자료검색

우리는 지금 인공지능의 르네상스를 경험하고 있고, 모든 사람은 이 변화에 참여하기를 원합니다. 그래서 여러분들은 지금 이 책을 학습하고 있습니다. 우리 주변에는 딥러닝에 관한 수많은 책이 있습니다. 그런데 왜 우리에게 이 책이 필요할까요? 잠시 후에 그 이유를 알게됩니다. 2013년 이후 딥러닝(마이크로소프트, 엔비디아, 아마존 및 스퀘어(Square) 등 기업에서 제품을 제작하는 동안) 의 환경이 크게 변화했습니다. 연구는 끊임없이 발전하였고 바로 사용할 수 있을 만한 도구가 부족하다는 현실적인 문제에 직면하였습니다.

우리는 일반 사용자들을 위한 최종 제품으로 연구를 전환하는 방법에 대한 명확한 지침이 부족하다는 것을 커뮤니티가 성장하고 학습하는 동안 발견했습니다. 결국, 최종 사용자는 웹 브라우저, 스마트폰 또는 에지 장치 앞에서 종종 수많은 시간 동안의 해킹과 실험을 하고, 블로그, 깃허브 문제, 스레드, 스택 오버플로의 답변들을 광범위하게 검색하고 패키지 작성자들에게 이메일을 보내면서 난해한 지식을 얻어야 했습니다. 심지어 시장에 나온 책들도 이론이나 특정한 도구를 사용하는 방법에 더 초점을 맞추는 경향이 있었습니다. 우리가 구할 수 있는 책에서 배울 수 있는 최선은 장난감 같은 예제를 만드는 것이었습니다.

이론과 실제 사이의 차이를 메우기 위해, 연구자들뿐만 아니라 실질적인 적용에 초점을 둔 최종 사용자들과도 인공지능에 대하여 대화할 수 있도록 이 책의 내용을 구성하였습니다. 이 책은 동기부여 사례뿐만 아니라 단순 취미부터 구글 규모의 엔지니어까지의 기술 수준과 생산 제품 안에 딥러닝을 배포하는 데 수반되는 노력을 기반으로 다양한 수준의 복잡성을 보여줄 수 있도록 구성되었습니다. 시간이 지나면서 고맙게도 초보자들에게 전체적인 접근이 가능해졌고 더 많은 툴을 사용할 수 있게 되었습니다. Fast.ai나 DeepLearning.ai과 같은 훌륭한 온라인 자료는 AI 모델을 어떻게 교육하는지를 어느 때보다 쉽게 이해시켜 주었습니다. 또한, 책들은 텐서플로우와 파이토치(PyTorch) 와 같은 딥러닝 프레임워크를 사용하여 기본적인 교육 시장을 장악하였습니다. 그러나 이와 같은 상황에도 불구하고, 이론과 생산 사이의 넓은 간격은 대부분 무시되었습니다. 우리는 이 간극을 메우고 싶어서 여러분이 지금 읽고 있는 이 책을 출판하게 되었습니다.

이 책은 컴퓨터 비전에 접근 가능한 언어와 즉시 실행 가능한 재미있는 프로젝트를 사용하여, 머신러닝과 AI에 대한 지식이 필요 없는 간단한 분류기로 시작하여 점차 복잡성을 추가하고 정확성과 속도를 개선하면서 대상을 수백만 명의 사용자로 확장하고, 다양한 하드웨어와 소프트웨어로 구현하며, 결국 축소된 자율주행차를 제작하기 위하여 강화 학습을 사용하는 것으로 끝이 납니다. 거의 모든 장들은 동기를 부여하는 예에서 시작하여 솔루션을 구축하는 프로세스를 통해 물어볼 수 있는 질문을 미리 설정하고, 다양한 수준의 복잡성과 노력으로 문제를 해결하기 위한 여러 가지 접근 방법을 논의합니다. 빠른 해결책을 찾고 있다면, 한 장의 몇 페이지를 읽고 끝마칠 수도 있습니다. 해당 주제에 대해 좀 더 깊이 이해하기를 원하는 사람은 전체 장을 읽어야 합니다. 물론 모든 사람이 이 책에 포함된 사례 연구를 숙지해야 합니다. 그 이유는 읽어보면 재미있습니다. 또 이 책에서 논의된 개념을 사용하여 실제 제품을 만드는 방법을 보여줍니다.

