복잡한 모델 너머, 딥러닝의 본질에 다가가는 시간

이 책은 복잡한 딥러닝 기술의 핵심을 직관적으로 풀어내면서도 이론과 실제 사이에서 균형을 잃지 않는다. 먼저 딥러닝을 지탱하는 기본 개념부터 차근차근 설명한다. 지도 학습과 신경망의 구조, 모델 훈련과 최적화 같은 기초를 다진 뒤, 이미지와 텍스트, 그래프 데이터를 위한 대표적인 모델인 CNN, 트랜스포머, 그래프 신경망을 살펴본다. 이어서 GAN, VAE, 디퓨전 모델 같은 생성 모델과 강화 학습까지 다루며, 마지막에는 딥러닝이 왜 효과적인지에 대한 이론적 논의와 윤리적 쟁점을 짚어본다. 딥러닝을 제대로 이해하고 싶은 모든 독자를 위한 가장 단단한 출발점이 될 것이다.

(책에 수록된 모든 이미지는 QR 코드를 통해 컬러로 확인할 수 있습니다.)

[목 차]
  

옮긴이 머리말 xiii

베타리더 후기 xiv

시작하며 xvii

감사의 글 xix

 

CHAPTER 01 서론 1

1.1 지도 학습 2

1.2 비지도 학습 8

1.3 강화 학습 12

1.4 윤리 14

1.5 이 책의 구성 17

1.6 추천 도서 18

1.7 이 책을 읽는 방법 19

_참고 문헌 21

 

CHAPTER 02 지도 학습 23

2.1 지도 학습 개요 24

2.2 선형회귀 예 25

2.3 요약 30

_노트 30

_연습 문제 31

 

CHAPTER 03 얕은 신경망 33

3.1 신경망의 예 33

3.2 보편 근사 정리 37

3.3 다변량 입력과 출력 38

3.4 얕은 신경망: 일반적인 경우 43

3.5 용어 44

3.6 요약 45

_노트 46

_연습 문제 50

_참고 문헌 53

 

CHAPTER 04 심층 신경망 55

4.1 신경망 결합 55

4.2 네트워크 결합을 통한 심층 신경망 구성 58

4.3 심층 신경망 59

4.4 행렬 표기법 63

4.5 얕은 신경망 vs. 심층 신경망 65

4.6 요약 67

_노트 68

_연습 문제 71

_참고 문헌 74

 

CHAPTER 05 손실 함수 75

5.1 최대 우도 76

5.2 손실 함수 구성 방법 80

5.3 예제 1: 단변량 회귀분석 80

5.4 예제 2: 이진 분류 86

5.5 예제 3: 다중 클래스 분류 88

5.6 다중 출력 91

5.7 교차 엔트로피 손실 92

5.8 요약 94

_노트 95

_연습 문제 97

_참고 문헌 101

 

CHAPTER 06 모델 적합 103

6.1 경사 하강법 103

6.2 확률적 경사 하강법 110

6.3 모멘텀 113

6.4 적응 모멘트 추정 115

6.5 훈련 알고리즘 하이퍼파라미터 118

6.6 요약 119

_노트 120

_연습 문제 124

_참고 문헌 127

 

CHAPTER 07 기울기와 초기화 129

7.1 문제 정의 129

7.2 미분 계산 131

7.3 간단한 예시 133

7.4 역전파 알고리즘 137

7.5 매개변수 초기화 143

7.6 훈련 코드 예제 147

7.7 요약 149

_노트 149

_연습 문제 153

_참고 문헌 157

 

CHAPTER 08 성능 측정 159

8.1 간단한 모델 훈련 159

8.2 오차의 원인 161

8.3 오차 줄이기 166

8.4 이중 하강 170

8.5 하이퍼파라미터 선택 174

8.6 요약 175

_노트 176

_연습 문제 181

_참고 문헌 183

 

