- CNN 신경망
CNN은 통상 콘볼루션, 풀링, ReLu, 완전 연결, 손실(loss) 계층을 사용해 시각령을 시뮬레이션한다. 콘볼루션 계층은 기본적으로 수 많은 작은 중복 지역의 정수(Integral)를 가져온다. 풀링 계층은 일종의 비선형 다운 샘플링을 실시한다. ReLU 계층은 비포화(Non-saturating) 활성화 함수인 f(x) = max(0,x)를 적용한다. 완전 연결 계층의 경우, 뉴런은 앞선 계층의 모든 활성체와 연결이 된다. 손실 계층의 경우, 분류에는 소프트맥스(Softmax)나 크로스 엔트로피(Cross-entropy) 손실 함수를, 회귀에는 유클리드(Euclidean) 손실 함수를 사용해 예측한 레이블과 진짜 레이블 간 편향을 파악해 조정하는 네트워크 트레이닝에 대해 계산을 한다.
- RNN과 LSTM, 어텐션 기반 신경망
피드포워드 신경망은 인풋에서 숨겨진 계층, 아웃풋 순으로 정보가 전달된다. 이는 네트워크가 한 번에 1개의 상태만 처리하도록 제약한다.
RNN의 경우, 정보가 순환식으로 흐른다. 따라서 네트워크는 이전의 아웃풋을 기억하게 된다. 이를 통해 시퀀스와 시계열을 분석할 수 있다. RNN에는 2가지 일반적인 문제가 있다. 경사도를 중첩시켜 쉽게 고칠 수 있는 ‘경사도 폭발(Exploding gradients)’ 문제와 쉽게 고치기 힘든 ‘경사도 사라짐(Vanishing Gradients)’ 문제다.
LSTM의 경우, 가중치를 수정하는 방법으로 이전 정보를 잊거나, 기억하도록 만들 수 있다. 이는 LSTM에 장단기 기억 능력을 제공하며, ‘경사도 사라짐’ 문제를 해결한다. LSTM은 과거 인풋의 수백 시퀀스를 처리할 수 있다.
어텐션 모델은 인풋 벡터에 가중치를 적용하는 일반화된 게이트이다. 계층적인 뉴럴 어텐션 인코더는 여러 어텐션 모듈 계층을 사용, 수 많은 과거 인풋을 처리한다.
- 랜덤 포레스트
DNN이 아닌, 또 다른 종류의 딥 러닝 알고리즘이 랜덤 포레스트다. 랜덤 포레스터는 수 많은 계층으로부터 구성된다. 그러나 뉴런이 아닌 의사결정 트리로부터 구성된다. 또 아웃풋은 개별 트리의 통계적인 예측치 평균이다(분류의 경우 최빈값, 회귀의 경우 평균). 랜덤 포레스트는 임의성(무작위성, 확률성)을 갖는다. 개별 트리에 부트스트랩 총계치를 사용하고(일명 bagging), 임의의 특징 하위 집합을 가져오기 때문이다.
딥 러닝 프레임워크의 종류
첫 번째 원칙에서 딥 러닝 프로그램을 만들 수도 있지만, 딥 러닝 프레임워크를 사용하는 것이 훨씬 더 효율적이다. 무엇보다, GPU와 기타 액셀레이터(가속기)와 함께 사용할 수 있도록 최적화되어 있기 때문이다. 가장 유명한 프레임워크가 구글이 만든 텐서플로우다. 텐서플로우에서 인기있는 고수준 API는 케라스(Keras)다. 다른 백엔드 프레임워크와 함께 사용할 수도 있다.페이스북 등의 파이토치(PyTorch)는 텐서플로우의 좋은 대안이 될 수 있다. 동적 신경망을 지원한다는 특징이 있다. 에포크마다 네트워크 특징을 변경할 수 있다는 의미다. 패스트AI(Fastai)는 파이토치를 백엔드로 사용하는 고수준의 서드파티 API다.
아마존 등의 MXNet도 텐서플로우의 좋은 대안이 될 수 있다. 이들은 확장성이 더 뛰어나다고 주장한다. MXNet에 반드시 필요한 고수준 API는 글루온(Gluon)이다. IBM과 인텔 등의 체이너(Chaniner)가 파이토치에 일정 수준 ‘영감’을 줬다. 신경망을 실행(run)으로 정의하며, 동적 신경망을 지원하기 때문이다.
