텐서플로를 이용해 딥러닝 프로그램을 개발하는 방법을 알려주는 소개서다. 이 책을 통해 다음과 같은 내용을 배울 수 있다.

■ 딥러닝의 역사적 발전 과정
■ 최신 텐서플로 1.3과 GPU 컴퓨팅을 이용한 딥러닝 프로그램 개발 과정
■ 텐서플로를 사용해 데이터를 로드, 처리, 변환하는 방법
■ 이미지나 텍스트를 포함한 실제 데이터 집합에 텐서플로를 사용해 CNN, RNN을 구현하는 방법
■ 딥러닝 모델의 성능을 평가하는 방법
■ 강화학습에 대한 기술적 개요 및 구현 방법
■ 케라스에 대한 개요 및 사용 방법

[목 차]

1장. 딥러닝 시작하기

__머신 러닝 소개
____지도 학습
____비지도 학습
____강화 학습
__딥러닝이란 무엇인가?
____인간의 뇌는 어떻게 작동하는가?
____딥러닝의 역사
____적용 분야
__신경망
____생물학적 뉴런
____인공 신경 세포
__인공 신경망은 어떻게 학습하는가?
____역전파 알고리즘
____가중치 최적화
____확률적 경사 하강
__신경망 구조
____다층 퍼셉트론
____DNN 구조
____컨벌루션 뉴럴 네트워크
____제약 볼츠만 머신
__오토인코더
__순환 신경망
__딥러닝 프레임워크 비교
__요약

2장. 텐서플로 살펴보기

__일반 개요
____텐서플로 1.x의 새로운 기능은 무엇인가?
____텐서플로는 사람들이 사용하는 방식을 어떻게 변화시켰는가?
____텐서플로 설치 및 시작하기
__리눅스에서 텐서플로 설치하기
____플랫폼에 어떤 텐서플로를 설치해야 하는가?
__NVIDIA에서 GPU로 텐서플로를 실행하기 위한 필요 요건
____단계 1: NVIDIA CUDA 설치
____단계 2: NVIDIA cuDNN v5.1+ 설치
____단계 3: CUDA 컴퓨팅 기능 3.0+ 이 있는 GPU 카드
____단계 4: libcupti-dev 라이브러리 설치
____단계 5: Python(또는 Python3) 설치
____단계 6: PIP(또는 PIP3) 설치 및 업그레이드
____단계 7: 텐서플로 설치
__텐서플로 설치 방법
____pip로 텐서플로 설치하기
____virtualenv로 설치하기
__윈도우에서 텐서플로 설치하기
____소스를 이용해 설치하기
____윈도우에 설치하기
____텐서플로 설치를 테스트하기
__계산 그래프
__왜 계산 그래프가 중요한가?
____계산 그래프로 신경망 표현하기
__프로그래밍 모델
__데이터 모델
____랭크
____구조
____데이터 유형
____변수
____텐서 가져오기
____피드
__텐서보드
____텐서보드는 어떻게 작동하는가?
__단일 입력 뉴런 구현하기
__단일 입력 뉴런에 대한 소스 코드
__텐서플로 1.x로 마이그레이션
____업그레이드 스크립트를 사용하는 방법
____제안
____수작업 코드 업그레이드 방법
____변수
____요약 함수
____단순화한 수학 변형
____기타 변경 사항
__요약

3장. 순방향 신경망에 텐서플로 사용하기

__순방향 신경망 소개
____순방향 및 역전파
____가중치와 바이어스
____전이 함수
__자필 숫자의 분류
__MNIST 데이터 집합 살펴보기
__소프트맥스 분류기
____가시화
__텐서플로 모델을 저장하고 복구하는 방법
____모델 저장하기
____모델 복구하기
____소프트맥스 소스 코드
____소프트맥스 로더 소스 코드
__5층 신경망 구현
____가시화
____5층 신경망 소스 코드
__ReLU 분류기
__가시화
____ReLU 분류기 소스 코드
__드롭아웃 최적화
____가시화
____드롭아웃 최적화를 적용한 소스 코드
__요약

