케라스 창시자에게 배우는 딥러닝

<케라스 창시자에게 배우는 딥러닝> 도서 리뷰 영상(홍정모 교수님)
★★★★★ 번역자는 이 책의 가장 큰 장점입니다.(mo05 님)
★★★★★ 박해선님 이 분야 기술 번역은 최고 ^^ ..(sake 님)
♥♥♥♥ 인공지능에 대해 알고 싶은 분이라면 추천드려요~(lj**999 님)
★★★★★ 이론과 코드를 함께 제공하는 아주 좋은 케라스 입문서(정*준 님)

이 책은 케라스 창시자이자 구글 AI 연구원인 프랑소와 숄레(François Chollet)의 “Deep Learning with Python“의 번역서입니다.

이 책은 딥러닝, 신경망, 머신 러닝의 기초와 컴퓨터 비전, 텍스트, 시퀀스, 생성 모델을 위한 딥러닝 같은 고급 기법을 모두 다룹니다. 이외에도 딥러닝의 가능성과 한계, 저자가 생각하는 딥러닝의 방향과 비전을 엿볼 수 있습니다. 실전과 같은 다양한 예제를 수록했으며, 수학 장벽을 없애고자 수학적 표기 없이 직관적이고 간결한 코드로 개념을 설명하고 있습니다.

바쁜 와중에도 시간을 내어 책을 읽고 추천사를 써 주신 이상훈 님, 전태균 님께 감사드립니다. 많은 정성을 들여 베타 테스트에 참여해 주신 김재범 님, 김영하 님, 김은경 님, 신성기 님, 이문환 님, 조동헌 님, 이요셉 님, 권성환 님, 이정연 님, 이효조 님께 감사드립니다. 작업의 모든 과정을 친절히 안내해 주신 길벗 출판사의 안윤경 님과 둔탁한 글을 다듬어 주신 김윤지 님께 감사드립니다. 그 외 책을 만드는 데 도움을 주신 모든 분들에게 감사드립니다.

온라인(전자책)/오프라인 서점에서 판매중입니다. [YES24], [교보문고], [리디북스]
476 페이지, 종이책: ~~33,000원~~—>29,700원, 전자책 26,400원
이 책에 실린 코드는 깃허브에서 주피터 노트북으로 볼 수 있습니다. [github], [nbviewer]
이 책의 코드는 Keras 2.2.2, 2.2.4 버전에서 테스트 되었습니다.
텐서플로 2.3, 2.4, 2.6 버전을 사용한 코드는 깃허브의 tf2 브랜치에 있습니다.
원서에 대한 소개와 번역 후기를 블로그에 적었습니다.

이 페이지에서 책의 에러타와 Keras 버전 변경에 따른 바뀐 점들을 계속 업데이트 하겠습니다.

이 책에 대해 궁금한 점이나 오류가 있으면 이 페이지 맨 아래 ‘Your Inputs’에 자유롭게 글을 써 주세요. 또 제 이메일을 통해서 알려 주셔도 되고 구글 그룹스 머신러닝 도서 Q&A에 글을 올려 주셔도 좋습니다.

저자 프랑소와도 맘에 든다고 하네요! 🙂

The Korean edition of Deep Learning with Python is the best looking one so far. Tasteful cover, beautiful typography, great print quality. Thanks to everyone who worked on it! pic.twitter.com/xAWQnJMS7s

— François Chollet (@fchollet) November 6, 2018

적바림(미처 책에 넣지 못한 내용을 추가하고 있습니다)

AWS 스팟 인스턴스 + Deep Learning AMI

감사합니다! 🙂

Outputs (aka. errata)

1: 2쇄에 반영되었습니다.
~8: 3쇄에 반영되었습니다.
9: 4쇄에 반영되었습니다.
~21: 5쇄에 반영되었습니다.
~24: 6쇄에 반영되었습니다.
25: 7쇄에 반영되었습니다.

