파이토치 기본 특징

1. 동적 계산 그래프 (Dynamic Computational Graph): PyTorch는 동적 계산 그래프를 사용합니다. 이것은 계산 그래프가 실행 중에 동적으로 구성된다는 것을 의미하며, 이를 통해 모델을 더욱 유연하게 구축하고 디버깅하기 쉽게 만듭니다.

2. 텐서 (Tensors): PyTorch는 다차원 배열인 텐서를 사용하여 데이터를 표현하고 처리합니다. 텐서는 NumPy 배열과 유사하며 GPU 가속을 지원하여 고성능 연산을 수행할 수 있습니다.

3. Autograd (자동 미분): PyTorch는 자동 미분 기능을 제공하여 모델의 손실 함수를 최적화하기 위한 그레디언트를 자동으로 계산합니다. 이를 통해 역전파 알고리즘을 구현할 필요가 없어집니다.

4. 신경망 모델: PyTorch는 딥러닝 모델을 구축하기 위한 모듈과 클래스를 제공합니다. nn.Module을 사용하여 사용자 정의 신경망을 쉽게 만들 수 있습니다.

5. GPU 지원: PyTorch는 CUDA를 통해 GPU 가속을 지원하며, 모델과 데이터를 GPU로 이동하여 고속 학습을 할 수 있습니다.

6. 커뮤니티와 생태계: PyTorch는 활발한 커뮤니티와 풍부한 생태계를 가지고 있습니다. 다양한 라이브러리와 도구가 PyTorch를 기반으로 개발되어 있어, 모델 구축과 실험을 더욱 편리하게 만듭니다
   

파이토치 기본 프로세스

1. 데이터 준비 (Data Preparation): 모델을 학습하려면 적절한 데이터를 준비해야 합니다. 데이터를 로드하고 전처리하는 작업이 이 단계에 해당합니다. 이 단계에서는 데이터를 텐서로 변환하고, 데이터셋과 데이터 로더를 설정합니다.

2. 모델 구축 (Model Building): 신경망 모델을 설계하고 정의합니다. PyTorch에서는 nn.Module을 상속받아 사용자 정의 모델 클래스를 작성합니다. 모델 내에는 레이어(layer)와 활성화 함수(activation function) 등을 정의하게 됩니다.

3. 모델 학습 (Model Training): 정의한 모델을 학습 데이터를 사용하여 학습시킵니다. 이 단계에서는 학습 루프를 구성하고, 손실 함수(loss function)를 정의하여 모델을 업데이트합니다. 역전파(backpropagation) 알고리즘을 사용하여 그레디언트를 계산하고, 옵티마이저(optimizer)를 이용해 가중치를 업데이트합니다.

4. 모델 평가 (Model Evaluation): 학습된 모델을 평가하기 위해 검증(validation) 데이터 또는 테스트(test) 데이터를 사용합니다. 모델의 정확도, 손실 등을 평가하여 모델의 성능을 측정합니다.

5. 모델 추론 (Model Inference): 학습된 모델을 사용하여 실제 예측을 수행합니다. 새로운 입력 데이터에 대한 예측 결과를 생성하고 사용자의 요구에 따라 결과를 저장하거나 활용합니다.