|
오늘 소개할 책은 2026년 9월에 출간한 『케라스 창시자에게 배우는 딥러닝 개정 3판』입니다. 이 책은 케라스 3를 중심으로 텐서플로, 파이토치, JAX를 함께 다루는 딥러닝 입문·실전서입니다. 딥러닝의 기본 원리에서 시작해 이미지 분류·분할, 객체 탐지, 시계열 예측, 자연어 처리와 트랜스포머를 거쳐 미니 GPT와 디퓨전 모델을 직접 만들어 보는 데까지 이어집니다. LoRA, RLHF, RAG 같은 최신 LLM 기술과 분산 훈련, 혼합 정밀도, 양자화 같은 실무 기법도 함께 다룹니다. 『케라스 창시자에게 배우는 딥러닝 개정 3판』은 약 670여 페이지로 구성되어 있어 휴대하며 읽기 어렵습니다. 길벗 도서의 좋은 점으로 전자책으로도 출간되어 있으므로 전자책 뷰어가 있으면 전자책으로 만나보는 것도 좋을 것 같습니다. 이번에 필자는 전자책 출간이 지연되여 책자를 읽고 작성했습니다. 이 책의 저자는 프랑소와 숄레 님과 매튜 왓슨 님입니다. 프랑소와 숄레 님은 딥러닝 라이브러리 케라스의 창시자이자 ARC-AGI 챌린지를 만든 분입니다. 매튜 왓슨 님은 구글에서 제미나이 모델과 오픈 소스 딥러닝 생태계 업무를 해 왔고, 케라스의 핵심 관리자로서 자연어 처리 도구를 주로 맡고 있습니다. 한국어판은 박해선 님이 옮겼습니다. 박해선 님은 tensorflow.blog를 운영하며 머신러닝·딥러닝 책을 집필하고 번역해 온 Google AI/Cloud GDE입니다. 길벗 38차 개발자 리뷰어에 참가하여 작성한 글이며, 길벗에서 제공해 준 책을 읽고 작성했음을 밝힙니다. 프레임워크를 넘나드는 케라스 3개정 3판에서 가장 먼저 눈에 띄는 변화는 특정 프레임워크에 묶이지 않는다는 점입니다. 텐서플로 중심이던 이전 판과 달리, 3장에서 텐서플로, 파이토치, JAX를 차례로 소개하고 각 프레임워크의 방식으로 선형 분류기를 처음부터 구현해 봅니다. 그런 다음 케라스를 소개하는 순서입니다. 기존 개정 2판과 비교했을 때 많은 부분이 변경되었음을 확인하실 수 있습니다.  프레임워크마다 텐서를 다루고 그레이디언트를 계산하고 난수를 생성하는 방식이 다릅니다. 이 책은 그 차이를 "어떤 걸 쓰라"는 식으로 정리하지 않고, 같은 문제를 세 번 풀어 보며 직접 비교하게 만듭니다. 10장의 컨브넷 필터 시각화나 클래스 활성화 히트맵처럼 프레임워크별 코드가 갈리는 대목에서도 같은 방식을 씁니다. 실무에서는 팀이나 프로젝트에 따라 쓰는 프레임워크가 달라지곤 합니다. 하나의 도구에 익숙해지는 것보다 어떤 도구를 만나도 원리를 알고 있는 쪽이 더 오래 간다는 관점이 구성에 반영된 것 같습니다. 원리부터 워크플로까지, 1~7장앞부분(1~7장)은 딥러닝의 기초 체력을 다지는 구간입니다. 2장에서는 텐서, 텐서 연산, 그레이디언트 기반 최적화, 역전파를 다루고, 첫 번째 예제를 밑바닥부터 다시 구현해 봅니다. 라이브러리가 대신해 주는 일을 한 번은 직접 해 보게 하는 구성이라, 이후 장에서 fit() 한 줄이 무슨 일을 하는지 짐작할 수 있게 됩니다. 4장에서는 이진 분류, 다중 분류, 회귀를 하나씩 풀어 봅니다. 5장에서는 과소적합과 과대적합, 검증 세트 구성, 규제 같은 일반화 이야기를, 6장에서는 문제 정의에서 데이터 수집, 모델 개발, 배포, 모니터링까지 이어지는 일반적인 머신러닝 워크플로를 정리합니다. 