책소개
딥러닝 기초 이론부터 ANN, 오토인코더, CNN, RNN, GAN, FCN, DQN, 이미지 캡셔닝 최신 모델 구현까지 『텐서플로로 배우는 딥러닝』에서는 딥러닝 기법의 이론적 배경이 되는 기초적인 수학적 이론들을 자세하게 소개하고, 딥러닝 기초 모델들(ANN, 오토인코더, CNN, RNN)의 정확한 이해를 위해 텐서플로 예제 코드와 함께 설명한다. 또한, 딥러닝 모델들을 다양한 문제에 적용하고 실제 문제에 응용하는 방법을 소개한다. 책의 초반에는 선형 대수, 확률 통계, 최적화 이론과 같은 수학적 이론을 설명하고, 딥러닝 알고리즘의 기본 구조인 ANN, 오토인코더, CNN, RNN을 다룬다. 중반에는 앞에서 배운 ANN, CNN, RNN 구조를 이미지 캡셔닝, Semantic Image Segmentation 문제에 어떻게 응용하는지를 설명한다. 책의 후반에는 최근에 인기 있는 주제인 생성 모델과 강화 학습의 개념을 살펴보고, 파인 튜닝과 사전 학습된 모델을 이용해서 실제 문제를 해결하는 방법을 배운다. 1권의 책으로 딥러닝 기초 이론부터 텐서플로 라이브러리를 이용한 실제 구현까지 모두 파악할 수 있다.
저자소개
서울대학교 인공지능 및 컴퓨터 비전 연구실에서 석사학위를 받았다. 텐서플로와 인공지능, 머신러닝, 딥러닝을 관련 내용을 포스팅하는 “솔라리스의 인공지능 연구실”(solarisailab.com)이라는 블로그를 운영 중이다.
목차
1. 인공지능, 머신러닝, 딥러닝 소개1.1 딥러닝 알고리즘의 등장배경1.2 지도 학습1.3 비지도 학습1.4 강화 학습1.5 정리2. 텐서플로 소개2.1 텐서플로 설치 및 책에서 사용하는 소스 코드 다운로드2.1.1 텐서플로 소개 2.1.2 텐서플로 설치 2.1.3 책에서 사용하는 소스 코드 다운로드 2.2 딥러닝, 텐서플로 응용 분야2.2.1 컴퓨터 비전 2.2.2 자연어 처리2.2.3 음성 인식 2.2.4 게임 2.2.5 생성 모델 2.3 텐서플로 추상화 라이브러리들2.3.1 케라스 2.3.2 TF-Slim2.3.3 Sonnet2.4 정리3. 텐서플로 기초와 텐서보드3.1 텐서플로 기초 - 그래프 생성과 그래프 실행3.2 플레이스홀더3.3 선형회귀 및 경사하강법 알고리즘3.3.1 머신러닝의 기본 프로세스 - 가설 정의, 손실 함수 정의, 최적화 정의 3.3.2 선형 회귀 알고리즘 구현 및 변수3.4 텐서보드를 이용한 그래프 시각화3.5 정리4. 머신러닝 기초 이론들4.1 Batch Gradient Descent, Mini-Batch Gradient Descent, Stochastic Gradient Descent4.2 Training Data, Validation Data, Test Data 및 오버피팅4.3 소프트맥스 회귀4.3.1 소프트맥스 회귀 4.3.2 크로스 엔트로피 손실 함수 4.3.3 MNIST 데이터셋 4.3.4 One-hot Encoding 4.4 소프트맥스 회귀를 이용한 MNIST 숫자 분류기 구현4.4.1 mnist_classification_using_softmax_regression.py 4.4.2 tf_nn_sparse_softmax_cross_entropy_with_logits_example.py 4.5 정리5. 인공신경망(ANN)5.1 인공신경망의 등장 배경5.2 퍼셉트론5.3 다층퍼셉트론 MLP5.4 오류역전파 알고리즘5.5 ANN을 이용한 MNIST 숫자 분류기 구현5.6 정리6. 오토인코더(AutoEncoder)6.1 오토인코더의 개념6.2 오토인코더를 이용한 MNIST 데이터 재구축6.3 오토인코더와 소프트맥스 분류기를 이용한 MNIST 분류기 구현6.3.1 파인 튜닝과 전이 학습 6.3.2 오토인코더와 소프트맥스 분류기를 이용한 MNIST 숫자 분류기 구현6.4 정리7. 