모델 설계 방법

nn.Module을 상속받아 모델을 정의합니다. __init__ 함수는 레이어 초기화와 매개변수 설정을 담당하며, forward 함수는 입력 데이터의 처리 흐름을 구현합니다.

class CustomModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.layer_stack = nn.Sequential(
            nn.Linear(32, 64),
            nn.LeakyReLU(),
            nn.Linear(64, 10)
        )
    
    def forward(self, x):
        return self.layer_stack(x)

연산 장치 설정

GPU 가용성 확인 후 장치를 지정합니다:

device_config = torch.device("cuda" if torch.cuda.is_available() else "mps")

사용자 정의 데이터셋 생성

Dataset 클래스를 상속하여 사용자 데이터셋을 구현합니다:

class ImageDataset(Dataset):
    def __init__(self, file_paths, transforms=None):
        self.paths = file_paths
        self.transform = transforms
        
    def __len__(self):
        return len(self.paths)
    
    def __getitem__(self, idx):
        image = Image.open(self.paths[idx])
        if self.transform:
            image = self.transform(image)
        return image, 0  # 라벨 예시

데이터로더 활용

배치 처리와 데이터 셔플링을 위한 DataLoader 설정:

from torch.utils.data import DataLoader

dataset = ImageDataset(image_files)
data_loader = DataLoader(dataset, batch_size=32, shuffle=True)

사용자 정의 변환 작업

Lambda를 이용한 커스텀 변환 연산:

custom_transform = T.Lambda(lambda img: img.rotate(15))

역전파 제어 기법

그래디언트 계산 관리 방법:

• torch.no_grad() 컨텍스트로 그래디언트 추적 비활성화
• 파라미터 고정이 필요할 때 requires_grad=False 설정

with torch.no_grad():
    output = model(input_data)

모델 저장 및 로드

state_dict를 이용한 모델 상태 관리:

# 저장
torch.save(model.state_dict(), 'model_weights.pth')

# 로드
loaded_model = CustomModel()
loaded_model.load_state_dict(torch.load('model_weights.pth'))

학습 프로세스 개요

전형적인 학습 루프 구조:

1. DataLoader에서 배치 데이터 추출
2. 모델 예측 및 손실 계산
3. loss.backward()로 그래디언트 계산
4. optimizer.step()으로 가중치 갱신
5. optimizer.zero_grad()로 그래디언트 초기화