특히 6장은 모델 배포 후 모니터링과 유지 관리까지 다루고 있어, 모델을 만드는 데서 끝나지 않고 운영까지 시야를 넓혀 준다는 점이 인상적이었습니다. 7장 '케라스 완전 정복'에서는 Sequential, 함수형 API, 서브클래싱이라는 모델 구성 방식과 콜백, 사용자 정의 훈련 루프를 다룹니다. 이후 실습을 따라가는 데 필요한 도구 사용법이 여기서 정리됩니다. 비전, 시계열, 텍스트를 지나 트랜스포머로8~15장은 분야별 대표 문제를 하나씩 풀어 보는 구간입니다. 컴퓨터 비전 파트는 컨브넷으로 이미지를 분류하는 데서 시작합니다. 소규모 데이터셋 훈련, 데이터 증강, 사전 훈련 모델의 특성 추출과 미세 튜닝을 거쳐, 9장에서는 잔차 연결, 배치 정규화, 깊이별 분리 합성곱 같은 아키텍처 패턴과 비전 트랜스포머까지 나아갑니다. 컨브넷이 무엇을 학습했는지 들여다보는 10장 해석 파트도 있습니다. 11장 이미지 분할과 12장 객체 탐지에서는 밑바닥부터 모델을 훈련해 보는 실습과 사전 훈련 모델을 활용하는 실습을 함께 담았습니다. 분할에서는 SAM을, 탐지에서는 YOLO와 RetinaNet을 다룹니다. 직접 만들어 보고, 이미 잘 만들어진 모델은 어떻게 가져다 쓰는지도 보여 주는 구성이 실무 흐름과 닮아 있습니다. 13장은 온도 예측으로 시계열을 다룹니다. 상식 수준의 기준점을 먼저 세우고, 기본 머신러닝 모델, 1D 합성곱, RNN 순으로 올라갑니다. 14장 텍스트 분류는 토큰화와 BoW, 단어 임베딩을 지나 15장의 언어 모델과 트랜스포머로 이어지는데, 점곱 어텐션과 인코더·디코더 블록을 하나씩 짚어 가며 "트랜스포머가 효과적인 이유"까지 정리합니다. 자연어 처리의 흐름이 RNN에서 트랜스포머로 넘어가는 과정을 한 권 안에서 따라갈 수 있습니다. 미니 GPT와 디퓨전 모델을 직접 만든다16장에서는 미니 GPT를 직접 훈련하고 디코딩과 샘플링 전략을 다룬 뒤, 사전 훈련된 LLM인 젬마로 넘어갑니다. 지시 미세 튜닝과 LoRA를 실습하고, RLHF, 멀티모달 LLM, 검색 증강 생성(RAG), 추론 모델까지 LLM 심화 주제를 폭넓게 짚습니다. 요즘 개발자들이 가장 많이 접하는 주제를 원리 수준에서 정리해 주는 장입니다. 17장에서는 VAE로 잠재 공간을 다루는 것에서 출발해, Oxford Flowers 데이터셋으로 U-Net 기반 디퓨전 모델을 직접 만듭니다. 디퓨전 시간과 스케줄, 훈련과 생성 과정을 단계별로 밟고, 마지막에는 텍스트-투-이미지 모델의 잠재 공간까지 탐색합니다. 이미지 생성 AI를 사용하는 데 그치지 않고 그 안쪽 구조를 이해하고 싶은 분에게 좋은 장이 될 것 같습니다. 실무 기법, 그리고 AI의 미래18장은 하이퍼파라미터 최적화와 모델 앙상블로 성능을 끌어올리는 법, 다중 GPU와 TPU를 활용한 분산 훈련을 다룹니다. 부동 소수점 정밀도를 이해하는 데서 시작해 float16 추론, 혼합 정밀도 훈련, 손실 스케일링, float8 훈련, 양자화를 통한 빠른 추론까지 이어지는 흐름이 ‘GPU 자원을 어떻게 효율적으로 쓸 것인가'라는 현업의 고민과 맞닿아 있습니다. 19~20장은 기술을 소개하는 것으로 끝내지 않고 딥러닝의 한계를 짚습니다. 새로운 것에 적응하기 어렵다는 점, 표현 방식과 잡음에 민감하다는 점, 모델을 의인화하는 위험이 다뤄집니다. 