컨볼루션 신경망(CNN)7.1 컨볼루션 신경망의 개념 - 컨볼루션, 풀링7.2 MNIST 숫자 분류를 위한 CNN 분류기 구현7.3 CNN을 이용한 CIFAR-10 이미지 분류기 구현7.3.1 CIFAR-10 데이터셋7.3.2 드롭아웃 7.3.3 CNN을 이용한 CIFAR-10 이미지 분류기 구현 7.4 대표적인 CNN 모델들 - AlexNet, VGGNet, GoogLeNet, ResNet7.4.1 AlexNet 7.4.2 VGGNet 7.4.3 GoogLeNet(Inception v1) 7.4.4 ResNet 7.5 tf.train.Saver API를 이용해서 모델과 파라미터를 저장하고 불러오기7.6 정리8. 순환신경망(RNN)8.1 순환신경망8.2 LSTM(장/단기 기억 네트워크)와 경사도 사라짐 문제8.3 GRU8.4 임베딩8.4.1 임베딩의개념8.4.2 tf.nn.embedding_lookup을 이용한 임베딩 구현 8.5 경사도 증가 문제와 경사도 자르기8.6 Char-RNN8.6.1 Char-RNN의 개념 8.6.2 텐서플로를 이용한 Char-RNN 구현 8.6.2.1 train_and_sampling.py 8.6.2.2 utils.py 8.7 정리9. 이미지 캡셔닝(Image Captioning)9.1 이미지 캡셔닝 문제 소개9.2 이미지 캡셔닝 데이터셋 - MS COCO9.3 이미지 캡셔닝 구현 - im2txt9.4 im2txt 코드 구조에 대한 설명 및 코드 실행 방법9.4.1 train.py 9.4.2 show_and_tell_model.py 9.4.3 run_inference.py 9.5 정리10. Semantic Image Segmentation10.1 Semantic Image Segmentation 개념10.2 FCN10.3 Semantic Image Segmentation을 위한 데이터셋 - MIT Scene Parsing10.4 FCN을 이용한 Semantic Image Segmentation 구현 - FCN.tensorflow10.4.1 FCN.py 10.4.2 TensorflowUtils.py 10.4.3 read_MITSceneParsingData.py 10.4.4 BatchDatsetReader.py10.5 정리11. 생성 모델 - GAN11.1 생성 모델의 개념11.2 GAN의 개념11.3 GAN을 이용한 MNIST 데이터 생성11.4 정리12. 강화 학습(Reinforcement Learning)12.1 강화 학습의 기본 개념과 MDP12.1.1 상태 가치 함수 12.1.2 행동 가치 함수 12.2 Q-Learning12.2.1 Q-Table과 Q-Networks 12.2.2 ∈-Greedy 12.3 DQN12.4 DQN을 이용한 게임 에이전트 구현 - CatchGame12.4.1 train_catch_game.py 12.4.2 play_catch_game.ipynb 12.5 정리13. 파인 튜닝과 사전 학습된 모델을 이용한 실제 문제 해결13.1 파인 튜닝 및 전이 학습 기법 리뷰13.2 Inception v3 Retraining을 이용한 나만의 분류기13.2.1 Inception v3 모델 13.2.2 inceptionv3_retrain.py - 나만의 데이터셋으로 파인 튜닝13.2.3 inceptionv3_retrain.py 13.2.4 inceptionv3_inference.py 13.3 사전 학습된 모델을 이용한 물체 검출 수행13.3.1 물체 검출의 개념 13.3.2 사전 학습된 Faster R-CNN 모델로 물체 검출 수행13.3.3 faster_rcnn_inference.py 13.4 TensorFlow Hub13.5 정리13.6 더 공부할 것들
