[딥러닝]실습 환경설정과 파이토치 기초

권경민·2023년 7월 8일
0

딥러닝

목록 보기
2/8
post-custom-banner

2장 실습 환경설정과 파이토치 기초

1. 파이토치 개요

1.1 파이토치 특징

GPU에서 텐서 조작 및 동적 신경망 구축이 가능한 프레임워크

  • GPU(Graphics Processing Unit)
    • 연산 속도를 빠르게 하는 역할
    • 기울기 계산에 미분을 사용하는데, GPU를 사용하면 빠른 계산이 가능
    • 내부적으로 CUDA, cuDNN이라는 API를 통해 GPU를 연산에 사용 가능
    • 병렬 연산에서 GPU의 속도는 CPU보다 훨씬 빠름
  • 텐서
    • 텐서는 파이토치의 데이터 형태.
    • 단일 데이터 형식으로 된 자료들의 다차원 행렬
    • 텐서는 간단한 명령어를 사용하여 GPU연산 수행 가능 (변수 뒤 .cuda()추가)
  • 동적신경망
    • 훈련을 반복할 때마다 네트워크 변경이 가능한 신경망
      ex) 학습 중 은닉층을 추가하거나 제거하는 등의 모델 네트워크 조작 가능
    • 연산그래프 정의와 동시에 값 초기화되는 'Define by Run'방식 사용.

💡 연산 그래프

  • 연산 그래프는 방향성이 있으며, 변수를 의미하는 노드와 연산을 담당하는 엣지로 구성됨.
  • 노드는 변수(a, b)를 가지고 있으며 각 계산을 통해 새로운 텐서 (c,d,e)를 구성할 수 있음

    신경망은 연산 그래프를 이용하여 계산
    -> 네트워크가 학습될 때 손실 함수의 기울기가 가중치와 bias를 기반으로 계산
    -> 이후 경사하강법을 사용하여 가중치가 업데이트됨

파이토치 장점

  1. 단순함(효율적인 계산)
    • 파이썬 환경과 쉽게 통합
    • 디버깅이 직관적 & 간결
  2. 성능(낮은 CPU 활용)
    • 모델 훈련을 위한 CPU 사용률이 텐서플로와 비교해 낮음
    • 학습 및 추론 속도가 빠름
  3. 직관적 인터페이스
    • 텐서플로우처럼 잦은 API 변경이 없어 배우기 쉬움

1.2 파이토치 아키텍처

파이토치 아키텍처는 3개의 계층으로 나뉨.

파이토치 API
- 사용자가 이해하기 쉬운 API를 제공하여 텐서에 대한 처리와 신경망 구축/훈련을 도움
- 사용자 인터페이스를 제공하나, 실제 계산 X

  • 파이토치 API에서 제공되는 패키지
    • torch : GPU를 지원하는 텐서 패키지
      다차원 텐서를 기반으로 다양한 수학적 연산 가능
    • torch.autograd : 자동 미분 패키지
      연산 그래프가 즉시 계산되어 다양한 신경망 적용이 가능
    • torch.nn : 신경망 구축 및 훈련 패키지
      CNN, RNN, 정규화 등이 포함되어 쉽게 신경망 구축&학습 가능
    • torch.multiprocessing : 파이썬 멀티프로세싱 패키지
      파이토치에서 사용하는 프로세스 전반에 걸쳐 텐서 메모리 공유 가능
      서로 다른 프로세스에서 동일한 데이터에 대한 접근&사용 가능
    • torch.utils : DataLoader 및 기타 유틸리티를 제공하는 패키지

파이토치 엔진 : 다차원 텐서 및 자동 미분 처리
Autograd C++, Aten C++, JIT C++, Python API로 구성됨.

연산처리 : C, CUDA등 라이브러리가 위치함

1.3 torch.tensor이란?