4장. 컨볼루션 신경망에 텐서플로 사용하기

__CNN 소개
__컨볼루션 뉴럴 네트워크 구조
____CNN 모델 - LeNet
__첫 번째 CNN 구축
____손으로 쓴 분류기의 소스 코드
____CNN으로 감정 인식하기
____감정 분류기 소스 코드
____여러분이 보유한 이미지로 모델 테스트하기
____소스 코드
__요약

5장. 텐서플로 오토인코더 최적화하기

__오토인코더 소개
__오토인코더 구현하기
____오토인코더에 대한 소스 코드
__오토인코더 견고성 개선하기
__노이즈 제거 오토인코더 구축하기
____노이즈 제거 오토인코더 소스 코드
__컨볼루션 오토인코더
____인코더
____디코더
____컨볼루션 오토인코더 소스 코드
__요약

6장. RNN 순환 신경망

__RNN 기본 개념
__RNN 실행 메커니즘
__RNN의 펼쳐진 버전
__그레이디언트 소멸 문제
__LSTM 네트워크
__RNN을 이용한 이미지 분류기
____RNN 이미지 분류 프로그램의 소스 코드
__양방향 RNN
____양방향 RNN 소스 코드
____텍스트 예측
____데이터 집합
____혼잡도
____PTB 모델
____예제 실행하기
__요약

7장. GPU 연산

__GPGPU 연산
__GPGPU 역사
__CUDA 구조
__GPU 프로그래밍 모델
__텐서플로 GPU 설정
____텐서플로 업데이트
__텐서플로 GPU 관리
____프로그래밍 예제
________GPU 계산을 위한 소스 코드
__GPU 메모리 관리
__복수 GPU 시스템에서 단일 GPU 할당
____소프트 배치로 GPU에 대한 소스 코드
____복수 GPU 사용하기
____복수 GPU 관리를 위한 소스 코드
__요약

8장. 고급 텐서플로 프로그래밍

__케라스 소개
____설치
__딥러닝 모델 만들기
__영화 평론 내용에 근거한 감정 분류
____케라스 무비 분류 프로그램의 소스 코드
__컨볼루션층을 추가하기
____컨볼루션층을 갖는 영화 분류기에 대한 소스 코드
__Pretty Tensor
____층 연결
________일반 모드
________순차 모드
________분기 및 조인
__숫자 분류기
____숫자 분류기용 소스 코드
__TFLearn
____TFLearn 설치
__타이타닉 생존 예측기
____타이타닉 분류기 소스 코드
__요약

9장. 텐서플로를 이용한 고급 멀티미디어 프로그래밍하기

__멀티미디어 분석 소개
__가변적인 객체 감지를 위한 딥러닝
____병목
____재학습 모델 사용
__가속화한 선형 대수학
____텐서플로의 주요 강점
____XLA를 통한 Just-In-Time 컴파일
________JIT 컴파일
________XLA의 존재와 장점
________XLA의 후드 작업
________여전히 실험적인 상태다
________지원 플랫폼
________보다 실험적인 자료
__텐서플로와 케라스
____케라스는 무엇인가?
____케라스의 효과
____비디오 질문 응답 시스템
________실행 불가능한 코드!
__안드로이드에서 딥러닝
____텐서플로 데모 예제
____안드로이드 시작하기
________구조 요구 사항
________사전 빌드한 APK.
________데모 실행
________안드로이디 스튜디오로 구현하기
________좀 더 시도해본다 - Bazel로 구축하기
__요약

10장. 강화 학습

__강화 학습의 기본 개념
__Q-러닝 알고리즘
__OpenAI Gym 프레임워크 소개
__frozenlake-v0 구현 문제
____frozenlake-v0 문제에 대한 소스 코드
__텐서플로를 사용한 Q-러닝
__Q 러닝 신경망 소스 코드
__요약

텐서플로를 이용해 딥러닝 프로그램을 개발하는 방법을 알려주는 소개서다. 이 책을 통해 다음과 같은 내용을 배울 수 있다.

