[Python] PyTorch 소개

1. PyTorch란?

PyTorch는 Facebook AI Research(FAIR)에서 개발한 Python 기반 오픈소스 딥러닝 프레임워크입니다.

• NumPy와 유사한 텐서 연산 지원
• GPU 가속(CUDA)로 빠른 연산 가능
• 동적 연산 그래프(Dynamic Computation Graph) 사용
• 사용이 직관적이고 디버깅이 쉬움
• 딥러닝, 자연어 처리(NLP), 컴퓨터 비전(CV) 등에 폭넓게 활용됨

2. PyTorch 주요 개념

(1) 텐서(Tensor)

PyTorch에서 가장 기본적인 자료형은 Tensor입니다.

import torch

a = torch.tensor([1, 2, 3])
b = torch.tensor([[1, 2], [3, 4]])
c = torch.randn(2, 3, 4)
print(c.shape)
    

(2) NumPy 변환

import numpy as np

t = torch.tensor([1, 2, 3])
n = t.numpy()
print(n, type(n))

n = np.array([4, 5, 6])
t = torch.from_numpy(n)
print(t, type(t))
    

(3) GPU 연산

device = 'cuda' if torch.cuda.is_available() else 'cpu'
x = torch.randn(3, 3).to(device)
print(x.device)
    

(4) 텐서 연산

x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])
print(x + y)
    

3. PyTorch 모델 만들기

(1) torch.nn을 이용한 모델 정의

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 1)
    
    def forward(self, x):
        return self.fc(x)

model = MyModel()
print(model)
    

(2) 손실 함수 및 옵티마이저

import torch.optim as optim

loss_fn = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
    

(3) 학습 과정

for epoch in range(10):
    optimizer.zero_grad()
    x = torch.randn(5, 10)
    y = torch.randn(5, 1)
    pred = model(x)
    loss = loss_fn(pred, y)
    loss.backward()
    optimizer.step()
    print(f"Epoch {epoch+1}, Loss: {loss.item()}")
    

4. 데이터 로딩 (torch.utils.data)

from torch.utils.data import Dataset, DataLoader

class MyDataset(Dataset):
    def __init__(self):
        self.data = torch.randn(100, 10)
        self.labels = torch.randint(0, 2, (100,))
    
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, idx):
        return self.data[idx], self.labels[idx]

dataset = MyDataset()
dataloader = DataLoader(dataset, batch_size=8, shuffle=True)
    

5. PyTorch 주요 기능 요약

기능	설명
텐서 연산	torch.tensor(), +, -, * 등 다양한 연산
GPU 연산	.to('cuda')를 이용해 GPU에서 연산 가능
신경망 정의	nn.Module을 상속받아 모델 생성
손실 함수	nn.MSELoss(), nn.CrossEntropyLoss() 등 다양한 손실 함수
옵티마이저	optim.SGD(), optim.Adam() 등 최적화 알고리즘
역전파 학습	zero_grad(), loss.backward(), step() 사용
데이터 로딩	Dataset, DataLoader를 활용하여 데이터 배치 로딩