파이토치에서는 tensor이 핵심

📌 텐서를 메모리에 저장하기
텐서가 몇차원이든 메모리에 저장될 때 1차원 배열 형태가 됨.
변환된 1차원 배열 = 스토리지(storage)

  • 오프셋(offset) : 텐서에서 첫 번째 요소 = 스토리지에 저장된 인덱스
  • 스트라이드(stride) : 각 차원에 따라 다음 요소를 얻기 위해 skip이 필요한 스토리지의 요소 개수
    • 즉, 메모리에서의 텐서 레이아웃
    • 요소가 연속적으로 저장되기에 행 중심으로 스트라이드는 항상 1임.
      ⬆️ 3차원 텐서를 1차원으로 변환

      - 위의 두 행렬은 다른 형태지만 같은 스토리지 값을 가짐.
      - 두 행렬을 구분하는 용도로 오프셋과 스트라이드 사용
      이해안됨

2. 파이토치 기초 문법

2.1 텐서 다루기

⬇️ 텐서 생성 및 변환

import torch
print(torch.tensor([[1,2],[3,4]]))    --------- 2차원 형태의 텐서 생성
print(torch.tensor([[1,2],[3,4]], device="cuda:0")) ---------- GPU에 텐서 생성
print(torch.tensor([[1,2],[3,4]], dtype=torch.float64)) ------ dtype을 이용해 텐서 생성

⬇️ 생성된 텐서의 결과

tensor([[1,2],
       [3,4]])
tensor([[1.,2.],
       [3.,4.]]), dtype=torch.float64)

⬇️ 텐서를 ndarray로 변환

temp = torch.tensor([[1,2],[3,4]])
print(temp.numpy())  ---- 텐서를 ndarray로 변환
temp = torch.tensor([[1,2],[3,4]], device="cuda:0")
print(temp.to("cpu").numpy())   ----GPU 상의 텐서를 CPU의 텐서로 변환 후 ndarray로 변환

⬇️ ndarray로 변환된 텐서의 결과

[[1 2]
 [3 4]]
[[1 2]
 [3 4]]

데이터 준비

  • 단순히 파일을 불러와서 사용
  • 커스텀 데이터셋을 만들어 사용
  • 파이토치에서 제공하는 데이터셋 사용

모델 정의
파이토치에서 모델을 정의하기 위해서는 모듈을 상속한 클래스 사용

  • 계층 : 모듈 또는 모듈을 구성하는 한 개의 계층
    ex) 합성곱층, 선형계층
  • 모듈 : 한 개 이상의 계층이 모여서 구성된 것, 모듈이 모여 새로운 모듈 생성 가능
  • 모델 : 최종적으로 원하는 네트워크, 한 개의 모듈이 모델이 될 수 있음.

단순 신경망을 정의하는 방법

model = nn.Linear(in_features=1, out_features=1, bias=True)

nn.Module()을 상속하여 정의하는 방법
파이토치에서 nn.Module을 상속받는 모델은 기본적으로 __init__()과 forward() 함수를 포함.

  • __init__() : 모델에서 사용될 모듈(nn.Linear, nn.Conv2d), 활성화함수 등을 정의
  • forward() : 모델에서 시행되야하는 연산 정의
#  파이토치에서 모델 정의 코드
class MLP(Module):
	def __init__(self, inputs):
		super(MLP, self).__init__()
		self.layer = Linear(inputs,1) # 계층 정의
		self.activation = Sigmoid() # 활성화 함수 입력
	def forward(self, X):
        X = self.layer(X)
        X = self.activation(X)
        return X

Sequential 신경망을 정의하는 방법
nn.Sequential을 사용하면 __init__()에서 사용할 네트워크 모델 정의 뿐 아니라 forward()에서는 계산을 더 가독성 있는 코드로 작성 가능.

import torch.nn as nn
class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=64, kernel_size=5),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(2))
        
        self.layer2 = nn.Sequential(
            nn.Conv2d(in_channels=64, out_channels=30, kernel_size=5),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(2))

        self.layer3 = nn.Sequential(
            nn.Linear(in_features=30*5*5, out_features=10, bias=True),
            nn.ReLU(inplace=True))
        
    def forward(self, x):
        x = self.layer1(x)
        x = self.layer2(x)
        x = x.view(x.shape[0], -1)
        x = self.layer(3)
        return x

model = MLP() # 모델에 대한 객체 생성
print("Printing children\n------------------------------")
print(list(model.children()))
print("\n\nPrinting Modules\n------------------------------")
print(list(model.modules()))

