Neural Nets & Raspberry Pi
Neural Nets & Raspberry Pi — 하나의 신경망이 학습하는 모습을 지켜본 뒤 시뮬레이션 Pi에서 실행하며 신경망을 배워요
Neural Nets & Raspberry Pi(앱 안에서는 AI Lab이라고 불러요)는 3-D로 신경망 하나가 학습하는 모습을 지켜보며 neural networks를 배우고 싶은 학생, 취미로 즐기는 사람, 호기심 많은 입문자를 위한 무료 iPhone 및 Android 앱이에요. 모든 뉴런, 가중치, gradient 단계는 TensorFlow를 감싼 래퍼가 아니라 앱 자체의 작은 학습 엔진으로 계산해요. 모델이 제대로 작동하면 int8로 축소한 다음, 실제 Python으로 시뮬레이션된 Raspberry Pi Pico에 연결해 볼 수 있어요.
- 가격
- 무료, Pro 업그레이드
- 플랫폼
- iOS 및 Android
- 언어
- 10
- 연령 등급
- 4+
- 버전
- 1.2.0
- 필요 사항
- iOS 15.1 이상
모든 거대한 AI 모델은 이렇게 생긴 작은 단위 수백만 개를 서로 연결해 만든 거예요.
AI Lab의 첫 번째 레슨은 하나의 뉴런이에요. 몇 개의 숫자가 입력되고, 각각에 가중치가 적용되며, bias와 activation function을 거쳐 숫자 하나가 출력돼요. 이 한 단위를 이해하면 앱의 나머지 기능인 3-D 학습 실험실, 양자화된 모델, 시뮬레이션 칩도 모두 같은 개념을 확장했다가 다시 축소한 것임을 알 수 있어요.
어떤 앱인가요
AI Lab 앱인 Neural Nets & Raspberry Pi는 학생과 취미로 즐기는 사람에게 신경망과 임베디드 머신 러닝(TinyML)을 직접 체험하며 가르치는 무료 iOS 및 Android 앱이에요. 레슨은 하나의 뉴런에서 다층 네트워크까지 단계적으로 확장되고, 네 곳의 3-D 실험실에서는 실제 소형 학습 엔진으로 gradient descent, 양자화, int8 추론이 실행되는 모습을 지켜볼 수 있어요. Raspberry Pi Workbench에서는 가상 부품을 연결하고 시뮬레이션된 Pi Pico에서 gpiozero를 사용하는 실제 Python을 작성할 수 있어요.
앱 내부 살펴보기
화면은 어떻게 보이나요
배경
신경망은 학습하는 동안 실제로 무엇을 하고 있을까요?
신경망은 뉴런이라고 부르는 단순한 단위가 연결된 사슬이에요. 각 뉴런은 입력에 가중치를 곱하고 bias를 더한 뒤, 그 결과를 activation function에 통과시켜요. 학습은 네트워크의 출력이 얼마나 틀렸는지 반복해서 측정하고, 그 오차를 loss라고 부르며, loss가 조금씩 줄어들도록 모든 가중치를 살짝 조정하는 과정이에요. 이 과정을 수천 번 반복하면 카테고리 사이에 그리는 선이나 곡선인 네트워크의 decision boundary가 서서히 제자리를 찾아가요. 학습된 네트워크를 소형 하드웨어에서 실행하는 일은 양자화와 임베디드 추론이라는 별개의 두 번째 문제예요.
가중치, bias, activation하나의 뉴런을 조절하는 세 가지 다이얼
가중치는 입력 하나가 얼마나 중요한지 결정하고, bias는 입력과 관계없이 뉴런의 출력을 이동시키며, activation은 결과를 제한된 범위로 압축해 무한히 커질 수 있는 숫자가 아니라 결정처럼 읽히게 해요. 이런 요소를 activation 없이 충분히 쌓아도 결국 하나의 직선만 얻어요. 네트워크가 휘어질 수 있게 해 주는 것은 activation이에요.
Loss와 gradient descent학습이 이루어지는 방식
Loss는 네트워크의 추측이 나쁠 때는 높고 좋을 때는 낮은 하나의 숫자예요. Gradient descent는 그 숫자를 가장 빠르게 낮추는 방향을 계산하고, 모든 가중치를 그 방향으로 조금씩 조정해요. loss가 더 이상 내려가지 않을 때까지 이 과정을 반복해요. Learning rate는 그 단계의 크기를 정해요. 너무 작으면 학습이 더디고, 너무 크면 목표를 지나쳐 발산할 수 있어요.