또한, 클라우드, 브라우저, 모바일 및 에지 장치를 사용하여 실제 애플리케이션을 구축하는데 있어 딥러닝 전문가와 업계 전문가가 직면한 많은 실질적인 문제에 대해서도 논의합니다. 우리는 독자들이 누군가의 하루를 조금 더 좋게 만들 수 있는 애플리케이션을 만들도록 장려하기 위하여 이 책에서 실제적인 팁과 삶의 교훈을 제시하였습니다.

우리는 지금 인공지능의 르네상스를 경험하고 있고, 모든 사람은 이 변화에 참여하기를 원합니다. 그래서 여러분들은 지금 이 책을 학습하고 있습니다. 우리 주변에는 딥러닝에 관한 수많은 책이 있습니다. 그런데 왜 우리에게 이 책이 필요할까요? 잠시 후에 그 이유를 알게됩니다.

2013년 이후 딥러닝(마이크로소프트, 엔비디아, 아마존 및 스퀘어(Square) 등 기업에서 제품을 제작하는 동안) 의 환경이 크게 변화했습니다. 연구는 끊임없이 발전하였고 바로 사용할 수 있을 만한 도구가 부족하다는 현실적인 문제에 직면하였습니다.

우리는 일반 사용자들을 위한 최종 제품으로 연구를 전환하는 방법에 대한 명확한 지침이 부족하다는 것을 커뮤니티가 성장하고 학습하는 동안 발견했습니다. 결국, 최종 사용자는 웹 브라우저, 스마트폰 또는 에지 장치 앞에서 종종 수많은 시간 동안의 해킹과 실험을 하고, 블로그, 깃허브 문제, 스레드, 스택 오버플로의 답변들을 광범위하게 검색하고 패키지 작성자들에게 이메일을 보내면서 난해한 지식을 얻어야 했습니다. 심지어 시장에 나온 책들도 이론이나 특정한 도구를 사용하는 방법에 더 초점을 맞추는 경향이 있었습니다. 우리가 구할 수 있는 책에서 배울 수 있는 최선은 장난감 같은 예제를 만드는 것이었습니다.

이론과 실제 사이의 차이를 메우기 위해, 연구자들뿐만 아니라 실질적인 적용에 초점을 둔 최종 사용자들과도 인공지능에 대하여 대화할 수 있도록 이 책의 내용을 구성하였습니다.

이 책은 동기부여 사례뿐만 아니라 단순 취미부터 구글 규모의 엔지니어까지의 기술 수준과 생산 제품 안에 딥러닝을 배포하는 데 수반되는 노력을 기반으로 다양한 수준의 복잡성을 보여줄 수 있도록 구성되었습니다.

시간이 지나면서 고맙게도 초보자들에게 전체적인 접근이 가능해졌고 더 많은 툴을 사용할 수 있게 되었습니다. Fast.ai나 DeepLearning.ai과 같은 훌륭한 온라인 자료는 AI 모델을 어떻게 교육하는지를 어느 때보다 쉽게 이해시켜 주었습니다. 또한, 책들은 텐서플로우와 파이토치(PyTorch) 와 같은 딥러닝 프레임워크를 사용하여 기본적인 교육 시장을 장악하였습니다. 그러나 이와 같은 상황에도 불구하고, 이론과 생산 사이의 넓은 간격은 대부분 무시되었습니다. 우리는 이 간극을 메우고 싶어서 여러분이 지금 읽고 있는 이 책을 출판하게 되었습니다.

이 책은 컴퓨터 비전에 접근 가능한 언어와 즉시 실행 가능한 재미있는 프로젝트를 사용하여, 머신러닝과 AI에 대한 지식이 필요 없는 간단한 분류기로 시작하여 점차 복잡성을 추가하고 정확성과 속도를 개선하면서 대상을 수백만 명의 사용자로 확장하고, 다양한 하드웨어와 소프트웨어로 구현하며, 결국 축소된 자율주행차를 제작하기 위하여 강화 학습을 사용하는 것으로 끝이 납니다.