이어서 스케일만으로는 충분하지 않다는 논지가 이어지고, 지능의 본질을 추상의 획득과 재조합으로 보는 관점, ARC 프라이즈, 프로그램 합성과의 결합 같은 이야기가 펼쳐집니다. ARC-AGI를 만든 저자가 직접 쓴 장이라는 점에서 다른 딥러닝 책에서는 보기 어려운 대목이라고 생각합니다. 이 책이 필요한 사람들딥러닝을 처음 배우는 입문자부터, 기초는 알지만 트랜스포머와 생성형 AI의 원리를 체계적으로 정리하고 싶은 개발자까지 폭넓게 추천할 만한 책입니다. 난이도도 입문부터 중급까지로 안내되어 있습니다. 특히 파이토치나 JAX를 쓰면서도 케라스를 함께 알아 두고 싶은 분이라면 프레임워크를 오가며 읽기 좋을 것입니다. 다만 670여 페이지에 이르는 분량이라 한 번에 읽기보다는 목차를 보고 필요한 장부터 골라 읽어도 좋을 것 같습니다. 박해선 님이 제공하는 동영상 강의도 있으니 함께 활용하면 부담을 덜 수 있습니다.  생성형 AI를 쓰는 일이 일상이 된 요즘이지만, 그 안에서 무슨 일이 벌어지는지 이해하고 있는 사람과 그렇지 않은 사람의 차이는 점점 커질 것입니다. 도구가 계속 바뀌어도 흔들리지 않을 기본기를 갖추고 싶은 분에게 이 책은 든든한 길잡이가 되어 줄 것으로 생각합니다. |
|
딥러닝 입문 : 딥러닝의 기본 개념부터 차근차근 이해할 수 있습니다. 케라스 실습 : 케라스를 활용해 모델을 만들고 학습하는 과정을 따라갈 수 있습니다. 다양한 분야 : 이미지 처리, 자연어 처리, 시계열 등 다양한 활용 사례를 다룹니다. 최신 AI 기술 : 트랜스포머, LLM(대규모 언어 모델), 생성형 AI까지 살펴볼 수 있습니다. 실습 중심 : 예제 코드를 직접 실행하며 이론과 실습을 함께 익힐 수 있습니다. |
|
취업을 준비하던 시절 머신러닝과 딥러닝을 공부하면서 신경망의 구조, 모델 학습 과정, 손실 함수, 옵티마이저 등 다양한 개념을 접했습니다. 당시에는 개념을 이해하고 직접 코드를 구현하며 모델의 성능을 높이는 데 집중했던 기억이 있습니다. 이후 실제 AI 개발 업무를 수행하면서 챗봇을 개발하고, 음성 인식 모델의 성능을 비교하거나 딥러닝 모델을 활용한 프로젝트를 진행하게 되었습니다. 실무에서는 이미 학습된 모델이나 API를 활용하는 경우가 많다 보니, 오히려 예전에 배웠던 기초 개념들을 다시 정리할 필요성을 느끼고 있었습니다. 그런 점에서 《케라스 창시자에게 배우는 딥러닝 개정 3판》은 반가운 책이었습니다. 책의 구성과 주요 학습 주제를 살펴보면서 과거에 공부했던 내용들을 다시 떠올릴 수 있었습니다. 특히 모델의 학습과 평가, 일반화와 같은 주제는 최근 AI 모델의 성능을 비교하고 평가했던 경험과도 연결되어 더욱 관심이 갔습니다. 예전에는 이론과 구현 자체에 집중했다면, 지금은 실제 프로젝트에서 경험했던 문제들을 떠올리며 개념을 다시 바라보게 된다는 점이 흥미로웠습니다. 딥러닝을 처음 공부하는 분들뿐 아니라, 저처럼 과거에 공부했던 내용을 다시 정리하고 기초를 다지고 싶은 개발자에게도 유용한 학습 자료가 될 것 같습니다. 앞으로도 필요한 개념을 찾아보며 꾸준히 복습하는 데 활용하고 싶은 책으로 여러분께 다가갔으면 좋겠습니다. |
|
이 책은 수학 공식의 막막함 대신 직관적인 코드와 최신 생성형 AI 기술을 담아, 딥러닝을 처음 시작하는 입문자가 부담 없이 흥미를 붙이며 실력을 키울 수 있게 이끌어주는 든든한 길잡이 같은 책입니다. 처음 시작하시는 분들이라면 차분하게 천천히 공부해 가시는 것이 좋아요 |
