Learn AI with Python · 강의

PyTorch에서 CNN 구축 및 학습

nn.Conv2d, nn.MaxPool2d, nn.Linear, 학습 루프, 옵티마이저, 손실, 정확도 추적을 다룹니다.

PyTorch에서 CNN 구축 및 학습은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 3번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

이미지에 CNN을 사용하는 이유

합성곱 신경망은 공간적 패턴을 학습합니다. 가장자리와 질감에서 시작해 형태와 객체까지 학습합니다. 합성곱은 이미지 전체에서 가중치를 공유하므로 CNN을 효율적이고 이동에 강하게 만들며, 컴퓨터 비전의 기반이 됩니다.

import torch
import torch.nn as nn

nn.Module 기본 클래스

모델은 nn.Module을 상속합니다. __init__에서 계층을 정의하고 forward에서 데이터 흐름을 정의합니다. PyTorch가 매개변수와 기울기를 자동으로 추적합니다.

class CNN(nn.Module):
    def __init__(self):
        super().__init__()

합성곱 계층

nn.Conv2d(in_channels, out_channels, kernel_size)는 학습 가능한 필터를 이미지 위에서 이동시켜 특징 맵을 생성합니다. 첫 번째 합성곱 계층은 3개 채널(RGB)을 입력으로 받아 서로 다른 특징을 포착하는 더 많은 채널을 출력합니다.

self.conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1)
self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)

풀링 계층

nn.MaxPool2d는 각 창에서 최댓값을 유지하여 특징 맵을 다운샘플링합니다. 이를 통해 공간 크기가 줄어들고 계산량이 감소하며 이동 불변성이 조금 더해집니다.

self.pool = nn.MaxPool2d(kernel_size=2, stride=2)

완전 연결 계층

합성곱을 적용한 후 특징을 평탄화하고 nn.Linear 계층에 통과시켜 클래스 점수를 생성합니다. 마지막 Linear는 클래스마다 하나의 값을 출력합니다.

self.fc1 = nn.Linear(32 * 8 * 8, 128)
self.fc2 = nn.Linear(128, 10)  # 10 classes

forward 메서드

forward 메서드는 데이터의 흐름을 정의합니다. 합성곱, ReLU, 풀링을 반복한 다음 평탄화하고 선형 계층에 입력합니다. F.relu는 네트워크가 복잡한 패턴을 학습할 수 있도록 비선형성을 추가합니다.

import torch.nn.functional as F

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(x.size(0), -1)  # flatten
        x = F.relu(self.fc1(x))
        return self.fc2(x)

손실과 최적화 알고리즘

분류에는 CrossEntropyLoss를 사용합니다. Adam과 같은 최적화 알고리즘은 기울기를 사용하여 가중치를 업데이트합니다. 모델 매개변수와 학습률을 전달합니다.

model = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)

학습 반복문: 기울기 초기화

각 단계는 optimizer.zero_grad()로 이전 기울기를 지우는 작업부터 시작합니다. 이를 생략하면 기울기가 배치마다 누적되어 업데이트가 잘못됩니다.

for images, labels in loader:
    optimizer.zero_grad()

순전파와 손실

배치를 모델에 통과시켜 예측값을 얻은 다음, 예측값과 실제 레이블을 비교하여 손실을 계산합니다. 손실은 모델의 예측이 얼마나 틀렸는지를 나타내는 하나의 숫자입니다.

    outputs = model(images)
    loss = criterion(outputs, labels)

역전파와 단계 실행

loss.backward()는 자동 미분을 통해 기울기를 계산하고, optimizer.step()은 손실을 줄이는 방향으로 가중치를 조금씩 조정합니다. 두 작업을 합쳐 하나의 학습 단계가 됩니다.

    loss.backward()
    optimizer.step()

정확도 추적하기

올바른 예측의 수를 세어 진행 상황을 확인합니다. 출력값에 argmax를 적용하여 예측 클래스를 얻고, 이를 레이블과 비교한 다음 맞힌 개수를 전체 개수로 나눕니다.

    preds = outputs.argmax(dim=1)
    correct = (preds == labels).sum().item()
    acc = correct / labels.size(0)
    print("batch acc:", acc)

빠른 확인

학습 반복문에 대한 이해도를 확인해 보세요.

복습: CNN 구축과 학습

nn.Conv2d, nn.MaxPool2d, nn.Linear 계층과 forward 메서드를 사용하여 nn.Module을 상속한 CNN을 만들었습니다. zero_grad, 순전파, loss.backward(), optimizer.step()으로 구성된 반복문으로 학습하고, argmax를 사용하여 정확도를 추적했습니다.

자주 묻는 질문

“PyTorch에서 CNN 구축 및 학습” 강의는 무료인가요?

네 — “PyTorch에서 CNN 구축 및 학습” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“PyTorch에서 CNN 구축 및 학습”에서 뭘 배우나요?

nn.Conv2d, nn.MaxPool2d, nn.Linear, 학습 루프, 옵티마이저, 손실, 정확도 추적을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 3번째 강의입니다.

“PyTorch에서 CNN 구축 및 학습” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기