거의 모든 장들은 동기를 부여하는 예에서 시작하여 솔루션을 구축하는 프로세스를 통해 물어볼 수 있는 질문을 미리 설정하고, 다양한 수준의 복잡성과 노력으로 문제를 해결하기 위한 여러 가지 접근 방법을 논의합니다. 빠른 해결책을 찾고 있다면, 한 장의 몇 페이지를 읽고 끝마칠 수도 있습니다. 해당 주제에 대해 좀 더 깊이 이해하기를 원하는 사람은 전체 장을 읽어야 합니다. 물론 모든 사람이 이 책에 포함된 사례 연구를 숙지해야 합니다. 그 이유는 읽어보면 재미있습니다. 또 이 책에서 논의된 개념을 사용하여 실제 제품을 만드는 방법을 보여줍니다.

또한, 클라우드, 브라우저, 모바일 및 에지 장치를 사용하여 실제 애플리케이션을 구축하는데 있어 딥러닝 전문가와 업계 전문가가 직면한 많은 실질적인 문제에 대해서도 논의합니다. 우리는 독자들이 누군가의 하루를 조금 더 좋게 만들 수 있는 애플리케이션을 만들도록 장려하기 위하여 이 책에서 실제적인 팁과 삶의 교훈을 제시하였습니다.



■ 출판사 서평

예상을 넘어 알파고가 승리한지 4년이 지난 현재 구글을 필두로 하는 기업들은 4차 산업혁명 시대의 주도권을 선점하기 위하여 AI(인공지능) 기술 연구에 총력을 기울이고 있다.

인간의 지각, 학습 및 추론 능력을 모방한 AI 논문들이 수없이 발표되며, 물체인식 분야는 이미 인간의 인식능력을 뛰어넘었다. 인터넷 사용자의 검색 패턴으로 연령대, 성향, 능력등을 분석하여 맞춤형 검색 서비스가 익숙해졌고, 챗봇은 특정인의 목소리를 학습하고 흉내 내어 현실과 가상의 경계가 모호해 지고 있다. AI의 미래 가능성은 전문가들조차도 가늠하기 어려우며 이에 따라 AI 소프트웨어 역량의 강화가 요구되고 있다. 우리나라도 소프트웨어적 사고와 AI 인재 양성을 위해 소프트웨어 교육을 강화하고 있다. 이 싯점에서 인공지능의 기초와 실습이 포함된 실용적인 “Practical Deep Learning for Cloud, Mobile, and Edge”를 번역하여 국내 독자들에게 보급하게 되어 기쁘다.

이 책은 먼저 AI와 딥러닝에 대한 지식이 없어도 쉽게 따라할 수 있도록 간단한 이미지 및 객체 분류기의 구현으로 시작한다. 순차적으로 내용이 강화되어 초보자뿐만 아니라 AI를 연구하고 있는 개발자들에게도 실질적인 도움을 제공하고 있다. 값비싼 하드웨어없이 텐서플로우나 케라스로 구현된 소스 코드들을 클라우드와 모바일 및 에지 처리장치를 기반으로 실험을 할 수 있고 앱을 구현하여 배포할 수 있는 방법까지 설명하고 있다. 또한 에지 처리장치(라즈베리파이, 구글의 Coral, 인텔의 Movidius) 를 이용하여 창의적인 로봇 제작에 대한 방법을 제시하고 있다. AI 역량이 필요한 독자들이 이 책의 사례들을 차례대로 학습, 구현 및 분석하면서 각자의 실력을 향상시키기를 희망한다.



■이 책의 특징

이 책은 단계별 가이드로서 클라우드, 모바일, 브라우저 및 직접 제작하는 에지 디바이스들에 대한 실질적인 딥러닝 응용들을 구축하는 방법들을 설명하고 있다.

수년간의 업계 경험을 바탕으로 딥러닝 연구에 빛나는 수상 경력의 Anirudh Koul, Siddha Ganju 및 Meher kasam는 아래의 아이디어를 구현할 수 있도록 안내한다.