|
[출판사의 도서 지원으로 작성된 리뷰입니다] 직장생활을 하며 내가 공부하고자 하는 방향에 대하여 공부하기란 참 힘들다. 특히나 국방관련 공무직이면, 그런 와중에라도 IT 특히, 빅데이터 분석 및 딥러닝(머신러닝)에 관심이 많아서 한 7년전부터는 꾸준히 책도 사고 책도 보곤했다. 그러다 보니 몇몇 출판사와 저자, 역자에 대해서 알게되었고, 개인적으로 추종(?) 하는 리스트가 생겼다. 그중 한 출판사가 한국 출판사로는 길벗(IT 분야)이고 외국 출판사로는 O’Reilly Media나 Manning Publication같은 출판사를 좋아하게 되었다. 저자나 역자로는 다섯 손가락정도로 꼽는데, 그중 저자로는 조코딩, 조태호님 등을 꼽았고, 역자로는 박해선님, 류광님 등을 뽑을수 있는데, 이 책은 그중 Manning 출판사의 책이자, 박해선님이 번역을 해서 좀더 관심이 갔던 책이다. * 참고로 박해선님의 경우 인X런에서 본인이 번역한 책들에 대한 챌린지 및 강의를 많이 개설했기에 책을 사고나면 꼭 관련 챌린지나 수업을 듣는것을 추천합니다. 특히 이책의 서평을 딥러닝에 대해서 아직은 깊이 얕은 내가 신청하게 된 이유중 하나는 그동안 두어가지 책으로 딥러닝이나 머신러닝을 공부한적이 있었기 때문이다.  『텐서플로로 배우는 딥러닝』은 표지 소개대로 딥러닝 기초 이론부터 ANN, 오토인코더, CNN, RNN, GAN, FCN, DQN, 이미지 캡셔닝까지 구현하는 책이고, 『텐서플로와 머신러닝으로 시작하는 자연어 처리』는 로지스틱 회귀에서 트랜스포머와 챗봇까지 자연어 처리를 다루고 있었으며, 둘 다 텐서플로 하나를 기준으로 쓰여서 나름 공부하기 위해 책을 펼쳐 본적이 있었다. 결론은 어려웠다 이다. 제대로 된 개념을 못잡고 그냥 맨땅에 대가리 박듯이 공부하다 보니 답답한 부분이 많았었는데, 그러다가 우연찮게 이책의 2판을 접하고 열심히 본게 24년도 였다. 그때도 되게 깊이 있게 책이 나왔구나라는 생각을 했었는데, 이번에 3판 소식을 듣고는 더욱 발전된 책은 어떤 모양일지 궁금해서 서평을 신청하게 되었다. 특히, 케라스를 만든 사람이 직접 쓴 책이라면 "어떻게 쓰는가"를 넘어 "왜 이렇게 설계했는가"와 "이렇게 이해하면 더욱 쉽게 이해할수 있다."를 알려 줄 것 같았고, 트랜스포머와 생성형 AI까지 범위를 넓혔다는 점도 끌렸던 부분이었다. 이책의 저자 프랑소와 숄레는 케라스의 창시자이고, 공저자 매튜 왓슨은 케라스의 핵심 관리자라고 한다. 번역은 머신러닝 도서 번역으로 잘 알려진 박해선님이 작업해서 상당히 읽기가 편한 책이었다. 2판이 12장 628쪽이었다면 3판은 20장 672쪽으로 크게 넓어졌고, 정가는 48,000원이었다. 외형은 좀 커졌다. 같은 출판사에서 같은 역자가 옮긴 『밑바닥부터 만들면서 배우는 LLM』과 나란히 놓으니 3판이 한눈에 더 크게 보인다. 인터넷 서점에 올라온 책 정보를 기준으로 보면 3판은 188×257mm, 두께 33mm, 약 1.47kg이고 2판은 189×241mm, 두께 41mm, 약 1.66kg입니다. 세로가 길어지고 두께는 얇아져 쪽수가 늘었는데도 더 가볍습니다. 그러나 판형이 커졌다고 코드 예문이나 그래프등이 커진것은 못 느낀다는게 아이러니이다 ^^   책의 소개란에서 3판에서 달라진점으로 뽑는 부분은 아래와 같다.
