DD

딥러닝을 공부할 때 가장 헷갈리는 부분은 “어떤 순서로 공부해야 할까?”라는 질문이다.특히 PyTorch는 기능이 많고 생태계가 넓어서 처음에는 방향을 잡기 어렵다.그래서 이번 편에서는 입문자가 PyTorch를 효율적으로 익히는 로드맵을 정리해보았다.이 로드맵은 앞에서 작성한 1~9편을 기반으로, 실제로 성장하는 과정에 맞춰 설계했다.1. 1단계: PyTorch 기초 다지기먼저 PyTorch의 뼈대를 이해하는 단계다.핵심 주제는 다음 네 개다.텐서 개념기본 텐서 연산nn.Module 구조 이해간단한 학습 루프 작성하기7편 실습까지 해봤다면 이 부분은 이미 절반 이상 익힌 셈이다.이 단계에서 중요한 점은 “복잡한 모델을 억지로 구현하려 하지 않는 것”이다.딥러닝의 기본 흐름만 익히면 된다.2. 2단계: 모..

PyTorch는 단순히 모델만 만드는 도구가 아니다.모델을 학습시키고, 데이터를 불러오고, 배포하고, 사전학습 모델을 불러오는 등딥러닝 프로젝트 전체를 구성하는 큰 생태계를 가지고 있다.이번 편에서는 PyTorch 주변에서 자주 쓰이는 도구와 라이브러리를 정리해보려 한다.입문자가 전체 그림을 잡는 데 도움이 될 것이다.1. PyTorch 본체: torch가장 기본이 되는 라이브러리다.텐서 연산, 모델 정의, 자동 미분 기능이 모두 torch 안에 들어 있다.딥러닝의 대부분은 이 torch 위에서 이뤄진다.2. TorchVision, TorchAudio, TorchTextPyTorch 생태계는 분야별 데이터 처리를 위한 패키지를 제공한다.TorchVision이미지 분야를 위한 라이브러리다.이미지 전처리데이..

Transformer라는 이름은 많이 들어봤지만, 내부 구조를 보면 처음에는 복잡하게 느껴진다.하지만 핵심 아이디어만 잘 잡으면 생각보다 단순한 흐름으로 이루어져 있다.이번 편에서는 LLM 전체를 만드는 대신, Transformer의 핵심이 되는 “한 층”을 가장 작게 줄여서 직접 구현해본다.이 작은 버전을 이해하면, GPT나 LLaMA 같은 모델을 구조적으로 보는 눈이 생긴다.1. Transformer를 작은 조각으로 나눠보면Transformer 레이어 하나는 보통 세 가지 요소로 구성된다.Self-AttentionFeed Forward Network(FFN)Residual 연결 + LayerNormLLM은 이 구조가 여러 층 반복된 형태다.그러니까 한 층만 제대로 이해해도 전체 구조의 절반은 이해하는..

앞에서 PyTorch 개념을 살펴봤다면, 이번 편에서는 실제로 손을 한번 움직여보는 시간을 가져보자.딥러닝을 처음 공부하면 개념은 익숙해도 “어디서부터 코드를 써야 할지” 막막할 수 있다.그래서 이번 실습은 정말 기본적인 흐름만 담았다.주제는 세 가지다.텐서 만들기텐서 연산아주 간단한 신경망 만들어보기이 세 가지는 PyTorch를 공부할 때 가장 기초적인 단계다.1. 텐서 만들기딥러닝 계산의 기본은 텐서다.리스트와 비슷해 보이지만, GPU에서 빠르게 계산하도록 만들어진 자료형이다.기본적인 텐서는 이렇게 만든다.import torch# 1차원 텐서x = torch.tensor([1, 2, 3])print(x)# 2차원 텐서y = torch.tensor([[1., 2.], [3., 4.]])print(y)텐..

LLM이라는 단어를 들으면 거대한 모델, 복잡한 구조, GPU 수십 대 같은 이미지부터 떠오른다.하지만 LLM도 결국 딥러닝 모델이고, 내부 흐름은 작은 모델 실험과 크게 다르지 않다.이번 편에서는 PyTorch를 기준으로 “LLM이 어떻게 만들어지는지” 가장 단순한 흐름만 잡아서 정리해본다.전체 과정을 쪼개보면 다음 여섯 단계로 이해할 수 있다.텍스트를 숫자로 바꾸는 토크나이징토큰을 벡터로 바꾸는 임베딩Transformer 인코더·디코더 구조Attention이 흐르는 방식모델 학습 과정학습된 모델로 문장을 생성하는 방식이 과정을 하나씩 살펴보자.1. 텍스트를 숫자로 만드는 과정: 토크나이징컴퓨터는 글자를 직접 이해하지 못한다.그래서 문장을 토큰(token)이라는 작은 단위로 쪼개고각 토큰을 숫자 ID로..

