PyTorch 기초부터 심화까지 완벽 가이드

PyTorch의 텐서 연산부터 신경망 구축, 학습, 최적화까지 단계별로 학습합니다. 실무에서 바로 활용 가능한 딥러닝 핵심 개념을 다룹니다.

---

---

들어가며

이 글에서는 PyTorch 기초부터 심화까지 완벽 가이드에 대해 상세히 알아보겠습니다. 총 12가지 주요 개념을 다루며, 각각의 개념에 대한 설명과 실제 코드 예제를 함께 제공합니다.

목차

1. 텐서_생성과_기본_연산
2. GPU_가속_활용
3. 자동_미분_Autograd
4. 신경망_모델_정의
5. 데이터_로더_활용
6. 손실_함수와_최적화
7. 모델_학습_루프
8. 모델_평가와_예측
9. 학습률_스케줄러
10. 모델_저장과_로드
11. 커스텀_데이터셋_생성
12. 전이_학습_활용

---

1. 텐서_생성과_기본_연산

개요

PyTorch의 핵심 자료구조인 텐서를 생성하고 기본적인 수학 연산을 수행하는 방법입니다.

코드 예제

import torch

# 텐서 생성
x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
y = torch.ones(2, 2)

# 기본 연산
result = x + y
print(result)  # [[2, 3], [4, 5]]

설명

torch.tensor()로 데이터를 텐서로 변환하고, NumPy처럼 직관적인 연산이 가능합니다. GPU 가속을 위한 기본 단위입니다.

---

2. GPU_가속_활용

개요

CUDA를 이용해 텐서를 GPU로 이동시켜 연산 속도를 대폭 향상시키는 방법입니다.

코드 예제

import torch

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

x = torch.randn(1000, 1000).to(device)
y = torch.randn(1000, 1000).to(device)

result = torch.mm(x, y)  # GPU에서 행렬 곱셈
print(f"Device: {result.device}")

설명

.to(device)로 텐서를 GPU/CPU로 이동시킵니다. 대규모 행렬 연산에서 GPU는 CPU 대비 수십 배 빠릅니다.

---

3. 자동_미분_Autograd

개요

역전파를 위한 자동 미분 기능으로, 신경망 학습의 핵심 메커니즘입니다.

코드 예제

import torch

x = torch.tensor(2.0, requires_grad=True)
y = x ** 3 + 2 * x ** 2 + x

y.backward()  # dy/dx 계산
print(f"Gradient: {x.grad}")  # 3*4 + 2*2*2 + 1 = 21

설명

requires_grad=True로 미분 추적을 활성화하고, backward()로 그래디언트를 자동 계산합니다. 복잡한 수식도 자동으로 처리됩니다.

---

4. 신경망_모델_정의

개요

nn.Module을 상속받아 커스텀 신경망을 정의하는 표준 방법입니다.

코드 예제

import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        return self.fc2(x)

설명

__init__에서 레이어를 정의하고 forward에서 순전파 로직을 구현합니다. 역전파는 autograd가 자동 처리합니다.

---

5. 데이터_로더_활용

개요

대용량 데이터를 배치 단위로 효율적으로 로드하고 셔플하는 방법입니다.

코드 예제

from torch.utils.data import DataLoader, TensorDataset

X = torch.randn(1000, 20)
y = torch.randint(0, 2, (1000,))

dataset = TensorDataset(X, y)
loader = DataLoader(dataset, batch_size=32, shuffle=True)

for batch_X, batch_y in loader:
    print(batch_X.shape)  # torch.Size([32, 20])

설명

TensorDataset으로 데이터를 묶고 DataLoader로 배치 처리합니다. shuffle=True로 에폭마다 데이터 순서를 섞어 학습 효과를 높입니다.

---

6. 손실_함수와_최적화

개요

모델 학습을 위한 손실 함수 계산과 옵티마이저 사용법입니다.

코드 예제

import torch.optim as optim

model = SimpleNet()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

output = model(torch.randn(10, 784))
loss = criterion(output, torch.randint(0, 10, (10,)))

optimizer.zero_grad()
loss.backward()
optimizer.step()

설명

CrossEntropyLoss로 분류 손실을 계산하고, Adam 옵티마이저로 가중치를 업데이트합니다. zero_grad()로 그래디언트 초기화가 필수입니다.