CHAPTER 09 정칙화 185

9.1 명시적 정칙화 185

9.2 암묵적 정칙화 189

9.3 성능 향상을 위한 경험적 방법 192

9.4 요약 202

_노트 203

_연습 문제 212

_참고 문헌 214

 

CHAPTER 10 합성곱 네트워크 219

10.1 불변성과 등변성 220

10.2 1차원 입력에 대한 합성곱 네트워크 221

10.3 2차원 입력에 대한 합성곱 네트워크 229

10.4 다운샘플링과 업샘플링 230

10.5 응용 233

10.6 요약 239

_노트 240

_연습 문제 246

_참고 문헌 249

 

CHAPTER 11 잔차 신경망 253

11.1 순차 처리 253

11.2 잔차 연결과 잔차 블록 256

11.3 잔차 신경망의 기울기 폭발 260

11.4 배치 정규화 262

11.5 일반적인 잔차 신경망 264

11.6 잔차 연결이 있는 신경망의 성능이 우수한 이유 271

11.7 요약 272

_노트 272

_연습 문제 280

_참고 문헌 282

 

CHAPTER 12 트랜스포머 285

12.1 텍스트 데이터 처리 285

12.2 점곱 셀프 어텐션 286

12.3 점곱 셀프 어텐션 확장 292

12.4 트랜스포머 층 295

12.5 자연어 처리를 위한 트랜스포머 296

12.6 인코더 모델의 예: BERT 300

12.7 디코더 모델의 예: GPT-3 303

12.8 인코더-디코더 모델의 예: 기계 번역 308

12.9 긴 시퀀스 처리를 위한 트랜스포머 310

12.10 이미지 처리를 위한 트랜스포머 311

12.11 요약 316

_노트 316

_연습 문제 328

_참고 문헌 330

 

CHAPTER 13 그래프 신경망 337

13.1 그래프란 무엇일까? 337

13.2 그래프 표현 340

13.3 그래프 신경망, 작업, 손실 함수 344

13.4 그래프 합성곱 네트워크 346

13.5 그래프 분류 예 349

13.6 귀납적 모델 vs. 전이적 모델 350

13.7 노드 분류 예 352

13.8 그래프 합성곱 네트워크 층 355

13.9 에지 그래프 359

13.10 요약 360

_노트 361

_연습 문제 370

_참고 문헌 373

 

CHAPTER 14 비지도 학습 377

14.1 비지도 학습 모델 분류 378

14.2 좋은 생성 모델의 특징 380

14.3 성능 정량화 381

14.4 요약 384

_노트 384

_참고 문헌 386

 

CHAPTER 15 생성적 적대 신경망 387

15.1 판별을 신호로 사용하기 387

15.2 안정성 향상 393

15.3 점진적 증가, 미니배치 판별, 절단 399

15.4 조건부 생성 402

15.5 이미지 변환 405

15.6 StyleGAN 410

15.7 요약 412

_노트 413

_연습 문제 419

_참고 문헌 421

 

CHAPTER 16 정규화 흐름 427

16.1 1차원 예제 427

16.2 일반 사례 430

16.3 역변환 가능한 신경망 층 433

16.4 다중 크기 흐름 442

16.5 응용 443

16.6 요약 447

_노트 448

_연습 문제 453

_참고 문헌 456

 

CHAPTER 17 변분 오토인코더 461

17.1 잠재변수 모델 461

17.2 비선형 잠재변수 모델 463

17.3 훈련 465

17.4 ELBO 속성 468

17.5 변분 근사 470

17.6 변분 오토인코더 471

17.7 재매개변수화 기법 474

17.8 응용 475

17.9 요약 480

_노트 481

_연습 문제 486

_참고 문헌 488

 

CHAPTER 18 확산 모델 493

18.1 개요 493

18.2 인코더(순방향 과정) 494

18.3 디코더 모델(역과정) 501

18.4 훈련 502

18.5 손실 함수의 재매개변수화 507

18.6 구현 510

18.7 요약 516

_노트 516

_연습 문제 521

_참고 문헌 524

 