■ 딥러닝의 역사적 발전 과정
■ 최신 텐서플로 1.3과 GPU 컴퓨팅을 이용한 딥러닝 프로그램 개발 과정
■ 텐서플로를 사용해 데이터를 로드, 처리, 변환하는 방법
■ 이미지나 텍스트를 포함한 실제 데이터 집합에 텐서플로를 사용해 CNN, RNN을 구현하는 방법
■ 딥러닝 모델의 성능을 평가하는 방법
■ 강화학습에 대한 기술적 개요 및 구현 방법
■ 케라스에 대한 개요 및 사용 방법

★ 이 책에서 다루는 내용 ★

■ 딥러닝의 역사적 발전 및 진보와 함께 머신 러닝에 대해 학습
■ 최신 텐서플로 1.x를 사용한 딥 머신 지능과 GPU 컴퓨팅
■ 공용 데이터 집합에 액세스하고 텐서플로를 사용한 데이터 로드, 처리 및 변형
■ 이미지, 텍스트 등을 비롯한 실제 데이터 집합에 텐서플로 사용
■ 딥러닝 모델의 성능을 평가하는 방법
■ 확장 가능한 객체 탐지 및 모바일 컴퓨팅을 위한 딥러닝 사용
■ 강화 학습 기법을 탐색해 데이터를 신속하게 학습시키는 방법
■ 딥러닝 연구와 응용의 활발한 분야 탐색

★ 이 책의 대상 독자 ★

개발자, 데이터 분석가 또는 복잡한 수치 계산에 대한 배경 지식이 부족하지만, 딥러닝이 무엇인지 알고 싶어하는 딥러닝 애호가를 위해 작성됐다. 이 책은 딥러닝을 통해 실제 경험을 쌓기 위한 빠른 가이드를 원하는 초보자에게 큰 도움이 될 것이다. 컴퓨터 하드웨어 및 알고리즘에 대한 기본 인식을 비롯해 컴퓨터과학 기술 및 기술에 대한 기본지식이 있는 것으로 간주돼 하나의 언어로 프로그래밍하는 초보적인 수준을 전제로 한다. 초급 선형 대수학 및 미적분학 수준의 수학 능력이 필요하다.