? Keras, TensorFlow, CoreML 그리고 TensorFlow Lite를 사용하여 컴퓨터 비전 모델을 훈련, 조정 및 배포



? Raspberry Pi, Jetson Nano 그리고 Google Coral을 포함한 다양한 장치를 위한 Al 개발



? Silicon Valley의 “Not Hotdog”앱에서 Google 스케일이미지 검색, 40개 이상의 사례 연구 및 산업 사례에 이르기까지 재미있는 프로젝트를 탐색



? 비디오 게임 환경에서 자율 주행 자동차를 시뮬레이션하고 강화 학습으로 미니어처 버전을 구현



? 전이 학습을 사용하여 몇 분 안에 모델을 훈련



? 모델 정확도 및 속도의 극대화, 디버깅 및 수백만 명의 사용자에 대한 확장을 위한 50가지 이상의 실용적인 팁을 안내

제1장 인공지능에 대한 전반적인 이해 01

사과문 04

실제 서론 04

AI란 무엇인가? 05

동기부여 사례 06

간략한 AI 역사 08

흥미진진한 시작 08

어둡고 추운 날들 09

희미한 희망의 빛 010

딥러닝은 어떻게 되었나 014

완벽한 딥러닝 솔루션을 위한 레시피 017

데이터 세트 018

모델 아키텍처 021

프레임워크 024

하드웨어 027

책임감있는 AI 029

편향성 031

책임성과 명확성 033

재현성 034

강인성 035

프라이버시 035

요약 036

자주 묻는 질문 036



제2장 사진에는 무엇이 있나: 케라스(Keras)를 사용한 이미지 분류

라스 소개 042

이미지 카테고리 예측 043

모델 조사 048

ImageNet 데이터 세트 048

모델 집합소 050

목차

vi 목차

클래스 활성화 맵 052

요약 055



제3장 고양이와 개: 30줄의 케라스로 구현한 전이 학습

사전 훈련된 모델을 새로운 작업에 적용하기 059

콘볼루션 신경망에 대한 간단한 고찰 061

전이 학습 063

미세 조정 063

미세 조정하는 정도 064

전이 학습과 케라스를 이용한 사용자 정의 분류기 만들기 066

데이터 구성 067

데이터 파이프 라인 구축 069

클래스의 수 069

배치 크기 070

데이터 증강 071

모델 정의 074

모델 훈련 075

훈련 매개 변수 설정 075

훈련 시작 076

모델 테스트 078

결과 분석 078

추가로 읽을 자료 085

요약 087



제4장 역(reverse) 이미지 검색엔진 구축: 임베딩 이해

이미지 유사도 092

특징 추출 095

유사도 검색 098

t-SNE로 이미지 클러스터 시각화 102

유사도 검색 속도 향상 106

특징 벡터의 길이 106

PCA로 특징 길이 줄이기 108

근사 근접 이웃 탐색을 사용한 유사도 검색 확장 113

근사 근접 이웃 탐색 알고리즘의 벤치마크 113

어떤 라이브러리를 사용할 것인가? 115

vii 목차

합성 데이터 세트 생성 115

무차별(Brute Force) 탐색 116

Annoy 116

NGT 117

Faiss 118

미세 조정으로 정확도 향상 118

완전 연결 계층 없이 미세 조정하기 122

원-샷 얼굴 검증을 위한 Siamese Networks 123

사례 연구 125

Flickr 125

Pinterest 126

유명인사 대역(Celebrity Doppelgangers) 127

Spotify 127

이미지 캡션 128

요약 130



제5장 초보에서 전문 예측기로: 콘볼루션 신경망의 정확도 극대화

사용할 여러 가지 도구 134

텐서플로우 데이터 세트(TensorFlow Datasets) 135

텐서보드(TensorBoard) 136

What-If Tool 139

tf-explain 143

머신러닝 실습을 위한 일반적인 기법 145

데이터 검사 145

데이터 분할 : 훈련, 검증, 테스트 146

조기 멈춤 147

재현 가능한 실험 147

엔드-투-엔드 딥러닝 예제 파이프라인 148

기본적인 전이 학습 파이프라인 148

사용자 맞춤형 신경망 파이프라인 151

하이퍼파라미터가 정확도에 미치는 영향 152

전이 학습과 처음부터 새로 훈련하기의 비교 152

전이 학습에서 미세 조정할 계층 수의 효과 153

전이 학습에 대한 데이터 크기의 영향 155

viii 목차

학습률의 영향 156

최적화 효과 157

배치 크기의 영향 158