양자화학습된 모델 축소하기
막 학습을 마친 네트워크는 가중치를 32-bit floating-point 숫자로 저장하는데, 이는 microcontroller에서 사용하기에는 너무 크고 느려요. 양자화는 가중치를 일반적으로 8-bit 정수(int8)인 훨씬 작은 숫자로 반올림해 모델 크기를 대략 4분의 1로 줄여요. 대신 정확도가 일부 떨어질 수 있어요. 이것이 서버 대신 작고 전력 소모가 적은 하드웨어에서 머신 러닝을 실행하는 TinyML의 핵심적인 절충점이에요.
GPIO와 gpiozero하드웨어 측면
GPIO(범용 입력/출력) 핀은 Raspberry Pi가 LED, 버튼, buzzer 같은 물리적 부품과 통신하는 방식이에요. gpiozero는 배선도를 몇 줄의 코드로 바꿔 주는 Python 라이브러리예요. 예를 들어 낮은 수준의 레지스터를 직접 작성하는 대신 `LED(17).on()`처럼 쓸 수 있어요. 그래서 실제 보드를 사용하기 전에 Pi 전자공학을 시작할 때 보통 gpiozero부터 사용해요.
어떻게 작동하나요
앱 사용 방법
세 탭은 서로 이어져 있어요. 먼저 작동 원리를 읽고, 그다음 실제로 실행되는 모습을 지켜본 뒤, 마지막으로 그 물리적 측면을 직접 만들어 봐요.
짧은 레슨으로 이루어진 세계를 탐험해요
Signals & Neurons, Learning by Falling, Deeper Minds는 각각 3~5개의 짧은 레슨으로 구성돼요. 뉴런에서 시작해 가중치와 bias, loss와 gradient descent를 거쳐, 하나의 직선만으로는 결국 왜 부족한지까지 배워요. 모든 레슨은 퀴즈로 마무리되고, XP, 레벨, streak으로 진행 상황을 기록해요.
Labs에서 실제 모델을 관찰하고 조정해요
Loss Valley에서는 learning rate를 조절하며 기울일 수 있는 3-D 지형으로 gradient descent를 보여 줘요. Decision Surface에서는 초급부터 고급까지 여섯 가지 연습 데이터셋을 사용해 나선형 데이터 주위에 boundary를 그려요. The Shrinker에서는 학습된 네트워크를 원래 크기의 4분의 1로 양자화해요. The Chip에서는 실제 int8 추론을 실행하므로, 정확도·크기·속도 사이의 절충이 단순히 읽는 내용이 아니라 직접 지켜보며 이해하는 경험이 돼요.
Raspberry Pi Workbench를 연결하고 코딩해요
Workbench를 열고, 시뮬레이션된 3-D Pi Pico에 가상 부품을 추가한 다음, 내장 편집기에서 gpiozero를 사용하는 실제 Python을 작성해요. 초급부터 고급까지 이어지는 다섯 가지 시작 프로젝트를 실행할 수 있어요. LED를 깜빡이고, 세 개의 조명이 있는 신호등을 순서대로 켜고, PWM으로 하나를 밝기 조절하고, 버튼을 읽은 다음, 5-LED Knight Rider 막대를 순차적으로 켜 봐요.
무엇이 들어 있나요
앱에서 실제로 다루는 내용
4
3-D 학습 실험실
Loss Valley, Decision Surface, The Shrinker, The Chip은 각각 앱 자체의 소형 학습 엔진을 실시간으로 실행해요. 그래서 gradient descent, 학습된 boundary, 양자화, int8 추론을 정적인 다이어그램이 아니라 직접 지켜보고 기울여 보며 이해할 수 있어요.
5
Pi 전자공학 프로젝트
시뮬레이션된 3-D Raspberry Pi Pico에서 각각 Python과 gpiozero로 연결하고 코딩하며, LED를 깜빡이고, 신호등을 순서대로 켜고, PWM으로 밝기를 조절하고, 버튼을 읽고, 5-LED Knight Rider 막대를 순차적으로 켜 봐요.
int8
실제 양자화 추론
The Shrinker는 학습된 네트워크를 대략 4분의 1 크기로 양자화하고, The Chip은 그 결과에 대해 실제 int8 추론을 실행해요. 따라서 모든 임베디드 엔지니어가 마주하는 크기와 정확도 사이의 절충을 직접 측정해 볼 수 있어요.
3
무료 레슨 세계
Signals & Neurons, Learning by Falling, Deeper Minds에서는 뉴런부터 gradient descent를 거쳐 다층 네트워크까지 배울 수 있어요. 모든 실험실과 전체 Pi Workbench도 무료로 이용할 수 있어요.
6
연습 데이터셋
Two Blobs, XOR, Circles, Two Moons와 두 가지 추가 데이터셋을 사용하면 Decision Surface 실험실의 boundary 학습 문제를 다양한 형태에 적용해 다시 실행할 수 있어요. 직선 하나로 충분한 경우부터 hidden layer가 필요한 경우까지 연습할 수 있어요.
