딥러닝을 다시 배우는 PyTorch - 원리를 이해하고 직접 구현하기

이 강의는 PyTorch로 딥러닝을 처음부터 다시 쌓아 올리는 47차시, 약 39시간의 과정입니다. 딥러닝 강의는 많지만 대부분 두 부류로 갈립니다. 라이브러리 사용법만 훑어 정작 코드가 왜 그렇게 생겼는지 모르게 되거나, 수식부터 시작해 중간에 포기하게 되거나입니다. 이 강의는 다른 순서를 택합니다. 먼저 결과를 만들어 보고, 그다음 그 안에서 무슨 일이 일어났는지 파고듭니다. 시작은 사전학습 모델입니다. 이미지 분류를 돌려 보고, Stable Diffusion으로 인페인팅을 해보고, BLIP으로 이미지 캡셔닝까지 실습합니다. 첫 시간부터 결과물이 나오기 때문에 이후 이론을 배울 동기가 생깁니다. 그다음이 이 강의의 핵심입니다. 텐서를 일곱 차시에 걸쳐 다룹니다. 인덱싱과 브로드캐스팅은 물론, 스토리지와 stride 같은 메모리 구조, 메모리 연속성 관리, GPU 연산과 NumPy 상호 변환까지 내려갑니다. 텐서를 이 정도로 다루는 한국어 강의는 드뭅니다. 여기를 이해하면 이후 모든 코드가 다르게 읽힙니다. 이어서 실제 데이터를 텐서로 바꾸는 전처리를 다룹니다. 이미지의 색상 채널, 테이블 데이터와 원핫 인코딩, 시계열, 텍스트 임베딩까지 데이터 유형별로 짚습니다. 그리고 학습의 원리로 넘어가 손실 함수와 경사 하강법을 수치 미분으로 직접 구현해 본 뒤, Autograd가 그것을 어떻게 자동화하는지 확인합니다. 직접 만들어 본 사람만이 자동 미분의 편리함을 제대로 압니다. 후반부는 신경망 구조입니다. nn.Module로 심층 신경망을 만들고 CIFAR-10을 분류하다가 완전 연결 신경망의 한계를 마주하고, 여기서 CNN이 왜 필요한지 자연스럽게 도달합니다. 마지막에는 텍스트 생성으로 넘어가 바이그램 모델부터 임베딩, MLP 기반 생성 모델을 거쳐 Attention의 Query·Key·Value 원리까지 다룹니다. Python을 다룰 줄 알고 딥러닝을 제대로 이해하고 싶은 분이라면, 이 강의를 마쳤을 때 남는 것은 예제 코드가 아니라 어떤 모델을 만나도 구조를 읽어 낼 수 있는 눈입니다.