이책을 읽으면서 느낀점을 몇가지 정리해보면 다음과 같습니다. (1) 같은 문제를 세 프레임워크로 보는 즐거움 텐서플로 책으로 공부해 온 입장에서 가장 반가운 곳은 3장입니다. 텐서플로, 파이토치, JAX로 같은 선형 분류기를 구현해 비교하니 각 프레임워크가 무엇을 편하게 하고 무엇을 감추는지가 보입니다. 10장의 필터 시각화도 세 프레임워크로 각각 구현합니다. 짧은 시간에 출판사에서 깃허브에 올려준 코드로 실습하다 보니 많은것을 느끼지는 못했지만 그래도 다른 선형분류기로 구현해보는 느낌은 새로웠습니다. (2) 수식보다 코드, 그러나 원리는 놓치지 않는 설명 뼈대는 이전 판과 같습니다. 책 스스로 직관, 이론, 실습의 균형을 내걸고 수학 표기 대신 원리 해설과 실제 코드로 핵심을 전달하며, 고등학교 수준의 수학이면 충분하다고 안내합니다. 5~6장의 일반화, 모델 평가, 머신러닝 워크플로는 화려한 모델보다 문제 정의와 평가 설계가 먼저라는 태도를 보여 줍니다.  (3) 트랜스포머에서 미니 GPT와 디퓨전까지 15장에서 트랜스포머(점곱 어텐션, 인코더·디코더 블록, 위치 임베딩)를 해부한 뒤 16장에서 미니 GPT를 직접 훈련하고, 사전 훈련 LLM 활용, 지시 미세 튜닝, LoRA, RLHF, 검색 증강 생성, 추론 모델로 이어집니다. 17장은 VAE에서 디퓨전 모델과 텍스트-투-이미지 모델까지 나아갑니다. 지금 가장 화제인 기술을 "써 보는" 수준을 넘어 "만들어 보는" 수준까지 안내하는 점이 3판의 가장 큰 매력입니다. (4) 실무까지 책임지는 18장, 그리고 마지막 두 장 18장은 하이퍼파라미터 최적화와 앙상블, 다중 GPU·TPU 분산 훈련, 혼합 정밀도, 양자화를 다룹니다. 19~20장은 딥러닝의 한계와 스케일만으로는 충분하지 않다는 관점을 짚고, 캐글 실전 문제와 논문 읽기를 권하며 끝납니다. 기술을 소개하면서도 과장을 경계하는 태도가 이 책이 오래 읽혀 온 이유로 보입니다. (5) 이전에 읽은 책들과 비교하면 앞의 두 권이 텐서플로 하나를 깊이 파는 책이었다면 3판은 프레임워크를 가로질러 보는 책입니다. CNN, RNN, GAN, 오토인코더 같은 영역은 3판에서도 만날 수 있고, 자연어 처리의 흐름(텍스트 분류에서 트랜스포머까지)도 14~16장으로 이어지지만, 3판은 여기에 LLM, 디퓨전, 분산 훈련이라는 현재의 주제를 얹었습니다. 기존 책을 대체한다기보다 텐서플로로 쌓은 기초 위에 프레임워크 시야와 생성형 AI 지식을 더해 주는 책에 가깝습니다. (6) 아쉬운 점과 추천 대상 첫째, 난이도입니다. 1·2판 독자 서평에서도 완전 입문자에게는 용어와 개념이 빠르게 지나간다는 평이 반복되었고, 3판은 주제가 늘어난 만큼 한 주제당 지면이 더 빠듯할 수 있습니다. 둘째, 세 프레임워크 병행은 안목을 넓히는 대신 학습 부담이 됩니다. 셋째, 코드를 직접 돌리려면 GPU와 환경 구축이 필요합니다. 파이썬에 익숙하고 딥러닝을 원리부터 코드로 익히려는 개발자·학생, 저처럼 텐서플로 중심으로 공부해 온 뒤 파이토치·JAX와 생성형 AI의 원리까지 시야를 넓히려는 독자에게 권합니다. 