PyTorch torch.nn.Module로 신경망 구축 및 모델 학습 완벽 가이드

PyTorch는 동적 그래프(Dynamic Computational Graph)를 기반으로 하는 강력한 딥러닝 프레임워크입니다. 이번 포스팅에서는 torch.nn.Module을 활용하여 기본적인 신경망을 설계하고, torch.optim을 이용해 모델을 학습시키는 전 과정을 상세히 정리해 보겠습니다.

Generated by Gemini AI.

---

1. 신경망(Neural Network)의 기본 구조

신경망은 데이터를 입력받아 가중치 연산을 통해 결과를 예측하는 모델입니다. 핵심 구조는 다음과 같습니다.

• 입력층(Input Layer): 데이터가 처음 입력되는 층
• 은닉층(Hidden Layer): 특징을 추출하고 비선형 연산을 수행하는 층
• 출력층(Output Layer): 최종 결과(분류/회귀)를 내놓는 층

PyTorch에서는 nn.Module 클래스를 상속받아 이 구조를 정의하며, forward() 메서드에 데이터의 연산 흐름을 구현합니다.

---

2. PyTorch를 이용한 신경망 구현 (nn.Module)

먼저 필요한 라이브러리를 임포트하고, 간단한 신경망 클래스를 정의해 보겠습니다.

Python

 

import torch
import torch.nn as nn
import torch.optim as optim

# 기본 신경망 클래스 정의
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        # 입력(10차원) -> 은닉층(20차원)
        self.fc1 = nn.Linear(10, 20)  
        # 활성화 함수: 모델에 비선형성 추가
        self.relu = nn.ReLU()         
        # 은닉층(20차원) -> 출력(1차원)
        self.fc2 = nn.Linear(20, 1)   

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 모델 객체 생성
model = SimpleNN()
print(model)

💡 코드 포인트

• nn.Linear: 완전연결층(Fully Connected Layer)을 생성하는 함수입니다.
• nn.ReLU: 딥러닝 모델의 학습 성능을 높이기 위해 비선형성을 부여하는 활성화 함수입니다.
• forward(): 모델이 데이터를 입력받아 출력을 계산하는 순전파 과정을 정의합니다.

---

3. 손실 함수와 최적화 알고리즘 설정

학습의 목적은 예측값과 실제값의 차이(손실)를 최소화하는 것입니다. 이를 위해 손실 함수(Loss Function)와 최적화 기법(Optimizer)을 설정합니다.

Python

 

# 1. 손실 함수 정의 (회귀 분석에 주로 사용하는 MSELoss)
criterion = nn.MSELoss()

# 2. 최적화 알고리즘 정의 (가장 대중적인 Adam 사용)
optimizer = optim.Adam(model.parameters(), lr=0.01)

• nn.MSELoss: 평균 제곱 오차를 계산합니다.
• optim.Adam: 경사 하강법의 개선된 형태로, 학습 속도와 안정성이 뛰어납니다. lr은 학습률(Learning Rate)을 의미합니다.

---

4. 5단계 신경망 학습 프로세스

이제 실제 데이터를 생성하고 모델을 학습시키는 과정을 살펴보겠습니다. PyTorch 학습 루프의 정석적인 5단계를 확인하세요.

Python

 

# 가상의 데이터 생성 (100개의 샘플)
x_train = torch.rand(100, 10)
y_train = torch.rand(100, 1)

# 모델 학습 시작
num_epochs = 100
for epoch in range(num_epochs):
    # 1. 기울기 초기화
    optimizer.zero_grad()
    
    # 2. 순전파 (Forward) 연산
    outputs = model(x_train)
    
    # 3. 손실 계산
    loss = criterion(outputs, y_train)
    
    # 4. 역전파 (Backward) 수행
    loss.backward()
    
    # 5. 가중치 업데이트
    optimizer.step()
    
    # 로그 출력
    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

⚠️ 개발자 노트: 주의할 점

학습 루프에서 optimizer.zero_grad()를 호출하지 않으면, 이전 루프의 기울기 값이 누적되어 엉뚱한 방향으로 학습될 수 있습니다. 매 에포크마다 반드시 초기화해주어야 합니다.

---

5. 모델 평가 및 예측

학습된 모델이 새로운 데이터에 대해 얼마나 잘 동작하는지 확인합니다.

Python

 

# 테스트 데이터 생성
x_test = torch.rand(10, 10)

# 예측 수행 (Gradient 계산 중지 모드 권장)
with torch.no_grad():
    y_pred = model(x_test)

print(y_pred)

---

6. 마무리하며

이번 포스팅에서는 PyTorch의 nn.Module을 활용한 기초적인 신경망 설계부터 학습 프로세스까지 알아보았습니다.
임베디드 시스템이나 에지(Edge) 환경에서 딥러닝 모델을 구동하기 위해서는 이와 같은 기본 구조에 대한 명확한 이해가 선행되어야 합니다.