크기 조정의 효과 159

전이 학습에서 종횡비 변경의 영향 160

최대 정확도를 위한 튜닝 자동화 도구 160

케라스 튜너(Keras Tuner) 161

자동증강(AutoAugment) 163

자동케라스(AutoKeras) 164

요약 165



제6장 속도와 성능 극대화 텐서 플로우: 편리한 점검표

GPU 부족 169

nvidia-smi 170

텐서플로 프로파일러 + 텐서보드 172

체크리스트 사용법 174

성능 체크리스트 174

데이터 준비 176

TFRecords 저장 176

입력 데이터의 크기 축소 177

텐서플로우 데이터 세트 사용 178

데이터 읽기 179

tf.data 사용 179

데이터 미리 추출 180

병렬 CPU처리 180

병렬 I/O 처리 181

비결정적 순서 활성화 181

캐시 데이터 182

실험 최적화 설정 182

Map 융합 184

자동튜닝 파라미터 변수값 184

데이터 증강(Augmentation) 185

증강을 위한 GPU 사용 185

훈련 187

자동 혼합 정밀도 사용 187

보다 큰 배치(Batch) 크기 사용 188

ix 목차

8 의 배수 사용 189

최적의 학습률 찾기 190

tf.function 사용 192

오버트레인 그리고 일반화 193

하드웨어에 최적화된 스택 설치 195

병렬 CPU 쓰레드의 개수 최적화 197

보다 좋은 하드웨어 사용 198

훈련의 분산 199

산업계 벤치마크 실험 201

추론 203

효과적인 모델 사용 203

모델 양자화 206

모델 정리 208

융합 작업 사용 209

GPU 지속성 활성화 210

요약 210



제7장 실질적인 툴, 팁 그리고 기술 211

설치 213

훈련 215

모델 217

데이터 218

Privacy 221

교육과 개발 222

마지막 질문 224



제8장 컴퓨터 비전을 위한 클라우드 API: 15분 안에 설치 및 실행

시각적 인식 API의 풍경 229

Clarifai 229

마이크로소프트 인지 서비스 230

구글 클라우드 비전 230

아마존 Rekognition 231

IBM 왓슨의 Visual Recognition 232

알고리즘 233

x 목차

Visual Recognition API 비교 234

제공 서비스 235

비용 236

정확도 236

편향성 238

Cloud API 시작 및 실행 242

사용자 분류기 훈련 245

분류기가 만족스럽게 작동하지 않는 주요 이유 250

사용자 분류 API 비교 252

클라우드 API를 위한 성능 튜닝 255

영상 라벨링에서 크기 조절 효과 255

영상 라벨링에서 압축의 효과 256

OCR APIs에서 압축 효과 257

OCR APIs에서 크기 변화 효과 257

실제 적용 사례 258

요약 264



제9장 텐서플로우 서빙 및 KubeFlow를 사용하여 클라우드에서 확장 가능한 추론 서비스

인공 지능 예측의 모습 268

Flask: 여러분 자신의 서버 구축 270

Flask로 REST API 만들기 270

Flask에 케라스 모델 배포 271

Flask 사용의 장점 272

Flask 사용의 단점 272

생산 수준의 서빙 시스템에서 바람직한 품질 272

높은 가용성 273

확장성 273

낮은 대기 시간 274

지리적 가용성 274

실패 다루기 275

감시 276

모델 버전 276

A/B 테스트 276

다양한 머신러닝 라이브러리 지원 276

xi 목차

구글 클라우드 ML엔진: 관리 클라우드 인공 지능 서빙 스택 277

Cloud ML Engine 사용의 장점 277

클라우드 ML 엔진 사용 단점 277

분류 API 구축 277

텐서플로우 서빙(Serving) 284

설치 285

KubeFlow 286

파이프라인 289

페어링 289

설치 290

가격에 대한 성능 고려 사항 292

Inference-as-a-Service의 비용 분석 292

자신의 스택을 구축하는 비용 분석 294

요약 295

제10장 TensorFlow.js와 ml5.js를 사용하는 브라우저의 AI

JavaScript 기반 기계 학습 라이브러리: 간략한 역사 300

ConvNetJS 301

Keras.js 302

ONNX.js 302

TensorFlow.js 303

TensorFlow.js Architecture 305