CHAPTER 19 강화 학습 527

19.1 마르코프 결정 과정, 반환 및 정책 528

19.2 기대 수익 532

19.3 표 형식 강화 학습 536

19.4 Q-러닝 적합 541

19.5 정책 경사 방법 545

19.6 행위자-비평자 방법 551

19.7 오프라인 강화 학습 552

19.8 요약 554

_노트 555

_연습 문제 561

_참고 문헌 564

 

CHAPTER 20 왜 딥러닝이 효과적일까? 567

20.1 딥러닝에 반하는 사례 567

20.2 적합 성능에 영향을 미치는 요소 569

20.3 손실 함수의 특성 575

20.4 일반화 결정 요인 579

20.5 정말로 많은 매개변수가 필요한가? 584

20.6 신경망은 깊어야 할까? 587

20.7 요약 590

_연습 문제 591

_참고 문헌 592

 

CHAPTER 21 딥러닝과 윤리 597

21.1 가치 정렬 598

21.2 의도적인 오용 606

21.3 그 밖의 사회적, 윤리적, 전문적 문제 608

21.4 사례 연구 611

21.5 과학의 가치 중립적 이상 612

21.6 집단적인 행동 문제 관점에서의 책임 있는 AI 연구 614

21.7 앞으로 나아갈 길 615

21.8 요약 617

_연습 문제 618

_참고 문헌 620

 

APPENDIX A 표기법 627

A.1 스칼라, 벡터, 행렬, 텐서 627

A.2 변수와 매개변수 627

A.3 집합 628

A.4 함수 628

A.5 최소화와 최대화 629

A.6 확률분포 629

A.7 점근 표기법 630

A.8 기타 630

 

APPENDIX B 수학 개념 631

B.1 함수 631

B.2 이항계수 634

B.3 벡터, 행렬, 텐서 635

B.4 특수한 형태의 행렬 639

B.5 행렬 미적분 641

 

APPENDIX C 확률 643

C.1 확률변수와 확률분포 643

C.2 기댓값 647

C.3 정규 확률분포 652

C.4 샘플링 656

C.5 확률분포 사이의 거리 657

 

찾아보기 661

[본 문]
  

심층 신경망은 크기가 매우 크고 길이가 가변적이며 다양한 종류의 내부 구조를 갖는 입력을 처리할 수 있다. 하나의 실수(회귀), 여러 숫자(다변량 회귀) 또는 2개 또는 그 이상의 클래스에 대한 확률(각각 이진 분류, 다중 클래스 분류)을 출력할 수 있다. 다음 절에서 살펴보겠지만 심층 신경망의 출력 또한 매우 크고 길이가 가변적인 내부 구조를 갖고 있을 수 있다. (6쪽)

 

종종 동일한 모델을 사용하여 하나 이상의 예측을 하려고 할 때, 예측의 대상이 되는 출력 y는 벡터가 된다. 예를 들어 분자의 녹는점과 끓는점 예측(다변량 회귀분석 문제, 그림 1.2b)이나 또는 이미지의 모든 점에서의 객체 클래스(다변량 분류 문제, 그림 1.4a) 예측이 있다. 다변량 확률분포를 정의하고 신경망을 사용하여 모델의 매개변수를 입력에 대한 함수로 모델링할 수도 있지만, 일반적으로 각 예측을 독립적으로 처리하게 된다. (91쪽)

 

주요 문제 중 하나는 경사하강 알고리즘의 최종 목적지가 전적으로 시작점에 의해 결정된다는 것이다. 확률적 경사 하강법(stochastic gradient descent, SGD)은 각 단계에서 기울기에 약간의 잡음을 더해서 이 문제를 해결한다. 이 해결책은 여전히 평균적으로는 내리막 방향으로 이동하지만 어느 순간에 선택한 방향이 반드시 가장 가파른 내리막 방향이 아닐 수도 있다. 심지어 내리막 방향이 아닐 수도 있다. SGD 알고리즘은 일시적으로 오르막 방향으로 이동할 수도 있고, 경우에 따라 손실 함수의 한 ‘계곡’에서 다른 ‘계곡’으로 이동할 수도 있다(그림 6.5b). (111쪽)