딥러닝 프레임워크 이야기를 하다 보면 결국 한 지점에서 만난다.요즘 AI 분야를 움직이는 중심은 단연 LLM이다.GPT, LLaMA, Claude, Gemini 같은 모델들이 모두 여기에 속한다.그런데 이런 거대한 언어 모델을 만드는 연구들은 대부분 PyTorch 기반이다.왜 이렇게 되었을까?이번 편에서는 그 이유를 한 번 차근차근 살펴본다.1. LLM은 실험이 많다LLM을 만드는 과정은 단순한 모델 학습이 아니다.새로운 attention 구조를 시험하거나, 토크나이저 방식을 바꾸거나, 레이어를 수백 개씩 쌓아보고 성능을 비교하는 등끝없는 실험의 반복이다.이럴 때 PyTorch의 동적 그래프 구조가 큰 장점이 된다.코드 그대로 실행되고구조를 수정하기 쉽고디버깅이 빠르다연구자 입장에서 “손으로 만지기 편한..

딥러닝을 공부할 때 가장 많이 듣는 질문 중 하나가 있다.“PyTorch와 TensorFlow, 도대체 뭐가 다를까?”둘 다 결국 딥러닝을 만드는 도구인데, 사람들은 왜 이렇게 비교할까?이번 편은 그 차이를 아주 직관적으로 정리해보는 내용이다.설명도 최대한 단순하게 풀어본다.1. 한 문장 요약부터딱 한 문장으로 정리하면 이렇게 볼 수 있다.PyTorch는 실험과 연구에 맞는 도구TensorFlow는 배포와 운영에 맞는 도구실제 현장에서 많은 개발자들이 이렇게 느낀다.이 기준만 기억해도 두 프레임워크를 구분하는 데 큰 도움이 된다.2. 똑같은 모델을 만들면 스타일이 다르다둘의 코드 스타일은 그대로 성격을 반영한다.PyTorch 느낌직접 신경망을 조립하는 느낌이다.파이썬 문법처럼 자연스럽다.import to..

딥러닝을 공부하다 보면 PyTorch와 함께 가장 많이 등장하는 이름이 TensorFlow다.둘 다 딥러닝 프레임워크인데, 성격은 꽤 다르다.이번 편에서는 TensorFlow가 어떤 느낌의 프레임워크인지, 그리고 PyTorch와 어떤 차이가 있는지를 가볍게 정리해본다.1. TensorFlow의 출발점TensorFlow는 구글에서 만들었다.초창기에는 “딥러닝 프레임워크의 표준”처럼 여겨졌고, 특히 산업 현장에서 많이 쓰였다.구글이 자사 제품에 직접 활용했기 때문에 자연스럽게 생태계가 커졌다.TensorFlow의 철학은 다음과 비슷하다.“대규모 서비스에서 안정적으로 굴러가는 딥러닝 프레임워크”즉, 배포와 운영을 더 중시한 구조라는 의미다.2. Keras라는 인터페이스가 TensorFlow를 쉽게 만들어줬다T..

딥러닝을 공부하다 보면 “왜 다들 PyTorch를 쓰지?”라는 질문이 자연스럽게 생긴다.나도 처음에는 문법이 익숙하지 않아서 어렵게 느껴졌지만, 한 번 감을 잡고 나니까 생각보다 단순한 구조라는 걸 알게 됐다.PyTorch는 딥러닝을 실험하거나 모델 구조를 직접 만들어 보고 싶은 사람에게 적합한 도구다.이번 편에서는 PyTorch를 딱 한 번에 이해할 수 있을 정도의 핵심만 잡아본다.1. PyTorch는 파이썬 기반 딥러닝 프레임워크다가장 먼저 알아야 할 사실은 단순하다.PyTorch는 파이썬스럽다.프레임워크를 처음 써도 코드가 자연스럽게 읽히고, 디버깅도 파이썬 로직을 따라가듯 하면 된다.예를 들어 이런 기본 코드가 있다.import torchx = torch.tensor([1, 2, 3])여기서 x는..

딥러닝을 처음 접하면 이런 의문이 생긴다.“신경망을 직접 만들 수도 있을 텐데, 굳이 PyTorch나 TensorFlow 같은 프레임워크를 왜 써야 하지?”나도 처음에는 프레임워크가 거창한 무언가라고 생각했지만, 실컷 공부하고 나니까 결론은 의외로 단순했다.딥러닝은 결국 ‘숫자 계산 덩어리’다. 그런데 이 계산이 너무 방대하다 보니, 사람이 일일이 처리할 수 없어서 프레임워크가 필요해진 것이다.1. 딥러닝은 결국 거대한 연산 프로그램이다신경망은 입력을 받아 여러 층을 통과시키고, 각각의 층에서 수많은 곱셈과 덧셈을 반복한다.이미지 모델이라면 한 장의 사진이 수십만 개의 픽셀로 쪼개져서 Tensor 형태로 계산되고, 언어 모델이라면 문장이 수천 개의 숫자 토큰으로 변환되어 GPU 위에서 빠르게 흘러간다.이..