---

7. 모델_학습_루프

개요

전체 학습 과정을 포함한 완전한 트레이닝 루프 구현입니다.

코드 예제

model.train()
for epoch in range(10):
    total_loss = 0
    for X_batch, y_batch in loader:
        optimizer.zero_grad()
        output = model(X_batch)
        loss = criterion(output, y_batch)
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    print(f"Epoch {epoch}: Loss {total_loss:.4f}")

설명

model.train()으로 학습 모드 활성화 후, 배치별로 순전파→손실 계산→역전파→가중치 업데이트를 반복합니다.

---

8. 모델_평가와_예측

개요

학습된 모델로 새로운 데이터에 대한 예측을 수행하는 방법입니다.

코드 예제

model.eval()
with torch.no_grad():
    test_input = torch.randn(5, 784)
    predictions = model(test_input)
    predicted_classes = torch.argmax(predictions, dim=1)

print(predicted_classes)  # tensor([7, 2, 0, 4, 9])

설명

model.eval()과 torch.no_grad()로 그래디언트 계산을 비활성화해 메모리를 절약합니다. argmax로 가장 높은 확률의 클래스를 선택합니다.

---

9. 학습률_스케줄러

개요

학습 진행에 따라 학습률을 동적으로 조정하여 수렴 성능을 개선합니다.

코드 예제

from torch.optim.lr_scheduler import StepLR

optimizer = optim.Adam(model.parameters(), lr=0.01)
scheduler = StepLR(optimizer, step_size=5, gamma=0.5)

for epoch in range(20):
    # ... 학습 코드 ...
    scheduler.step()
    print(f"LR: {optimizer.param_groups[0]['lr']:.6f}")

설명

StepLR은 step_size 에폭마다 학습률을 gamma배로 감소시킵니다. 초반엔 빠르게 학습하고 후반엔 세밀하게 조정합니다.

---

10. 모델_저장과_로드

개요

학습된 모델의 가중치를 저장하고 나중에 불러오는 방법입니다.

코드 예제

# 저장
torch.save(model.state_dict(), 'model_weights.pth')

# 로드
model = SimpleNet()
model.load_state_dict(torch.load('model_weights.pth'))
model.eval()

설명

state_dict()로 모델의 파라미터만 저장하는 것이 권장됩니다. 전체 모델을 저장하는 것보다 유연하고 호환성이 좋습니다.

---

11. 커스텀_데이터셋_생성

개요

자신만의 데이터를 PyTorch Dataset으로 변환하여 표준 파이프라인에 통합합니다.

코드 예제

from torch.utils.data import Dataset

class CustomDataset(Dataset):
    def __init__(self, data, labels):
        self.data = data
        self.labels = labels

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        return self.data[idx], self.labels[idx]

설명

Dataset 클래스를 상속받아 __len__과 __getitem__만 구현하면 됩니다. DataLoader와 함께 사용해 표준화된 데이터 처리가 가능합니다.

---

12. 전이_학습_활용

개요

사전 학습된 모델을 가져와 마지막 레이어만 교체하여 새로운 태스크에 적용합니다.

코드 예제

import torchvision.models as models

resnet = models.resnet18(pretrained=True)

# 마지막 레이어만 교체
num_features = resnet.fc.in_features
resnet.fc = nn.Linear(num_features, 10)

# 사전 학습 레이어는 고정
for param in resnet.parameters():
    param.requires_grad = False
resnet.fc.requires_grad = True

설명

ImageNet으로 학습된 ResNet을 가져와 분류기만 교체합니다. 적은 데이터로도 높은 성능을 얻을 수 있는 강력한 기법입니다.

---

마치며

이번 글에서는 PyTorch 기초부터 심화까지 완벽 가이드에 대해 알아보았습니다. 총 12가지 개념을 다루었으며, 각각의 사용법과 예제를 살펴보았습니다.

관련 태그

#PyTorch #Tensor #NeuralNetwork #Autograd #Optimization