 

편향은 모델이 실제 기저 함수를 제대로 표현할 수 없기 때문에 발생한다. 따라서 모델을 유연하게 만들어서 이 오차를 줄일 수 있다. 이는 일반적으로 모델의 용량을 늘려서 해결할 수 있다. 신경망의 경우 더 많은 은닉 유닛/은닉층을 추가해서 모델의 용량을 늘일 수 있다. / 단순한 모델에서 용량을 늘이는 것은 은닉 유닛을 추가해서 구간 [0, 1]을 좀 더 많은 선형 영역으로 분할하는 것과 같다. 그림 8.7a-c는 이를 통해 실제로 편향이 줄어드는 것을 보여준다. 선형 영역의 수를 열개로 늘리면 실제 함수에 밀접하게 적합할 만큼 모델이 충분히 유연해진다. (168쪽)

 

생성적 자기 지도 학습(generative self-supervised learning)에서는 각 데이터 견본의 일부를 가리고, 누락된 부분을 예측하는 보조 작업을 수행한다(그림 9.12c). 예를 들어 레이블이 지정되지 않은 이미지 모음과 이미지의 누락된 부분을 인페인팅(채우기)하기 위한 보조 작업을 사용할 수 있다(그림 9.12c). 마찬가지로, 대규모 텍스트 모음의 일부 단어를 가리고, 누락된 단어를 예측하도록 네트워크를 훈련시킨 다음 관심 있는 실제 언어 작업에 맞게 미세 조정한다(12장 참고). / 대조적 자기 지도 학습(contrastive self-supervised learning)에서는 서로 공통점이 있는 견본 쌍을 공통점이 없는 쌍과 비교한다. 이미지의 경우 보조 작업은 이미지 쌍이 서로의 변형 버전인지 또는 관련성이 없는지 식별한다. 텍스트의 경우 보조 작업은 원본 문서에서 두 문장이 서로 문맥에 맞게 이어지는 문장인지 확인한다. 때로는 보조 작업이 연결된 쌍 사이의 정확한 관계를 식별해야 하는 경우도 있다(예를 들어 동일한 이미지에서 두 패치의 상대적 위치 찾기가 있다). (201쪽)

 

StyleGAN은 데이터셋의 변동성을 의미 있는 구성 요소로 분할하고, 각각을 잠재변수로 다루는 보다 현대적인 GAN이다. 특히 StyleGAN은 출력 이미지를 다양한 스케일에서 조절하고 스타일과 잡음을 분리한다. 얼굴 이미지의 경우 큰 스케일의 변화에는 얼굴 모양과 머리 자세가 포함되고, 중간 스케일의 변화에는 얼굴 특징의 모양과 세부 사항이 포함되고, 미세한 스케일의 변화에는 머리카락과 피부색이 포함된다. 스타일 구성 요소는 인간에게 두드러지는 이미지의 측면을 나타내고, 잡음 구성 요소는 머리카락, 수염, 주근깨, 피부 모공의 정확한 위치와 같은 중요하지 않은 변화를 나타낸다. / 지금까지 본 GAN은 표준 기저 분포에서 추출한 잠재변수 z에서 시작했다. 이는 일련의 합성곱층을 통과해서 출력 이미지를 생성한다. 그러나 생성자에 대한 잠재변수 입력은 (i) 신경망의 다양한 지점에 적용할 수 있고 (ii) 이러한 지점에서 현재 표현을 다양한 방식으로 수정할 수 있다. StyleGAN은 신중한 선택을 통해 스케일을 조절하고 스타일을 잡음과 분리한다(그림 15.19). (410쪽)