딥러닝이 완전히 처음이라면 더 가벼운 입문서를 먼저 읽고 오시기를 권합니다. (7) 이렇게 읽으면 좋겠습니다 텐서플로 경험이 있는 독자라면 1~2장은 빠르게 훑고 3장(프레임워크 비교)과 7장(케라스 완전 정복)에 시간을 들이는 편이 효율적입니다. 이어서 관심 분야에 따라 비전(8~12장), 시계열(13장), 언어·생성(14~17장) 중 하나를 골라 깊게 파고, 18장의 실무 기법과 19~20장의 전망은 마지막에 읽으면 앞의 내용이 하나로 묶입니다. 처음부터 끝까지 정독하기보다 "원리를 이해한 장은 코드를 직접 바꿔 보는" 식으로 읽는 것을 권합니다. 내용 자체가 쉬운 내용이 아니고 서평을 위한 시간이 매우 짧았던 관계로 실습을 다해보지는 못한 부분이 좀 아쉽기는 하나, 나름 독자를 위한 많은 부분 신경을 써서 만들어준 느낌이 강한 좋은 책을 볼수 있어서 좋았던 책입니다. 딥러닝에 대해서 케라스를 통해 제대로 배우고 익히고 싶은 이들에게 좋은 책으로 남을거 같습니다. #협찬 #길벗 #케라스 창시자 # 딥러닝 # 박해선 |
AI를 쓰는 것과 이해하는 것은 다르다《케라스 창시자에게 배우는 딥러닝 개정 3판》 | 길벗 고객센터에서 상담 품질관리와 AI 업무 자동화를 진행하면서 궁금했던 것이 있다. 우리는 AI가 만들어낸 결과를 얼마나 이해하고 있을까? 이 책은 케라스 창시자 프랑수아 숄레와 매튜 왓슨이 딥러닝의 기초부터 컴퓨터 비전, 자연어 처리, 생성형 AI까지 설명하는 기술서다. 내가 관심 있게 살펴본 부분은 14장 텍스트 분류다. 상담사 발화를 분석하고 잘못된 표현을 찾아내는 업무와 직접 연결할 수 있기 때문이다. 책에서 제공하는 예제를 Google Colab에서 직접 열어봤다. Keras 3.15.1과 KerasHub 0.31.0 버전이 출력되는 것을 확인했고, 패키지 설치 과정에서는 의존성 충돌 경고도 만났다. 아직 모델 전체 학습을 완료한 것은 아니지만, 이 과정에서 한 가지를 다시 생각하게 됐다. 코드가 실행되는 것과 AI 모델의 결과를 신뢰할 수 있다는 것은 다르다. 실제 업무에서도 마찬가지다. 상담 품질을 평가하는 AI가 아무리 높은 점수를 보여줘도 데이터와 평가 기준이 잘못되어 있다면 결과를 그대로 받아들일 수 없다. 이 책의 장점은 딥러닝의 원리를 폭넓게 다루면서 직접 실습할 수 있도록 구성했다는 점이다. 다만 Python이나 수학적 개념에 익숙하지 않은 독자에게는 쉽지 않은 책이다. 빠르게 AI 서비스를 만들고 싶은 사람보다는 기술의 원리를 체계적으로 이해하려는 사람에게 더 적합하다. 내가 이 책에서 얻고 싶은 것은 새로운 AI 모델을 무조건 만드는 능력이 아니다. AI가 왜 그런 결과를 내놓았는지 질문하고, 그 결과를 검증할 수 있는 판단력이다. AI를 활용하는 실무자에서 한 단계 더 성장하고 싶다면 충분히 공부할 가치가 있는 책이다. ※ 길벗출판사로부터 도서를 제공받아 작성한 서평입니다. #케라스창시자에게배우는딥러닝 #길벗 #딥러닝 #머신러닝 #파이썬 #AI공부 #책리뷰 #서평 #JOYLAB |