---- Result ----
Printing children
------------------------------
[Sequential(
  (0): Conv2d(3, 64, kernel_size=(5, 5), stride=(1, 1))
  (1): ReLU(inplace=True)
  (2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
), Sequential(
  (0): Conv2d(64, 30, kernel_size=(5, 5), stride=(1, 1))
  (1): ReLU(inplace=True)
  (2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
), Sequential(
  (0): Linear(in_features=750, out_features=10, bias=True)
  (1): ReLU(inplace=True)
)]

Printing Modules
------------------------------
[MLP(
  (layer1): Sequential(
    (0): Conv2d(3, 64, kernel_size=(5, 5), stride=(1, 1))
    (1): ReLU(inplace=True)
    (2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (layer2): Sequential(
    (0): Conv2d(64, 30, kernel_size=(5, 5), stride=(1, 1))
    (1): ReLU(inplace=True)
    (2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (layer3): Sequential(
    (0): Linear(in_features=750, out_features=10, bias=True)
    (1): ReLU(inplace=True)
  )
), Sequential(
  (0): Conv2d(3, 64, kernel_size=(5, 5), stride=(1, 1))
  (1): ReLU(inplace=True)
  (2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
), Conv2d(3, 64, kernel_size=(5, 5), stride=(1, 1)), ReLU(inplace=True), MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False), Sequential(
  (0): Conv2d(64, 30, kernel_size=(5, 5), stride=(1, 1))
  (1): ReLU(inplace=True)
  (2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
), Conv2d(64, 30, kernel_size=(5, 5), stride=(1, 1)), ReLU(inplace=True), MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False), Sequential(
  (0): Linear(in_features=750, out_features=10, bias=True)
  (1): ReLU(inplace=True)
), Linear(in_features=750, out_features=10, bias=True), ReLU(inplace=True)]

💡 model.modules() & model.children()
model.modules() : 모델의 네트워크에 대한 모든 노드 반환
model.children() : 같은 수준의 하위 노드 반환

함수로 신경망 정의 방법
함수로 선언하면 변수에 저장한 계층 재사용 가능
그러나 모델이 복잡해짐

def MLP(in_features=1, hidden_features=20, out_features=1):
    hidden = nn.Linear(in_features=in_features, out_features=hidden_features, bias=True)
    activation = nn.ReLU()
    output = nn.Linear(in_features=hidden_features, out_features=out_features, bias=True)
    net = nn.Sequential(hidden, activation, output)
    return net

모델의 파라미터 정의

  • 손실함수
    학**습하는 동안 출력과 정답 사이 오차를 측정.
  • 옵티마이저
    데이터와 손실함수를 바탕으로 모델의 업데이트 방법을 결정
  • 학습률 스케줄러
    미리 지정한 횟수의 에포크를 지날때마다 학습률 감소. 학습 초기에는 빠른 학습을 진행하다 global minimum근처에 다다르면 학습률 ⬇️
  • 지표
    훈련과 테스트 단계 모니터링

모델의 파라미터를 정의하는 예시 코드

from torch.optim import optimizer
criterion = torch.nn.MSELoss() # 손실 함수
# 확률적 경사 하강법 사용 
optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer=optimizer, lr_lambda=lambda epoch: 0.95 ** epoch)
for epoch in range(1, 100+1): # 에포크 수만큼 데이터를 반복하여 처리
    for x, y in dataloader: # 배치 크기만큼 데이터를 가져와서 학습 진행
        optimizer.zero_grad() # 기존의 경사값을 0으로 설정
loss_fn(model(x), y).backward() # 손실함수 실행 및 기울기 계산
optimizer.step() # 계산된 기울기를 사용해 모델의 매개변수 갱신
scheduler.step() # 학습률 스케줄러를 한 단계 진행시켜 학습률 갱신

