. 이 책은 필기 문자를 인식하도록 처리하는 합성곱 신경망에 대해, 그리고 이를 구성하는 각 요소의 역할을 신중하게 설명한다. 또한, 딥러닝의 대표 라이브러리인 텐서플로를 이용해 실제로 동작하는 코드를 보여줌으로써 각 요소의 동작 원리를 확인할 수 있도록 구성되어 있다. 레고 블록을 끼워 맞추듯이 네트워크 구성 요소를 늘려 감으로써 인식 정확도가 향상되는 모습을 관찰할 수 있을 것이다.
부디 이 책을 통해 딥러닝의 근본 원리를 이해하고 텐서플로 코드 작성법을 학습하여 다음 단계로 도약하는 계기가 되길 바란다.
이 책의 대상 독자
● 머신러닝, 데이터 분석 전문가는 아니지만 AI 기술에 관심이 있는 분
● 딥러닝 알고리즘이 어떻게 구성되어 있는지 알고 싶은 분
● 텐서플로 공식 예제 코드를 제대로 활용하기 어려운 분
