[PyTorch] 1주차: PyTorch 소개 및 설치

강의 목표

• PyTorch에 대한 기본 개념 이해
• 개발 환경 설정 및 PyTorch 설치
• Tensor의 기본 개념 및 연산 이해

강의 내용

1. PyTorch 소개

• PyTorch란 무엇인가?
  • PyTorch는 Python 기반의 오픈 소스 머신러닝 라이브러리로, 연구 및 개발을 위해 널리 사용됩니다.
  • Facebook AI Research (FAIR)에서 개발되었으며, 동적 연산 그래프와 유연한 설계로 유명합니다.
• 다른 딥러닝 프레임워크와의 비교
  • TensorFlow, Keras와 비교
  • 동적 연산 그래프 vs 정적 연산 그래프
  • PyTorch의 장단점

2. 환경 설정

• Anaconda 설치
  • Anaconda는 데이터 과학 및 머신러닝 작업에 필요한 패키지를 관리하기 위한 플랫폼입니다.
  • Anaconda 다운로드 및 설치 가이드
• PyTorch 설치
  • PyTorch 공식 웹사이트를 통해 설치
  • CUDA (GPU 가속) 설치 여부 선택
  • 설치 명령 예시 (Windows, Linux, Mac 모두 포함) 

conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch

 

3. PyTorch 기본 문법

• Python 및 Jupyter Notebook 기본 소개
  • Python의 기본 문법
  • Jupyter Notebook 사용법
• Tensor 개념 및 기본 연산
  • Tensor란 무엇인가?
  • Numpy와 Tensor의 비교

4. Tensor 생성 및 조작

• Tensor 생성 방법
  • 직접 생성
  • Numpy 배열로부터 생성
  • 초기화 방법 (zeros, ones, random 등)
   

import torch
import numpy as np

# 직접 생성
x = torch.tensor([1, 2, 3, 4])
print(x)

# Numpy 배열로부터 생성
np_array = np.array([5, 6, 7, 8])
y = torch.from_numpy(np_array)
print(y)

# 초기화
z = torch.zeros((2, 3))
print(z)

w = torch.ones((2, 3))
print(w)

r = torch.rand((2, 3))
print(r)

 

 

• Tensor의 기본 연산
  • 기본 수학 연산 (덧셈, 뺄셈, 곱셈, 나눗셈)
  • 브로드캐스팅 및 Element-wise 연산

 

a = torch.tensor([1.0, 2.0])
b = torch.tensor([3.0, 4.0])

# 덧셈
c = a + b
print(c)

# 곱셈
d = a * b
print(d)

# 브로드캐스팅
e = torch.tensor([[1.0], [2.0], [3.0]])
f = torch.tensor([1.0, 2.0])
g = e + f
print(g)

 

 

5. 실습 및 과제

• 실습 과제
  • Tensor 생성 및 다양한 연산을 사용하여 간단한 문제 해결
  • 주어진 배열을 Tensor로 변환하고, 기본 연산을 수행하는 코드 작성

# 실습 과제 예시
# 1. 주어진 리스트를 Tensor로 변환하고 각 요소에 2를 더하는 연산을 수행하세요.
my_list = [1, 2, 3, 4]
tensor = torch.tensor(my_list)
result = tensor + 2
print(result)

# 2. 랜덤 값으로 이루어진 Tensor를 생성하고, 그 Tensor의 평균 값을 구하세요.
random_tensor = torch.rand((4, 5))
mean_value = torch.mean(random_tensor)
print(mean_value)

 

• 과제 제출
  • Jupyter Notebook 파일로 제출
  • 제출 기한: 다음 강의 시작 전까지