모델 훈련

  • 학습을 시킨다는 의미
    ➡️ y=wx+b라는 함수에서 w, b의 적절한 값을 찾는다
    • w와 b에 임의의 값을 적용하여 시작하며 오차가 줄어들어 전역 최소점에 이를 때까지 파라미터(w, b)를 계속 수정

훈련 방법
optimizer.zero_grad() : 기울기 초기화 (이전 기울기 값이 누적되기 때문)
loss.backward() : 기울기 자동 계산

  #모델 훈련 예시 코드
for epoch in range(100):
    yhat = model(x_train)
    loss = criterion(yhat, y_train)
    optimizer.zero_grad() # 오차가 중첩적으로 쌓이지 않도록 초기화
    loss.backward()
    optimizer.step()

모델 평가
주어진 테스트 데이터셋을 사용하여 모델을 평가

# 함수를 이용해 모델을 평가하는 코드
import torch
import torchmetrics

preds = torch.randn(10,5).softmax(dim=-1)
target = torch.randint(5, (10,))

acc = torchmetrics.functional.accuracy(preds, target) # 모델을 평가하기 위해 torchmetrics.functional.accuracy 이용
# 모듈을 이용해 모델을 평가하는 코드
import torch
import torchmetrics
metric = torchmetrics.Accuracy() # 모델 평가(정확도) 초기화

n_batches = 10
for i in range(n_batches):
    preds = torch.randn(10, 5).softmax(dim=-1)
    target = torch.randint(5, (10,))

    acc = metric(preds, target)
    print(f"Accuracy on batch {i}: {acc}") # 현재 배치에서 모델 평가(정확도)

acc = metric.compute()
print(f"Accuracy on all data: {acc}") # 모든 배치에서 모델 평가(정확도)

훈련 과정 모니터링
텐서보드를 이용하면 학습에 사용되는 각종 파라미터 값이 어떻게 변화하는지 쉽게 살펴볼 수 있으며 성능을 추적하거나 평가하는 용도로 사용 가능

과정
1. 텐서보드를 설정(set up)
2. 텐서보드에 기록(write)
3. 텐서보드를 사용하여 모델 구조를 살펴보기

텐서보드 사용 코드

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("../chap02/tensorboard") # 모니터링에 필요한 값들이 저장될 위치

for epoch in range(num_epochs):
    model.train() # 학습 모드로 전환(dropout=True)
    batch_loss = 0.0

    for i, (x, y) in enumerate(dataloader):
        x, y = x.to(device).float(), y.to(device).float()
        outputs = model(x)
        loss = criterion(outputs, y)
        writer.add_scalar("Loss", loss, epoch) # 스칼라 값(오차)을 기록
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

writer.close() # SummaryWriter가 더 이상 필요하지 않으면 close( ) 메서드 호출

> tensorboard --logdir=../chap02/tensorboard --port=6006 입력하면 됨.

model.train() & model.eval()

  • model.train(): 훈련 데이터셋에 사용하며 모델 훈련이 진행될 것임을 알림. 이때 드롭아웃(dropout)이 활성화
  • model.eval(): 모델을 평가할 때는 모든 노드를 사용하겠다는 의미로 검증과 테스트 데이터셋에 사용
    → model.train()과 model.eval()을 선언해야 모델의 정확도를 높일 수 있음

model.eval() 사용법

with torch.no_grad(): # ①
    valid_loss = 0

    for x, y in valid_dataloader:
        outputs = model(x)
        loss = F.cross_entropy(outputs, y.long().squeeze())
        valid_loss += float(loss)
        y_hat += [outputs]

valid_loss = valid_loss / len(valid_loader)

💡 with torch.no_grad()를 사용하는 이유
파이토치는 모든 연산과 기울기 값을 저장하지만 검증(혹은 테스트) 과정에서는 역전파가 필요하지 않기 때문에 with torch.no_grad()를 사용하여 기울기 값을 저장하지 않도록 함.

profile
지하실에 사람 있어요,,
post-custom-banner

0개의 댓글