GAN 첫걸음 - 파이토치 신경망 입문부터 연예인 얼굴 생성까지 -

인류에겐 이런 GAN 입문서가 필요했다

『신경망 첫걸음』으로 전 세계 수포자들에게 희망을 준 타리크 라시드가 쓴 파이토치 GAN 입문서. 원리만 알면 머신러닝 분야의 최신 기술 GAN 역시 어렵지 않다. 쉽게 가르쳐주는 사람이 없었던 것뿐이다. 손 글씨부터 풀컬러 연예인 얼굴까지 GAN으로 이미지를 생성해보며 안락하게 GAN을 익힐 수 있게 구성했다. 수학 공식은 줄이고 친절한 그림과 문장으로 개념 원리를 알려준다.

멋진 아이디어는 누구나 쉽게 배울 수 있어야 한다
세계에서 가장 안락한 GAN 입문서

2014년 등장한 GAN은 빠르게 발전하는 머신러닝 분야에서 특히 폭발적인 관심을 모았습니다. 인간이 보기에 그럴듯한 새로운 결과를 기계가 알아서 생성한다는 건 혁신이었습니다. 신경망 분야의 세계적인 석학인 얀 르쿤은 GAN을 "최근 10년 동안 머신러닝 분야에서 나온 제일 멋진 아이디어"라고 평하기도 했습니다.
GAN에 대한 연구는 현재도 활발히 진행 중이지만, 신경망과 마찬가지로 원리만 알면 GAN 역시 어렵지 않습니다. 쉽게 가르쳐주는 사람이 없었던 것뿐입니다. 『신경망 첫걸음』으로 전 세계 수포자들에게 희망을 준 타리크 라시드가 이번에는 GAN 입문서를 썼습니다. 멋진 아이디어는 간결하고 쉬운 설명으로 많은 사람에게 알려질 때 더욱 빛난다는 저자의 신념이 책 곳곳에서 고스란히 전해집니다.
『신경망 첫걸음』과 마찬가지로 수학 공식은 줄이고 친절한 그림과 문장으로 개념 원리를 알려줍니다. 기존 신경망에 비해 구현이 까다로울 수 있지만, 파이토치와 구글 코랩을 사용해 구현 시 어려움을 겪지 않게 배려했습니다. 1부에서 파이토치와 신경망 기초를 배우고, 2부에서 MNIST 손 글씨부터 풀컬러 연예인 얼굴까지 GAN으로 생성하며, 3부에서는 합성곱 GAN과 조건부 GAN 등 더 고급 기법을 살펴봅니다. 그림으로 합성곱을 설명하는 챕터 하나만 봐도, 이 책이 세상 어떤 딥러닝 자료보다 친절하다는 사실을 알 수 있습니다.

추천사
제가 읽은 머신러닝, 파이토치, GAN 분야 도서 중에서 최고의 책이었습니다. 설명 순서를 극도로 잘 구성해서 복잡한 아이디어도 이해하기 무척 쉬웠습니다. 세상 모든 교재를 이렇게 쓰면 참 좋겠습니다.
- 토머스 롤리 (아마존 독자)

GAN을 설명하는 블로그, 논문, 교과서, 동영상은 많지만, 학교 수학만 아는 사람도 이해할 수 있게 설명하는 건 이 책뿐입니다. 저자의 전작 『신경망 첫걸음』을 읽어봤다면 왜 그 책이 아마존 베스트셀러 1위인지 잘 알 겁니다. 저자는 어떤 걸 가르치고 어떤 건 다루지 않을지 숙고하여 가능한 한 많은 사람이 좌절하지 않고 가이드를 따라올 수 있게 했습니다.
- 제임스 (굿리즈 독자)  

지은이 : 타리크 라시드
20년 경력의 베테랑 개발자. 어려서부터 과학, 수학, 컴퓨팅에서 오는 아름다움을 사랑했다. 많은 멋진 아이디어가 너무 어렵게 가르쳐진다고 생각해, 아름다운 아이디어를 간명하게 바꿔 누구나 이해하고 접근할 수 있게 하는 일을 사명으로 삼게 되었다.
물리학 학사와 머신러닝 및 데이터 마이닝 석사 학위가 있다. 런던 파이썬 미트업 그룹을 이끌고 있으며, 강연이나 워크숍을 즐긴다. 본업은 주로 기술 및 디지털 전략 수립으로, 디자인 싱킹을 활용하려 노력한다. 오픈소스를 무척 좋아하고 영국 정부의 오픈소스 혁신 사업을 이끌기도 했다.

