torchstudy

PyTorch를 공부하며 정리한 실습 노트북 모음입니다. 공식 PyTorch 튜토리얼을 따라 기초 개념(텐서, 자동미분, 데이터셋/데이터로더, 모델 구성, 최적화)을 익히고, 딥러닝 서적(회귀/분류/CNN/전이학습/RNN/LSTM)의 예제를 챕터별로 구현하며 학습한 내용을 기록하는 것이 목적입니다.

구성

tutorial/ — PyTorch 공식 튜토리얼 실습

PyTorch 공식 문서의 "Learn the Basics" 튜토리얼을 순서대로 따라간 노트북입니다.

• Tesors.ipynb — 텐서(Tensor) 생성, 속성, 인덱싱/슬라이싱, 연산(행렬곱, 원소곱), in-place 연산, GPU 이동
• datasets_dataLoaders.ipynb — Dataset/DataLoader 사용법, FashionMNIST 로드, 커스텀 Dataset 클래스 작성
• build_the_newural_nn.ipynb — nn.Module을 상속한 신경망 정의, nn.Flatten/nn.Linear/nn.ReLU/nn.Sequential, 파라미터 조회
• Automatic_Differentiation.ipynb — requires_grad와 autograd를 이용한 그래디언트 계산, torch.no_grad()
• optimizer.ipynb — 손실 함수(CrossEntropyLoss)와 옵티마이저(SGD) 정의, 학습/평가 루프(train_loop/test_loop) 작성
• quickStart.ipynb — 위 개념들을 종합한 FashionMNIST 분류 전체 파이프라인 (데이터 로드 → 모델 정의 → 학습 → 평가)

chapter03/ — 회귀·분류 기초

• ex3_1.ipynb — Tensor만으로 3차 다항식을 직접 구현해 경사하강법으로 sin 함수 근사 (autograd 없이 수동 학습)
• ex3_2.ipynb — 보스턴 주택 가격 데이터셋으로 nn.Sequential 기반 회귀 모델 학습 (배치/에포크/이터레이션 개념 정리)
• ex3_3.ipynb — MNIST 손글씨 데이터셋을 MLP로 분류, 학습된 가중치를 MNIST.pth로 저장하고 평가 정확도 측정

chapter04/ — CNN과 전이학습, 데이터 전처리

• ex4_1.ipynb — nn.Module과 nn.Sequential의 차이, BasicBlock을 쌓아 CNN을 직접 구현하고 CIFAR-10 분류
• ex4_2.ipynb — 사전학습된 VGG16을 불러와 CIFAR-10에 맞게 파인튜닝하는 전이학습 실습
• preprocessing.ipynb — 이미지 데이터 증강(크롭, 좌우대칭), 정규화, CIFAR-10 평균/표준편차 계산 등 전처리 기법 정리

chapter06/ — RNN

• ex6_1.ipynb — 넷플릭스 주가 데이터(CH06.csv)를 최소-최대 정규화 후, 커스텀 Dataset과 nn.RNN으로 시계열 예측 모델 학습

chapter10/ — LSTM을 이용한 텍스트 생성

• ex10_1.ipynb — 뉴욕타임즈 기사 제목 데이터(ArticlesFeb2017.csv)로 단어 임베딩 + LSTM 언어모델을 학습해 다음 단어를 예측하는 텍스트 생성기 구현

참고

• 각 노트북은 독립적으로 실행 가능하며, 학습된 모델 가중치(.pth)와 데이터셋은 해당 챕터 폴더에 함께 저장됩니다.
• 주요 사용 라이브러리: torch, torchvision, pandas, numpy, scikit-learn, matplotlib, tqdm