결국 실무에서는 GPU다!
CPU에서 익혀 GPU에 적용한다? CUDA, cuDNN 설치부터 생소하다! GPU 실습 환경을 구성하는 방법부터 머신 러닝과 딥러닝, 강화 학습 기초까지 간단한 이미지 인식, 분류 등 다양한 예제로 실습한다. 체이너(Chainer), 텐서플로(TensorFlow) 등 다양한 프레임워크를 사용해 딥러닝의 전체 모습을 살펴볼 수 있다. 또한, 실습하면서 만날 수 있는 오류에 대한 대처법도 수록했다.
1일 vs 1시간
최적의 처리 속도를 경험하자!
CPU vs GPU
CPU와 GPU는 작업 처리 방식이 다르다. CPU는 직렬 처리에 최적화된 몇 개의 코어로 구성돼 복잡한 연산을 수행할 때 적합하며, GPU는 병렬 처리용으로 설계된 수천 개의 코어로 구성돼 대량으로 단순한 계산을 할 때 적합하다. 딥러닝은 대부분 행렬 연산이며, 행렬 연산은 대량의 단순한 계산이므로 GPU를 사용하면 처리 속도가 훨씬 빨라진다. 똑같은 코드를 실행하는 데 1일 vs 1시간이라면 어떤 것을 선택해야 할까? 정답은 GPU다!
코드를 직접 실행하며 이해한다!
소스 코드를 직접 실행해 보면서 머신 러닝과 딥러닝 기초 이론을 이해할 수 있다. 또한, 강화 학습, 파인 튜닝 방법, 오토인코더까지 학습한다. 실습하는 데 필요한 코드를 수록했고, 코드를 직접 실행해 보며 내용을 이해할 수 있다. 실습하면서 만날 수 있는 오류에 대한 대처법도 수록했다.
다양한 프레임워크로 딥러닝의 전체 모습을 살펴본다!
체이너(Chainer), 텐서플로(TensorFlow), Deel 프레임워크를 이용해 CUDA, cuDNN과 같은 GPU 실습 환경을 구성하는 방법부터 간단한 이미지 인식, 텍스트 예제, 자동 번역 신경망까지 다양한 예제로 딥러닝의 전체 모습을 살펴본다. 또한, 딥러닝이 어떻게 발전할지 미래까지 예측해 본다.
CONTENTS
● 딥러닝 시작하기(GPU 환경 설정, 그림·웹 캠·비디오의 이미지 인식, 이미지 클래스 분류)
● 체이너로 머신 러닝 기초 배우기(환경 설정, 논리 연산, 합성곱 신경망)
● 순환 신경망 프로그래밍(CSLAIER, LSTM)
● 텐서플로 배우기(환경 설정, 체이너와 비교, 이미지 분류, 대화 로봇과 자동 번역 신경망)
● 강화 학습(Deep Q Learning, LIS)
● 딥러닝의 미래(명화 터치 흉내내기, 사진 보고 설명문 만들기, 오토인코더, 파인 튜닝)