TensorFlow.js를 사용한 사전 훈련된 모델의 실행 306

브라우저의 모델 변환 308

브라우저에서 훈련 309

특징 추출 310

데이터 수집 311

훈련 312

GPU 활용 314

ml5.js 315

PoseNet 317

pix2pix 321

벤치마킹 및 실제 고려 사항 326

모델 크기 326

추론 시간 326

xii 목차

사례 연구 328

준 지휘자 329

TensorSpace 329

Metacar 330

에어비엔비(Airbnb)의 사진 분류 331

GAN Lab 331

요약 332



제11장 Core ML을 사용하는 iOS에서 실시간 객체 분류

모바일 인공 지능 개발을 위한 생명 주기 336

Core ML의 간략한 역사 338

Core ML에 대한 대안 340

텐서플로우 라이트 340

ML Kit 341

Fritz AI 341

애플의 머신러닝 아키텍처 341

도메인 기반 프레임워크 342

ML 프레임워크 343

ML 성능 프리미티브 343

실시간 객체 인식 앱 구축 344

Core ML로 변환 350

케라스로부터 변환 351

텐서플로우로부터 변환 351

Dynamic Model Deployment 352

온 디바이스 훈련 354

연합 학습(Federated Learning) 355

성능 분석(Performance Analysis) 356

아이폰에서 밴치마킹 모델 356

에너지 영향 측정 360

밴치마킹 부하(Load) 362

앱 크기 줄이기 365

모델 번들링 방지 365

양자화 사용 366

Create ML 사용 367

사례 연구 368

xiii 목차

매직 수도쿠(Magic Sudoku) 368

시각 AI(Seeing AI) 369

홈코트(HomeCourt) 370

인스타사버(InstaSaber) + 요퍼핏(YoPuppet) 371

요약 374



제12장 Core ML 및 Create ML을 사용하는 iOS의 Not Hotdog

자료수집 379

접근 1: 데이터 찾기 또는 수집 379

접근 2: Fatkun 크롬 브라우저 확장 380

접근 3: Bing Image Search API를 사용하는 웹 스크레이퍼 383

모델 훈련 384

접근 1: Web UI-기반 Tools 사용하기 384

접근 2: Create ML 사용 388

접근 3: 케라스를 사용한 파인 튜팅(Fine Tuning) 394

Core ML Tools을 사용한 모델 변환 394

iOS 앱 만들기 395

추후 연구 396

요약 396



제13장 음식을 위한 Shazam: 텐서플로우 라이트 및 ML 키트를 사용하여 안드로이드 앱 개발

음식 분류 앱의 생명 주기 400

텐서플로우 라이트 개요 402

텐서플로우 라이트 아키텍처 405

텐서플로우 라이트로 모델 변환 406

실시간 객체 인식 앱 구축 407

ML Kit + Firebase 414

ML 키트에서 객체 분류 416

ML 키트에서 맞춤형 모델 416

호스트 모델(Hosted Models) 418

호스팅된 모델의 A/B 테스트 422

코드에서 실험 사용 427

iOS 상의 텐서플로우 라이트 427

xiv 목차

성능 최적화(Performance Optimizations) 427

텐서플로우 라이트 변환기로 양자화 428

텐서플로우 모델 최적화 도구 키트 428

Fritz 429

모바일 AI 앱 개발 사이클의 전체 고찰 431

초기 데이터를 수집하는 방법 431

나의 데이터에 레이블을 지정하는 방법 433

나의 모델을 훈련시키는 방법 433

모델을 모바일용 포맷으로 변환하는 방법 433

모델 성과를 달성하는 방법 434

사용자를 위한 멋진 UX를 구축하는 방법은? 434

모델을 사용자에게 제공하는 방법은? 434

모델의 성공을 측정하는 방법 435

모델을 개선하는 방법은? 435

사용자의 스마트폰에 있는 모델을 업데이트하는 방법은? 436

자기 진화 모델 436

사례 연구 438

Lose It! - 다이어트를 위한 앱 438

Pixel 3 폰의 초상화 모드 440

알리바바의 말하는 사람 인식 441

ML 키트의 얼굴 윤곽 441

유튜브 스토리의 실시간 비디오 분활 442

요약 443



제14장 텐서플로우 물체 검색 API로 정확한 고양이 위치 (Purrect Cat Locator) App 구축