(p435) 아나콘다 배포판이 파이썬 3.6 버전에서 3.7 버전으로 업그레이드되었습니다. 텐서플로를 설치하려면 파이썬 3.6 버전이 필요합니다. 파이썬 3.6 버전의 아나콘다 배포판을 안내하기 위해 밑에서 두 번째 문단 끝에 다음 문장을 추가합니다. “파이썬 3.7 버전과 2.7 버전 다운로드 버튼만 보인다면 다음 주소에서 파이썬 3.6 버전 아나콘다 배포판을 직접 다운로드 받으세요(https://repo.anaconda.com/archive/Anaconda3-5.2.0-Windows-x86_64.exe).“
‘넓이‘로 쓴 것을 ‘너비‘로 정정합니다. (정*현 님)
- p69 주석 14번
- p171 아래에서 두 번째 문단
- p174 아래에서 첫 번째 문단
- p175 그림 5-2 아래 첫 번째 줄
- p177 그림 5-4와 그림 5-4 아래 첫 번째 줄
- p178 첫 번째 줄과 그림 5-5 아래 첫 번째 줄
- p179 첫 번째 문단과 그림 5-7 아래 첫 번째 줄
- p194 코드 5-11 아래 두 번째 리스트 항목
- p220 5.4.1절 아래 첫 번째 문단
- p300 6.4절 아래 첫 번째 문단
(p181) 위로부터 두 번째 리스트 항목에서 “1만 5,800개의“를 “약 15.8백만 개의“로 정정합니다.(정*현 님)
(p151) 혼동되지 않도록 아래에서 첫 번째 문단에서 “훈련 데이터의 손실이 낮을수록 테스트 데이터의 손실이 낮습니다.“를 “이 때는 훈련 데이터의 손실이 낮아질수록 테스트 데이터의 손실도 낮아집니다.“로 변경합니다.(정*현 님)
(p79) 2.4절 첫 번째 문장 아래 output = relu(dot(W, input) * b를 output = relu(dot(W, input) + b로 정정합니다.(김*영 님)
(p329) 코드 2번째 줄에서 right_input = xception_base(right_input)을 right_features = xception_base(right_input)으로 정정합니다. 4번째 줄에서 [left_features, right_input]을 [left_features, right_features]로 정정합니다.(김*호 님)
(p105) 단어가 1만개이므로 인덱스는 9,999까지입니다. 마지막 코드 블럭 위 문장에서 “단어 인덱스는 10,000을 넘지 않습니다”를 “단어 인덱스는 9,999을 넘지 않습니다”로 정정합니다.
클래스의 인스턴스를 아마존 AWS의 인스턴스와 혼돈되지 않도록 객체로 변경합니다.
- (p124) 3.5.5 절의 첫 문장에서 “모델 인스턴스의 predict 메서드는”을 “모델 객체의 predict 메서드는”으로 변경합니다.
- (156) 코드 4-6 위의 문장에서 “케라스의 가중치 규제 인스턴스를 층의 키워드”를 “케라스의 가중치 규제 객체를 층의 키워드”로 변경합니다. 주석 14에서 “클래스의 인스턴스를 반환하는”을 “클래스의 객체를 반환하는”로 변경합니다.
- (p222) 세 번째 줄에서 “모델 인스턴스를 만들 때”를 “모델 객체를 만들 때”로 변경합니다. 코드 5-27의 제목에서 “모델 인스턴스 만들기”를 “모델 객체 만들기”로 변경합니다.
(p159) 그림 4-8의 드롭아웃이 적용된 행렬을 표현한 오른쪽 그림에서 두 번째 행, 첫 번째 열의 0.6은 드롭아웃되었으므로 0.0으로 정정합니다.

(p145) 코드 4-2에서 다음의 마지막 네 라인은 for 문 밖으로 나와야 합니다.(임*성 님)

validation_score = np.average(validation_scores)

model = get_model()
model.train(data)
test_score = model.evaluate(test_data)