9
업적과 Model Zoo
첫 레슨을 완료하는 것부터 모든 실험실에서 gold를 획득하는 것까지 아홉 가지 업적이 있어요. Loss Valley, Decision Surface, Shrinker, Chip 실험실을 완료하면 수집 가능한 모델 네 장으로 구성된 Model Zoo도 잠금 해제돼요.
나에게 잘 맞는지
누구에게 적합하고, 누구에게는 적합하지 않은지
다음과 같은 분께 잘 맞아요
- 뉴런, 손실 값, 경사 하강법이 실제로 어떻게 작동하는지 용어만 읽지 않고 직접 보고 싶다면
- TinyML, 즉 축소되고 양자화된 모델을 작은 하드웨어에서 실행하는 방식이 궁금하고, 크기와 정확도의 균형을 직접 체감해 보고 싶다면
- 실제 보드에 연결하기 전에 Raspberry Pi 배선과 gpiozero를 활용한 Python을 연습하고 싶다면
- 슬라이드 자료를 보는 것보다 직접 기울여 보는 3-D 지형과 움직이는 경계를 통해 더 잘 배우는 편이라면
- 다른 사람의 AI 라이브러리를 호출하는 방식의 코스가 아니라, 처음부터 직접 설명해 주는 학습을 원한다면
다음과 같은 경우에는 적합하지 않아요
- TensorFlow나 PyTorch 같은 프로덕션용 머신러닝 프레임워크가 필요하다면 — 여기의 학습 엔진은 실제 작업용이 아니라 학습을 위해 작고 이해하기 쉽게 만든 엔진이에요.
- 앱에서 직접 물리 하드웨어에 코드를 업로드하고 싶다면 주의하세요. 여기의 Pi는 3-D 시뮬레이션이며, 작성한 Python은 나중에 실제 Pi를 사용할 때도 그대로 활용할 수 있어요.
- 모든 것을 무료로 이용하고 싶다면: 시작 월드 3개, 모든 랩, Workbench는 무료이며 Pro를 이용하면 나머지 커리큘럼이 잠금 해제돼요.
- 이미 신경망을 탄탄하게 이해하고 있으며, 기초 원리부터 배우는 레슨보다 고급 또는 연구 수준의 참고 자료를 찾고 있다면
질문
자주 묻는 질문
신경망이 학습하는 방식을 실제로 이해하는 가장 좋은 방법은 무엇인가요?
가중치와 경사 하강법에 대한 글을 읽는 것만으로는 한계가 있어요. 모델의 손실이 실제로 감소하는 모습을 보면 그 간극이 사라져요. AI Lab은 먼저 뉴런, 가중치, 편향, 활성화 함수를 가르친 다음, Loss Valley 랩에서 학습률을 조절하며 기울여 볼 수 있는 3-D 지형으로 경사 하강법을 보여 줘요. Decision Surface에서는 학습된 경계가 실시간으로 나선형 데이터 주위를 감싸는 모습을 확인할 수 있어요. iOS와 Android에서 무료로 이용할 수 있어요.
경사 하강법이란 무엇이며 학습률은 왜 중요한가요?
경사 하강법은 네트워크가 자체 오류를 줄이는 방식이에요. 매 단계마다 손실을 가장 빠르게 낮추는 방향을 계산한 다음, 모든 가중치를 그 방향으로 조금씩 조정해요. 공이 계곡을 향해 비탈길을 굴러 내려가는 것과 비슷해요. 학습률은 각 단계의 크기를 정해요. 너무 작으면 학습이 느리게 진행되고, 너무 크면 공이 계곡을 지나쳐 튕겨 나가거나 발산해서 안정되지 않을 수 있어요. AI Lab의 Loss Valley 랩에서는 그 다이얼을 직접 드래그하며 실제 학습 실행에서 차이를 확인할 수 있어요.
신경망을 int8로 양자화하면 실제로 무엇이 달라지나요?
방금 학습한 네트워크는 가중치를 32비트 부동소수점 수로 저장해요. 이는 작은 하드웨어가 감당하기에는 정밀도와 메모리 사용량이 더 큰 형식이에요. 양자화는 이러한 가중치를 훨씬 작은 수로 반올림하며, 일반적으로 8비트 정수를 사용해요. 그 결과 일부 정확도를 감수하는 대신 모델 크기가 대략 4분의 1로 줄어들어요. AI Lab의 Shrinker 랩은 실제로 학습된 모델에 이 과정을 적용하므로, 크기와 정확도의 균형을 글이 아니라 결과로 확인할 수 있어요.
TinyML이란 무엇인가요?
