파이토치 1.X로 시작하는 딥러닝

제1부 파이토치 1.x와 심층 학습 구성 요소제1장 파이토치로 심층 학습 시작하기인공 지능 탐구 4인공 지능의 역사 4실제의 기계 학습 4그래서, 왜 심층 학습(DL) 인가? 5심층 학습의 응용 6이미지의 텍스트 자동 번역 6자율주행 자동차의 물체 감지 7심층 학습 프레임워크 7왜 파이토치인가? 8파이토치 v1.x의 새로운 점은 무엇인가? 9CPU 대 GPU 9CUDA란 무엇인가? 10어떤 GPU를 사용해야 하는가? 10GPU가 없다면 어떻게 해야 하는가? 11파이토치 v1.x 구축하기 11파이토치 설치하기 11요약 12제2장 신경망의 구성 요소무엇이 신경망 인가? 13신경망의 구조 이해하기 14파이토치에서 신경망 구축하기 16파이토치 순차형 신경망 16nn.Module을 이용한 파이토치 신경망 구축하기 19목차X파이토치 텐서 이해하기 23텐서의 모양 및 변형 이해하기 27텐서 연산 이해하기 29파이토치에서 텐서 유형 이해하기 30파이토치 텐서로 데이터셋 가져오기 32파이토치에서 신경망 학습하기 34요약 36제2부 심층 학습으로 나아가기제3장 신경망 더 깊이 알아보기신경망 구성 요소에 관해 깊이 있게 알아보기 41레이어-신경망의 기본 블록 43비선형 활성화 46Sigmoid 46Tanh 47ReLU 47Leaky ReLU 48파이토치 비선형 활성화 49심층 학습 알고리즘을 구축하는 파이토치 방법 49여러가지 심층 학습 문제를 위한 모델 아키텍처 50손실 함수 51네트워크 아키텍처 최적화하기 53심층 학습을 이용한 이미지 분류 55파이토치 텐서로 데이터 로딩하기 58네트워크 아키텍처 구축하기 61모델 학습하기 63요약 65XI제4장 컴퓨터 비전을 위한 심층 학습신경망 소개 68MNIST-데이터 가져오기 69CNN 모델 처음부터 구축하기 71Conv2d 73Pooling 76비선형 활성화-ReLU 78View 79모델 학습하기 81개와 고양이 분류하기-처음부터 CNN 84전이 학습을 이용하여 개와 고양이 분류하기 86VGG16 모델을 생성하고 알아보기 88레이어 고정하기 90VGG16 파인튜닝 하기 90VGG16 모델 학습하기 90특징에 미리 합성곱 계산하기 94CNN 모델의 학습 내용 이해하기 97중간 레이어의 출력 시각화하기 97CNN 레이어의 가중치 시각화 하기 101요약 101제5장 순차 데이터를 이용한 자연어 처리텍스트 데이터로 작업하기 104토큰화 105N-gram 표현 107벡터화 108감성 분류기를 구축하면서 단어 임베딩 학습하기 112IMDb 데이터 다운로드 및 텍스트 토큰화 수행하기 113Vocabulary 구축하기 115XII벡터의 배치 생성하기 117임베딩으로 네트워크 모델 생성하기 119모델 학습하기 120사전 학습된 단어 임베딩 사용하기 122임베딩 다운로드하기 122모델에 임베딩 불러오기 124임베딩 레이어 가중치 고정하기 124순환 신경망 125예제로 RNN이 작동하는 방법 이해하기 126LSTM을 이용하여 텍스트 분류 문제 해결하기 130장기 의존성(Long-term dependency) 130LSTM 네트워크 130순차 데이터에 대한 합성곱 네트워크 137순차 데이터에 대한 일차원 합성곱 이해하기 137언어 모델링 140사전 학습된 모델 140Embeddings from language models 141Bidirectional Encoder Representations from Transformers 141Generative Pretrained Transformer 2 142파이토치 구현 143요약 146제3부 심층 학습의 최신 아키텍처 이해하기제6장 오토인코더(Autoencoders) 구현하기오토인코더의 어플리케이션 150보틀넥과 손실 함수 150합성곱 오토인코더 155노이즈제거(denoising) 오토인코더 157XIIIVariational autoencoders 158VAE 학습하기 160제한된 볼츠만 머신(Restricted Boltzmann machines) 164RBM 학습하기 167이론적인 예제-RBM 추천 시스템 168DBN 아키텍처 174미세조정 176요약 176제7장 생성적 적대 신경망Neural style transfer 180데이터 로딩하기 183VGG 모델 생성하기 184콘텐츠 손실 185스타일 손실 185손실 추출하기 188각 레이어의 손실 함수 생성하기 192최적화기 생성하기 192모델 학습하기 192GAN에 대한 소개 194DCGAN 196생성자 네트워크 정의하기 197판별자 네트워크 정의하기 202손실 및 최적화기 정의하기 203판별자 훈련하기 204생성자 네트워크 훈련하기 205전체 네트워크 훈련하기 206생성된 이미지 검사 207요약 210XIV제8장 최신 아키텍처로 전이 학습 수행하기최신 네트워크 아키텍처들 212ResNet 212인셉션(Inception) 220조밀하게 연결된 합성곱 네트워크 - 덴스넷(DenseNet) 229_DenseBlock 객체 230_DenseLayer 객체 231덴스넷 모델 생성하기 233덴스넷 특징 추출하기 233데이터셋과 로더 생성하기 234완전 연결 모델 생성하기 및 훈련하기 234모델 앙상블 236모델 생성하기 238이미지 특징 추출하기 238데이터 로더와 함께 커스텀 데이터셋 생성하기 240앙상블 모델 생성하기 241모델 훈련하기 및 검증하기 242인코더-디코더 아키텍처 244인코더 246디코더 246어텐션(attention)을 갖는 인코더-디코더 246요약 247제9장 심층 강화 학습RL에 대한 소개 249모델 기반(Model-based) RL 251모델 프리(Model-free) RL 253온-폴리시(on-policy)와 오프-폴리시(off-policy) 비교하기 253Q-learning 254가치를 이용한 방법 256XV가치 반복 257코드 예제-가치 반복 257정책을 이용한 방법 260정책 반복 261가치 반복 VS 정책 반복 264정책 경사(Policy gradient) 알고리즘 265Deep Q-networks 271DQN 손실 함수 272경험 재생(Experience replay) 273코드 예제-DQN 273Double deep Q-learning 280Actor-critic 방법 281코드 예제-actor-critic 모델 283Asynchronous actor-critic 알고리즘 286실용 어플리케이션들 287요약 290제10장 그 다음은?그 다음은? 291이 책의 개요 291연구 논문을 읽고 구현하기 293더 알아볼 만한 내용들 294객체 감지 295이미지 분할 295파이토치의 OpenNMT 297Allen NLP 297fast.ai-다시 신경망이 어렵게 느껴진다면 297Open neural network exchange 297최신 정보를 유지할 수 있는 방법 298요약 298

출처: 국립중앙도서관 서지정보