(p253) 역주 8번과 9번이 서로 바뀌었습니다.(지*광 님)
(p448, 449) 텐서플로 1.13.0 버전부터 CUDA 10 버전을 사용합니다. 부록 B.2에 언급된 경로를 다음과 같이 변경합니다.
- https://www.tensorflow.org/install/install_linux –> https://www.tensorflow.org/install/gpu
- http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.0.176-1_amd64.deb –>
  https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_10.0.130-1_amd64.deb
- cuda-repo-ubuntu1604_9.0.176-1_amd64.deb –> cuda-repo-ubuntu1604_10.0.130-1_amd64.deb
- http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub –>
  https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub
(p435) 최신 텐서플로는 파이썬 3.7 버전을 지원하므로 마지막에서 두 번째 문단 “아나콘다 배포판의 파이썬 3.6 버전과 파이썬 2.7 버전을 내려받을 수 있습니다. 이 두 버전의 차이에 대해 잘 모르거나 파이썬 2.7로 작성한 프로젝트가 이미 있는 것이 아니라면 대부분의 경우 파이썬 3.6이 적합합니다. 파이썬 3.7 버전과 2.7 버전 다운로드 버튼만 보인다면 다음 주소에서 파이썬 3.6 버전 아나콘다 배포판을 직접 다운로드 받으세요(https://repo.anaconda.com/archive/Anaconda3-5.2.0-Windows-x86_64.exe).“를 “아나콘다 배포판의 파이썬 3.7 버전과 파이썬 2.7 버전을 내려받을 수 있습니다. 이 두 버전의 차이에 대해 잘 모르거나 파이썬 2.7로 작성한 프로젝트가 이미 있는 것이 아니라면 대부분의 경우 파이썬 3.7이 적합합니다.”와 같이 바꿉니다.
(p291) 위에서 다섯 번째 줄에서 “타임스템“을 “타입스텝“으로 정정합니다.(지*광 님)
(p210) 맨 처음 나오는 매개변수 리스트의 값을 깃허브와 동일하게 맞춥니다. rotation_range=20, width_shift_range=0.1, height_shift_range=0.1, shear_range=0.1, zoom_range=0.1 (서* 님)
(p32) 중간 부분의 세 번째 항목 “알고리즘의 성능을 측정하는 방법은 정확히 분류한 포인트의 비율을 사용하여 알고리즘의 성능을 측정합니다”를 “알고리즘의 성능은 정확히 분류한 포인트의 비율을 사용하여 측정합니다”와 같이 자연스러운 문장으로 고칩니다.(박*호 님)
(p252, 271) 이 책은 시퀀스를 만들 때 문장의 끝부터 차례대로 채웁니다. 오해를 일으키지 않기 위해 252페이지 마지막 문장에서 “20개 단어 이후는 버립니다”를 “20개가 넘는 단어는 버립니다”로 바꿉니다. 271페이지 끝에서 두 번째 문장에서 “처음 500개의 단어만”을 “순서대로 500개의 단어만”으로 바꿉니다.(서* 님)
numpy 1.16.3 버전에서 load() 함수의 allow_pickle 매개변수 기본값이 True에서 False로 바뀌었습니다. 이로 인해 imdb.load_data() 함수에서 오류가 발생합니다. 케라스 다음 버전이 릴리스되기 전까지는 넘파이 버전을 1.16.3 이전으로 유지하세요.(서* 님)
(p298) 네 번째 항목의 의미를 명확하게 나타내기 위해 “유닛 수가 많은 Dense 층이나 Dense 층을 스태킹합니다”을 “유닛 수가 많은 Dense 층 한 개 또는 여러 개의 Dense 층을 스태킹합니다”로 변경합니다.(서* 님)
(p444) 코딩 도장의 강좌 링크를 https://bit.ly/2VQy0k8로 변경합니다.
(p181) 페이지 상단의 두 번째 항목에서 “최종 특성 맵은 22 x 22 x 64 = 30,976개의 가중치를 가집니다”를 “최종 특성 맵은 22 x 22 x 64 = 30,976개의 원소를 가집니다”로 정정합니다.(sc***@gmail.com 님)
(p75) 5번째 줄에서 “x의 열과 y의 행 사이 벡터 점곱으로 인해”를 “x의 행과 y의 열 사이 벡터 점곱으로 인해”로 정정합니다.(황*섭 님)
(p325) 15번 주석에서 “약 2,280개”를 “약 2,280만개”로 수정합니다.(Bak 님)
(p131) 4번째 줄에서 “3,000달러 정도가”를 “2,400달러 정도가”로 수정합니다.(LEE 님)
(p11) 예제 파일 구조 아래 리스트의 첫 번째 항목 끝에 다음 주석을 추가합니다. “역주 케라스 멀티백엔드 버전은 2.3.x에서 개발이 중지되었습니다. 이후부터는 텐서플로에 포함된 tf.keras를 사용하는 것을 권장합니다. 이 책의 에제 코드를 최신 텐서플로에 포함된 tf.keras에 포팅한 버전은 역자의 깃허브 tf2 브랜치(https://github.com/rickiepark/deep-learning-with-python-notebooks/tree/tf2)에서 볼 수 있습니다.”
(p222) 코드 5-27의 2번째 줄 주석에서 ‘상위 8개 층의’를 ‘하위 8개 층의’로 정정합니다.(B***B 님)
(p110) 26번 주석의 마지막에서 두 번째 문단을 다음처럼 수정합니다. “models.add(PReLU())또는 models.add(LeakyReLU())처럼 사용합니다.”(박*호 님)
(5~8쇄) (p210) 위에서 5번째 줄에 zoom_range=0.1을 zoom_range=0.1,로 수정합니다.(박*호 님)
(p67) 아래에서 2번째 줄에 “각 샘플은 벡터(2D 텐서)의 시퀀스로 인코딩되므로”를 “각 샘플은 벡터의 시퀀스(2D 텐서)로 인코딩되므로”로 정정합니다.(현* 님)

Your Inputs