옮긴이 : 고락윤
소프트웨어 엔지니어로 시작해 데이터 분석 모델링 업무를 거쳐 현재는 구글에서 모바일 앱 관련 컨설턴트로 근무 중이다. 서울대학교 경영학과를 졸업했으며, 캐글 메달을 다수 보유하고 있다. 『누구나 쉽게 스칼라+플레이』(한빛미디어, 2016)를 집필했고, 『브라이틱스와 함께하는 데이터 분석』(하우, 2020)을 공저했다.

[PART 1 파이토치와 신경망 기초]

CHAPTER 1 파이토치 기본
 구글 코랩
 파이토치 텐서
 파이토치를 이용한 자동 기울기 계산
 계산 그래프
 핵심 정리

CHAPTER 2 파이토치로 만드는 첫 번째 신경망
MNIST 이미지 데이터셋
MNIST 데이터 얻기
 데이터 살펴보기
 간단한 신경망
 훈련 시각화하기
MNIST 데이터셋 클래스
 분류기 훈련시키기
 신경망에 쿼리하기
 분류기의 성능

CHAPTER 3 성능 향상 기법
 손실 함수
 활성화 함수
 옵티마이저
 정규화
 복합적 성능 향상 기법
 핵심 정리

CHAPTER 4 CUDA 기초
 넘파이 대 파이썬
 엔비디아 CUDA
 CUDA를 파이썬에서 사용하기
 핵심 정리

[PART 2 튼튼한 GAN 만들기]

CHAPTER 5 GAN 개념
 이미지 생성하기
 적대적 훈련
GAN 훈련
 훈련하기 어려운 GAN
핵심 정리

CHAPTER 6 단순한 1010 패턴
 실제 데이터 소스
 판별기 만들기
 판별기 테스트하기
 생성기 만들기
 생성기 결과 확인하기
GAN 훈련하기
 핵심 정리

CHAPTER 7 손으로 쓴 숫자 훈련
 데이터셋 클래스
MNIST 판별기
 판별기 테스트하기
MNIST 생성기
 생성기 결과 확인하기
GAN 훈련하기
 모드 붕괴
GAN 훈련 성능 향상하기
 시드로 실험하기
 핵심 정리

CHAPTER 8 얼굴 이미지
 컬러 이미지
CelebA 데이터셋
 계층적 데이터 형식
 데이터 가져오기
 데이터 살펴보기
 데이터셋 클래스
 판별기
 판별기 테스트하기
GPU 가속
 생성기
 생성기 결과 확인하기
GAN 훈련하기
 핵심 정리

[PART 3 흥미로운 GAN 기법]

CHAPTER 9 합성곱 GAN
메모리 소비
 지역화된 이미지 특성
 합성곱 필터
 커널 가중치 학습하기
 특성의 계층구조
MNIST CNN
 CelebA CNN
각자 실험해보기
 핵심 정리

CHAPTER 10 조건부 GAN
조건부 GAN 구조
 판별기
 생성기
 훈련 반복문
 차트 그리기
 조건부 GAN 결과 확인하기
 핵심 정리

CHAPTER 11 결론
 참 잘했어요!
앞으로 할 일
GAN을 사용하는 데 대한 책임
 머신러닝은 정말 멋집니다!

[APPENDIX 부록]

APPENDIX A 이상적인 손실값
APPENDIX B GAN의 우도 학습
APPENDIX C 합성곱 예제
APPENDIX D 불안정한 학습
APPENDIX E 감사의 말 등