앞서 언급한 프레임워크는 모두 기본적으로 파이썬(Python)이다. 그러나 스카이마인드(Skymind)에서 시작됐고 지금은 아파치 프로젝트가 된 DL4J(Deeplearning4j)는 주로 자바(Java)와 스칼라(Scala)다. DL4J는 아파치 스파크 및 하둡과 호환된다.
ONNX는 원래 교환이 가능한 API 모델용 오픈 생태계로 제시됐었다. 지금은 교환이 가능한 파일 형식과 함께 런타임을 지원한다. 엔비디아(Nvidia)의 텐서RT(TensorRT)는 엔비디아 GPU를 활용하는 AI 모델용 런타임이다. ONNX 런타임이 텐서RT를 플러그인으로 사용할 수 있다.
딥 러닝 전이 학습
전이 학습(Transfer Learning)이란 하나의 데이터 세트에 트레이닝 된 모델을 다른 데이터 세트에 맞춰 조정하는 프로세스다. 전이 학습을 이용하는 것이 처음부터 모델을 트레이닝시키는 것보다 빠르다. 또 트레이닝에 필요한 데이터가 더 적다.구글 클라우드 오토ML(Cloud AutoML)에 영상, 번역, 자연어용 딥 러닝 전이 학습이 구현되어 있다. 애저 머신러닝 서비스(Azure Machine Learning Service) 또한 이와 유사한 딥 러닝 전이 학습 서비스를 맞춤형 비전, 맞춤형 스피치, 번역, 맞춤형 검색에 대해 제공하고 있다.
분산형 딥 러닝 트레이닝
텐서플로우에도 분산형 트레이닝을 파라미터 서버로 조정하는 독자적인 방법이 있지만, 더 일반적인 방법은 오픈 MPI(Message Passing Interface)를 사용하는 것이다. 우버가 만든 텐서플로우, 케라스, 파이토치용 분산형 트레이닝 프레임워크인 호로보드(Horovod)는 오픈 MPI와 엔비디아 NCCL을 사용한다. 호로보드는 65~90%의 스케일링 효율성이 보존된다. 이는 트레이닝하는 모델에 따라 달라진다.
딥 러닝 관련 책과 자료
딥 러닝 패키지 가운데 하나를 설치하고, 샘플을 테스트하고, 튜토리얼을 읽는 방법으로 딥 러닝에 대해 더 많이 학습할 수 있다. 더 깊이 공부하고 싶다면, 다음 자료 가운데 하나를 선택하면 된다. - Neural Networks and Deep Learning, 저자: 마이클 넬슨
- A Brief Introduction to Neural Networks, 저자: 데이비드 크리셀
- Deep Learning, 저자: 여호수아 벤지오, 이언 굿펠로우, 애런 쿠르빌
- A Course in Machine Learning, 저자: 할 다움 3세
- TensorFlow Playground, 저자: 대니얼 스밀코프 및 샨 카터
- CS231n: Convolutional Neural Networks for Visual Recognition, 편찬: 스탠포드 대학
editor@itworld.co.kr
함께 보면 좋은 콘텐츠
Sponsored
Surfshark
“유료 VPN, 분명한 가치 있다” VPN 선택 가이드
ⓒ Surfshark VPN(가상 사설 네트워크, Virtual Private Network)은 인터넷 사용자에게 개인 정보 보호와 보안을 제공하는 중요한 도구로 널리 인정받고 있다. VPN은 공공 와이파이 환경에서도 데이터를 안전하게 전송할 수 있고, 개인 정보를 보호하는 데 도움을 준다. VPN 서비스의 수요가 증가하는 것도 같은 이유에서다. 동시에 유료와 무료 중 어떤 VPN을 선택해야 할지 많은 관심을 가지고 살펴보는 사용자가 많다. 가장 먼저 사용자의 관심을 끄는 것은 별도의 예산 부담이 없는 무료 VPN이지만, 그만큼의 한계도 있다. 무료 VPN, 정말 괜찮을까? 무료 VPN 서비스는 편리하고 경제적 부담도 없지만 고려할 점이 아예 없는 것은 아니다. 보안 우려 대부분의 무료 VPN 서비스는 유료 서비스에 비해 보안 수준이 낮을 수 있다. 