TinyML은 서버나 휴대폰이 아니라 작고 전력 소모가 적은 하드웨어, 즉 마이크로컨트롤러나 단일 보드 컴퓨터에서 실행되는 머신러닝이에요. 따라서 먼저 모델을 축소해야 해요. AI Lab의 Shrinker와 Chip 랩은 바로 이 과정을 다뤄요. 학습된 네트워크를 양자화한 다음 결과물에서 실제 int8 추론을 실행하고, 이후 앱의 Raspberry Pi Workbench에서 임베디드 프로젝트의 물리적 배선 단계로 넘어가요.
Raspberry Pi를 소유하지 않아도 Raspberry Pi 프로그래밍을 배울 수 있나요?
네. AI Lab의 Raspberry Pi Workbench는 Pi Pico를 자세히 구현한 3-D 시뮬레이션이에요. 가상 부품을 추가하고 연결한 뒤, 내장 편집기에서 gpiozero 라이브러리를 사용해 실제 Python을 작성할 수 있어 보드를 구매하거나 손상시킬 위험이 없어요. 첫 LED 깜박이기부터 버튼으로 제어하는 LED, 5개의 LED가 움직이는 Knight Rider까지 5개의 초급 프로젝트를 진행해요. 작성한 Python은 나중에 실제 Raspberry Pi를 사용해 제작할 때도 그대로 활용할 수 있어요.
gpiozero란 무엇이며 앱에서는 왜 사용하나요?
gpiozero는 Raspberry Pi의 GPIO 핀을 간단한 객체와 메서드로 감싸는 Python 라이브러리예요. LED를 켜는 작업도 낮은 수준의 레지스터 작성 대신 한 줄이면 되기 때문에 Pi 전자 프로젝트의 일반적인 시작점으로 사용돼요. AI Lab의 Workbench는 시뮬레이션에서도 같은 라이브러리를 사용하므로, 앱에서 LED, 버튼 또는 버저를 연결하는 코드는 실제 하드웨어에서와 똑같이 읽혀요.
AI Lab은 무료인가요?
네. AI Lab은 App Store와 Google Play에서 무료로 다운로드할 수 있어요. 단일 뉴런부터 경사 하강법, 다층 네트워크까지 다루는 처음 3개의 레슨 월드와 모든 3-D 랩, 전체 Raspberry Pi Workbench를 무료로 이용할 수 있어요. AI Lab Pro를 이용하면 나머지 레슨 커리큘럼이 잠금 해제되고 광고가 제거돼요. 이 앱은 4+ 등급이며 현재 버전은 1.2.0이에요.
시작하려면 수학이나 프로그래밍 지식이 필요한가요?
아니요. AI Lab은 코드가 등장하기 전에 뉴런이 무엇인지부터 시작해요. 뉴런은 몇 개의 수에 가중치를 곱하고 편향을 더한 뒤 활성화 함수를 통과시키는 구조예요. 그런 다음 짧은 레슨마다 퀴즈를 통해 마무리하며 한 번에 하나의 개념씩 쌓아 가요. Raspberry Pi Workbench도 사전 프로그래밍 경험을 전제로 하지 않고 프로젝트별로 gpiozero를 활용한 Python을 단계적으로 소개해요.
AI Lab의 신경망 엔진은 TensorFlow나 PyTorch와 같은가요?
아니요. 앱에서도 이 점을 분명히 밝히고 있어요. AI Lab의 학습 엔진은 학습과 시각화를 위해 특별히 처음부터 만든 작고 결정적인 구현이에요. 즉시 학습되고 전체 과정을 이해하기 쉽게 설명할 수 있도록 설계했지만, 프로덕션용 머신러닝 프레임워크는 아니에요. 뉴런, 가중치, 손실, 경사 하강법, 양자화처럼 여기서 배우는 개념은 훨씬 더 큰 규모로 TensorFlow나 PyTorch에서도 사용돼요.
iPhone과 Android에서 사용할 수 있나요? 각 스토어에서는 어떤 이름으로 제공되나요?
Neural Nets & Raspberry Pi는 App Store를 통해 iOS에서, Google Play를 통해 Android에서 실행되며, 인터페이스는 10개 언어를 지원하고 4+ 연령 등급을 받아요. 앱 화면과 아이콘에서는 AI Lab이라는 이름을 사용해요. App Store에는 AI Lab: Neural Networks & IoT로, Google Play에는 Neural Nets & Raspberry Pi로 등록되어 있어요. 두 스토어의 앱은 동일한 앱이에요.
시작하기
신경망이 학습하는 모습을 본 다음, 칩에 올려 보세요
iOS와 Android에서 무료 — 뉴런부터 경사 하강법을 거쳐 배선된 Raspberry Pi Pico까지.
CoddyKit의 다른 앱
iOS 및 Android에서 이용할 수 있어요.