★ 파이썬을 활용해 밑바닥부터 직접 구현하는 딥러닝 프레임워크 딥러닝 프레임워크 안은 놀라운 기술과 재미있는 장치로 가득합니다. 어떤 구조를 갖추고 어떤 원리로 움직일까요? 어떤 기술이 사용되고 어떤 사상이 밑바닥에 흐르고 있을까요? 3편의 목표는 그것들을 밖으로 꺼내보고 제대로 이해하는 것입니다. 그 과정에서 여러분이 기술적인 재미도 느낄 수 있도록 ‘밑바닥부터 만든다’는 방침을 세웠습니다. 다른 누군가가 만들어놓은 도구를 사용하기만 해서는 도달하기 어려운 깊은 깨달음을 얻기를 바랍니다. ● 제1고지_ 프레임워크 개발을 위한 기반을 마련합니다. ● 제2고지_ 프레임워크를 사용하는 코드가 더 자연스럽게 보이도록 합니다. ● 제3고지_ 2차 미분을 구할 수 있도록 프레임워크를 확장합니다. ‘역전파의 역전파’ 구조를 배우고 이해하면 프레임워크의 새로운 가능성에 눈을 뜨게 됩니다. ● 제4고지_ 프레임워크를 신경망용으로 정비하고 이를 사용해 손쉽게 신경망을 구축합니다. ● 제5고지_ CPU 대응, 모델 저장과 복원 등 실전 딥러닝에 꼭 필요한 기능을 추가합니다. CNN, RNN 등 발전된 모델도 다룹니다. 딥러닝 응용을 다루는 이 주제들을 프레임워크로 구현한다면 간단한 코드만으로 해결할 수 있습니다.

제1고지 미분 자동 계산 __1단계 상자로서의 변수 __2단계 변수를 낳는 함수 __3단계 함수 연결 __4단계 수치 미분 __5단계 역전파 이론 __6단계 수동 역전파 __7단계 역전파 자동화 __8단계 재귀에서 반복문으로 __9단계 함수를 더 편리하게 __10단계 테스트 제2고지 자연스러운 코드로 __11단계 가변 길이 인수(순전파 편) __12단계 가변 길이 인수(개선 편) __13단계 가변 길이 인수(역전파 편) __14단계 같은 변수 반복 사용 __15단계 복잡한 계산 그래프(이론 편) __16단계 복잡한 계산 그래프(구현 편) __17단계 메모리 관리와 순환 참조 __18단계 메모리 절약 모드 __19단계 변수 사용성 개선 __20단계 연산자 오버로드(1) __21단계 연산자 오버로드(2) __22단계 연산자 오버로드(3) __23단계 패키지로 정리 __24단계 복잡한 함수의 미분 제3고지 고차 미분 계산 __25단계 계산 그래프 시각화(1) __26단계 계산 그래프 시각화(2) __27단계 테일러 급수 미분 __28단계 함수 최적화 __29단계 뉴턴 방법으로 푸는 최적화(수동 계산) __30단계 고차 미분(준비 편) __31단계 고차 미분(이론 편) __32단계 고차 미분(구현 편) __33단계 뉴턴 방법으로 푸는 최적화(자동 계산) __34단계 sin 함수 고차 미분 __35단계 고차 미분 계산 그래프 __36단계 고차 미분 이외의 용도 제4고지 신경망 만들기 __37단계 텐서를 다루다 __38단계 형상 변환 함수 __39단계 합계 함수 __40단계 브로드캐스트 함수 __41단계 행렬의 곱 __42단계 선형 회귀 __43단계 신경망 __44단계 매개변수를 모아두는 계층 __45단계 계층을 모아두는 계층 __46단계 Optimizer로 수행하는 매개변수 갱신 __47단계 소프트맥스 함수와 교차 엔트로피 오차 __48단계 다중 클래스 분류 __49단계 Dataset 클래스와 전처리 __50단계 미니배치를 뽑아주는 DataLoader __51단계 MNIST 학습 제5고지 DeZero의 도전 __52단계 GPU 지원 __53단계 모델 저장 및 읽어오기 __54단계 드롭아웃과 테스트 모드 __55단계 CNN 메커니즘(1) __56단계 CNN 메커니즘(2) __57단계 conv2d 함수와 pooling 함수 __58단계 대표적인 CNN(VGG16) __59단계 RNN을 활용한 시계열 데이터 처리 __60단계 LSTM과 데이터 로더 부록 A 인플레이스 연산(14단계 보충) 부록 B get_item 함수 구현(47단계 보충) 부록 C 구글 콜랩에서 실행