[python] 파이토치(PyTorch)를 활용한 딥러닝 모델 개발

11 Dec 2023

python

딥러닝은 최근 몇 년 동안 많은 주목을 받아왔고, 다양한 분야에서 사용되고 있습니다. 특히 파이토치(PyTorch)는 이 분야에서 인기가 높은 프레임워크 중 하나입니다. 이번 포스트에서는 PyTorch를 활용하여 간단한 딥러닝 모델을 개발하는 방법에 대해 알아보도록 하겠습니다.

1. PyTorch 소개

파이토치(PyTorch)는 딥러닝 모델을 구축하고 훈련시키기 위한 오픈소스 라이브러리로, GPU를 활용하여 연산 속도를 높일 수 있습니다. Tensor 연산을 위한 강력한 라이브러리를 포함하고 있으며, 동적 계산 그래프를 활용하여 모델을 쉽게 구축할 수 있습니다.

2. 데이터 준비

딥러닝 모델을 훈련하기 위해서는 데이터가 필요합니다. PyTorch에서는 torchvision 등의 패키지를 활용하여 이미지 데이터를 쉽게 불러올 수 있습니다. 데이터를 불러온 후에는 적절한 전처리를 수행하여 모델에 입력으로 제공할 수 있도록 준비합니다.

import torch
import torchvision
import torchvision.transforms as transforms

# 데이터셋 불러오기
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

3. 모델 구축

딥러닝 모델을 구축하기 위해서는 신경망을 정의해야 합니다. PyTorch에서는 torch.nn 모듈을 사용하여 다양한 레이어를 스택하고 모델을 구축할 수 있습니다.

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

4. 손실 함수 및 최적화

모델을 훈련하기 위해서는 손실 함수와 최적화 알고리즘이 필요합니다. PyTorch에서는 다양한 손실 함수 및 최적화 알고리즘을 제공하고 있습니다.

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

5. 모델 훈련

이제 모델을 실제 데이터를 사용하여 훈련시킬 차례입니다. 데이터셋에서 배치 단위로 데이터를 불러와 모델에 입력으로 제공하고, 역전파 알고리즘을 사용하여 모델을 훈련합니다.

for epoch in range(2):  # 데이터셋을 여러번 반복

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:    # 2000 미니배치마다 출력
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('모델 훈련 완료')

6. 모델 평가

훈련된 모델을 평가하여 성능을 확인할 수 있습니다. 이를 위해 테스트 데이터셋에 대한 예측을 수행하고, 정확도를 계산할 수 있습니다.

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('테스트 데이터셋에 대한 정확도: %d %%' % (
    100 * correct / total))

이제 당신은 PyTorch를 활용하여 간단한 딥러닝 모델을 개발하고 훈련시키는 방법에 대해 알게 되었습니다. PyTorch는 다양한 기능과 뛰어난 확장성을 제공하여 실제 프로젝트에서 활용될 수 있습니다.

목차