일부 무료 VPN은 사용자 데이터를 수집해 광고주나 서드파티 업체에 판매하는 경우도 있다. 이러한 상황에서 개인 정보가 유출될 우려가 있다. 속도와 대역폭 제한 무료 VPN 서비스는 종종 속도와 대역폭에 제한을 생긴다. 따라서 사용자는 느린 인터넷 속도를 경험할 수 있으며, 높은 대역폭이 필요한 작업을 수행하는 데 제약을 받을 수 있다. 서비스 제한 무료 VPN 서비스는 종종 서버 위치가 적거나 특정 서비스 또는 웹사이트에 액세스하지 못하는 경우가 생긴다. 또한 사용자 수가 늘어나 서버 부하가 증가하면 서비스의 안정성이 저하될 수 있다. 광고 및 추적 위험 일부 무료 VPN은 광고를 삽입하거나 사용자의 온라인 활동을 추적하여 광고주에게 판매할 수 있다. 이 경우 사용자가 광고를 보아야 하거나 개인 정보를 노출해야 할 수도 있다. 제한된 기능 무료 VPN은 유료 버전에 비해 기능이 제한될 수 있다. 예를 들어, 특정 프로토콜이나 고급 보안 기능을 지원하지 않는 경우가 그렇다. 유료 VPN의 필요성 최근 유행하는 로맨스 스캠은 인터넷 사기의 일종으로, 온라인 데이트나 소셜 미디어를 통해 가짜 프로필을 만들어 상대를 속이는 행위다. 이러한 상황에서 VPN은 사용자가 안전한 연결을 유지하고 사기 행위를 방지하는 데 도움이 된다. VPN을 통해 사용자는 상대방의 신원을 확인하고 의심스러운 활동을 감지할 수 있다. 서프샤크 VPN은 구독 요금제 가입 후 7일간의 무료 체험을 제공하고 있다. ⓒ Surfshark 그 외에도 유료 VPN만의 강점을 적극 이용해야 하는 이유는 다음 3가지로 요약할 수 있다. 보안 강화 해외 여행객이 증가함에 따라 공공 와이파이를 사용하는 경우가 늘어나고 있다. 그러나 공공 와이파이는 보안이 취약해 개인 정보를 노출할 위험이 있다. 따라서 VPN을 사용하여 데이터를 암호화하고 개인 정보를 보호하는 것이 중요하다. 서프샤크 VPN은 사용자의 개인 정보를 안전하게 유지하고 해킹을 방지하는 데 유용하다. 개인정보 보호 인터넷 사용자의 검색 기록과 콘텐츠 소비 패턴은 플랫폼에 의해 추적될 수 있다. VPN을 사용하면 사용자의 IP 주소와 로그를 숨길 수 있으며, 개인 정보를 보호할 수 있다. 또한 VPN은 사용자의 위치를 숨기고 인터넷 활동을 익명으로 유지하는 데 도움이 된다. 지역 제한 해제 해외 여행 중에도 한국에서 송금이 필요한 경우가 생길 수 있다. 그러나 IP가 해외 주소이므로 은행 앱에 접근하는 것이 제한될 수 있다. VPN을 사용하면 지역 제한을 해제해 해외에서도 한국 인터넷 서비스를 이용할 수 있다. 따라서 해외에서도 안전하고 편리하게 인터넷을 이용할 수 있다. 빠르고 안전한 유료 VPN, 서프샤크 VPN ⓒ Surfshark 뛰어난 보안 서프샤크 VPN은 강력한 암호화 기술을 사용하여 사용자의 인터넷 연결을 안전하게 보호한다. 이는 사용자의 개인 정보와 데이터를 보호하고 외부 공격으로부터 사용자를 보호하는 데 도움이 된다. 다양한 서버 위치 서프샤크 VPN은 전 세계 곳곳에 여러 서버가 위치하고 있어, 사용자가 지역 제한된 콘텐츠에 액세스할 수 있다. 해외에서도 로컬 콘텐츠에 손쉽게 접근할 수 있음은 물론이다. 속도와 대역폭 서프샤크 VPN은 빠른 속도와 무제한 대역폭을 제공하여 사용자가 원활한 인터넷 경험을 누릴 수 있도록 지원한다. 온라인 게임, 스트리밍, 다운로드 등 대역폭이 필요한 활동에 이상적이다. 다양한 플랫폼 지원 서프샤크 VPN은 다양한 플랫폼 및 디바이스에서 사용할 수 있다. 윈도우, 맥OS, iOS, 안드로이드 등 다양한 운영체제 및 디바이스에서 호환되어 사용자가 어디서나 안전한 인터넷을 즐길 수 있다. 디바이스 무제한 연결 서프샤크 VPN은 무제한 연결을 제공하여 사용자가 필요할 때 언제든지 디바이스의 갯수에 상관없이 VPN을 사용할 수 있다.