컴퓨터 비전 작업의 종류 448

분류(Classification) 448

위치 지정(Localization) 449

검출(Detection) 449

이미지 분할(Segmentation) 450

물체 감지 접근방식 452

미리 제작된 클라우드 기반 물체 감지 APIs 호출 453

이전에 훈련된 모델의 재사용 454

모델 획득 454

xv 목차

모델 구동 테스트 456

기기에 배포하기(Deploying to a Device) 456

코드 없이 맞춤형 감지기 구현 459

물체 감지의 진화 464

성능 고려하기 466

물체 감지의 핵심 용어 467

합집합에 대한 교집합의 비(Intersection over Union) 467

평균의 평균 정밀도(Mean Average Precision) 469

비 최대 억제(Non-Maximum Suppression) 469

텐서플로우 물체 검색 API를 사용하여 사용자 정의 모델 작성 470

데이터 수집 470

데이터 레이블링 473

데이터 전처리 477

모델 검사하기 478

훈련(Training) 480

모델 변환 483

이미지 분할 484

사례 연구 485

스마트 냉장고 485

사람 수 세기 486

Seeing AI 앱에서 얼굴 인식 488

자율주행 자동차 489

요약 490



제15장 제작자 되기: 최첨단에서 임베디드 AI 체험

임베디드 AI 장치의 전망 살펴보기 493

라즈베리파이 495

인텔 모비디우스 뉴럴 컴퓨트 스틱 497

구글 Coral USB 가속기 498

NVIDIA Jetson Nano 500

FPGA + PYNQ 502

FPGAs 503

아두이노 506

임베디드 AI장치의 정성적 비교 508

Raspberry Pi와 함께 작업 511

xvi 목차

구글 Coral USB 가속기를 이용한 속도 향상 513

NVIDIA Jetson Nano을 위한 포트 516

디바이스의 성능 비교 520

사례 연구 521

JetBot 521

지하철 티켓을 받기 위하여 스쿼트 운동하기 522

오이 분류기 524

추가 탐구 525

요약 526



제16장 케라스로 엔드-투-엔드 딥러닝을 이용한 자율주행차 시뮬레이션

자율주행의 간략한 역사 532

딥러닝, 자율주행 및 데이터 문제 533

자율주행의 “Hello, World!” : 시뮬레이션 환경을 통한 운전 536

설정 및 요구 사항 537

데이터 탐색 및 준비 539

관심 영역 식별 542

데이터 늘리기 544

데이터 세트 불균형 및 주행 전략 545

자율주행 모델 학습 550

운전 데이터 생성기 551

모델 정의 554

자율주행 모델 구축 560

추후 연구 565

데이터 세트 확장 565

순차 데이터 훈련 565

강화 학습 566

요약 566



제17장 1시간 이내에 자율자동차 구축: AWS DeepRacer를 이용한 강화학습

강화학습의 간략한 소개 569

DeepRacer를 이용한 실용적인 심층 강화학습 572

첫 번째 강화학습 구축 576

xvii 목차

1 단계: 모델 생성 577

2 단계: 훈련 구성 578

3 단계: 모델 훈련 585

4 단계: 모델의 성능 평가 587

행동 강화 학습 588

강화 학습 시스템이 학습하는 방법 588

강화 학습 이론 592

AWS DeepRacer의 강화 학습 알고리즘 595

DeepRacer를 예로 심층 강화 학습 요약 597

5 단계: 강화 학습 모델 개선 598

AWS DeepRacer 자동차 경주 602

트랙 구축 602

AWS DeepRacer 단일 회전 트랙 템플릿 603

AWS DeepRacer 모델 실행 604

AWS DeepRacer 차량 자율주행 604

추가 탐색 607

DeepRacer 리그 607

향상된 AWS DeepRacer 608

AI 드라이빙 올림픽 608

DIY 로보카 609

로보레이스(Roborace) 609

머신러닝 613

요약 611

부록 컨볼루셔널 뉴럴 네트워크의 단기과정

퍼셉트론 614

활성화 함수 615

뉴럴 네트워크 616

역전파(Backpropagation) 617

뉴럴 네트워크의 단점 618

이미지 분류기의 원하는 속성 618

컨벌루션(Convolution) 619

풀링(Pooling) 619

CNN의 구조 620

추가 실험 621