★ 이 책의 구성 ★

1장, '텐서플로 시작하기'에서는 2~10장에서 찾아봐야 하는 몇 가지 기본 개념에 대해 설명한다. 1장에서는 머신 러닝과 딥러닝 아키텍처에 대해 소개할 것이다. 마지막으로 소위 Deep Neural Networks라고 불리는 딥러닝 아키텍처를 소개한다. 딥러닝 아키텍처는 망의 깊이 측면에서 일반적으로 알려진 단일 은닉층 신경망과는 다르다. 즉, 패턴 인식의 다단계 프로세스에서 데이터가 통과하는 노드 계층의 수가 많다. 1장에서는 딥러닝 아키텍처에 대한 비교 분석을 한다. 여기에는 대부분의 딥러닝 알고리즘이 진화한 모든 신경 네트워크가 요약돼 있다.
2장, '텐서플로를 처음으로 살펴보기'에서는 텐서플로 1.x의 주요 기능 및 내용을 다룬다. 계산 그래프, 데이터 모델, 프로그래밍 모델 및 텐서보드(TensorBoard)로 시작한다. 2장의 마지막 부분에서는 단일 입력 뉴런(Single Input Neuron)을 구현해 텐서플로가 실제로 작동하는 것을 볼 수 있다. 마지막으로 텐서플로 0.x에서 텐서플로 1.x로 업그레이드하는 방법을 살펴본다.
3장, '피드 포워드 신경망 텐서플로 사용하기'에서는 피드 포워드 뉴럴 네트워크에 대해 자세히 설명한다. 3장은 기본 아키텍처를 사용해 많은 응용 프로그램 예제를 구현하므로 매우 실용적이다.
4장, '컨볼루션 신경망(Convolutional Neural Network)'에서는 딥러닝 기반 이미지 분류기의 기본 블록인 CNN 네트워크를 소개한다. CNN 네트워크의 두 가지 예를 개발해볼 것이다. 첫 번째 예제는 고전적인 MNIST 숫자 분류 문제이며, 두 번째 예제의 목적은 일련의 얼굴 이미지에 대한 네트워크를 학습해 감정적인 스트레칭을 분류하는 것이다.
5장, '텐서플로 오토인코더'에서는 최적화 입력 패턴을 변형하기 위해 설계하고 학습시킨 오토인코더(autoencoder) 네트워크를 설명한다. 따라서 입력 패턴의 성능 저하나 불완전한 버전이 있는 경우, 원래 패턴을 얻을 수 있다. 5장에서는 몇 가지 응용 프로그램 예제로 작동하는 오토인코더 프로그램을 볼 수 있다.
6장, '순환 신경망(Reverse Neural Networks)'에서는 다양한 길이의 데이터를 처리하도록 설계된 기본 아키텍처를 설명한다. 순환 신경망은 다양한 자연어 처리 작업에 널리 사용된다. 텍스트 처리 및 이미지 분류 문제는 6장에서 구현한다.
7장, 'GPU 컴퓨팅'에서는 GPU 컴퓨팅을 위한 텐서플로 기능을 보여준다. 이 장에서는 텐서플로를 사용해 GPU를 처리하는 몇 가지 기술을 살펴본다.
8장, '고급 텐서플로 프로그래밍'에서는 케라스(Keras), Pretty Tensor, TFLearn 같은 텐서플로 기반 라이브러리에 대한 개요를 설명한다. 각 라이브러리에 관련된 응용 프로그램 예제를 통해 주요 기능을 설명할 것이다.
9장, '텐서플로를 사용한 고급 멀티미디어 프로그래밍'에서는 텐서플로를 사용해 멀티미디어 프로그래밍의 일부 고급 기술 및 새로운 측면을 다룬다. 텐서플로를 사용해 안드로이드에서 확장할 수 있는 객체 탐지 및 심층 학습을 위한 심층 신경망을 예제로 들어 설명한다. 논의를 좀 더 구체화하기 위해 예제로 가속 선형 대수(XLA)와 케라스를 논의할 것이다.
10장, '강화 학습(Reinforcement Learning)에서는 RL 기본 개념을 다룬다. 가장 보편적인 강화 학습 알고리즘 중 하나인 Q-learning 알고리즘을 경험할 것이다. 더욱이 텐서플로에서 사용할 수 있는 강화 학습 알고리즘을 개발하고 비교해보기 위한 툴킷인 OpenAI gym 프레임워크를 소개한다.

잔카를로 자코네 (Giancarlo Zaccone)
과학 및 산업 분야에서 10년 이상의 연구 프로젝트를 관리한 경험을 보유하고 있다. 미국 국립 연구 회의(National Research Council)인 C.N.R의 연구원으로 일하면서 병렬 컴퓨팅 및 과학 시각화와 관련된 프로젝트에 참여했다. 2017년 현재 우주 및 방위 분야의 소프트웨어 시스템을 개발 및 유지 관리하는 컨설팅 회사의 시스템 및 소프트웨어 엔지니어다.『Python Parallel Programming Cookbook』(Packt, 2015)과 『텐서플로 入門』(에이콘, 2016)의 저자다. https://it.linkedin.com/in/giancarlozaccone에서 그를 팔로우할 수 있다.


옮긴이 정사범
산업공학을 전공했고, 의사 결정과 최적화 방법론에 관심이 많다. 다양한 데이터를 R과 파이썬으로 분석해본 경험이 있다. 세상에 존재하는 다양한 데이터를 이용해 여러 가지 문제를 해결하는 일을 하고 있다. 다양한 책과 현장 경험을 통해 데이터 수집, 정제, 분석, 보고 방법에 대한 지식을 얻는 것에 감사하고 있다. 에이콘출판에서 출간한 『RStudio 따라잡기』(2013), 『The R book(Second Edition) 한국어판』(2014), 『예측 분석 모델링 실무 기법』(2014), 『데이터 마이닝 개념과 기법』(2015), 『파이썬으로 풀어보는 수학』(2016), 『데이터 스토리텔링』(2016), 『R에서 객체 지향 프로그래밍 사용하기』(2016), 『파이썬 프로그래밍 개론』(2016), 『산업인터넷(IIOT)과 함께하는 인더스트리 4.0』(2017)을 번역했다.