# PyTorch 빠른 참조

*텐서, 자동 미분, 신경망, 학습*

> Source: PyTorch Documentation (pytorch.org) · MIT

## 텐서

### 텐서 생성

```
import torch
a = torch.tensor([1, 2, 3])
b = torch.zeros(2, 3)
c = torch.ones(3, 3)
d = torch.randn(2, 4)  # normal dist
```

### 텐서 생성자

| Command | Description |
|---------|-------------|
| `torch.zeros(m, n)` | 모두 0, 형태 (m, n) |
| `torch.ones(m, n)` | 모두 1, 형태 (m, n) |
| `torch.randn(m, n)` | 표준 정규 분포 난수 |
| `torch.arange(start, end, step)` | 균등 간격 값 |
| `torch.linspace(start, end, steps)` | 고정 개수의 점 |
| `torch.eye(n)` | 단위 행렬 |
| `torch.empty(m, n)` | 초기화되지 않은 메모리 |

### NumPy 상호 운용

```
t = torch.from_numpy(np_array)
arr = tensor.numpy()  # shares memory
t = torch.as_tensor(np_array)
```

## 자동 미분

### 그래디언트 추적

```
x = torch.tensor([2.0, 3.0],
    requires_grad=True)
y = (x ** 2).sum()
y.backward()
print(x.grad)  # tensor([4., 6.])
```

### 그래디언트 추적 비활성화

```
with torch.no_grad():
    pred = model(x)  # inference only
x_det = x.detach()  # detach from graph
```

### 그래디언트 제어

| Command | Description |
|---------|-------------|
| `x.requires_grad_(True)` | 제자리에서 그래드 추적 활성화 |
| `x.grad.zero_()` | 누적 그래디언트 초기화 |
| `x.detach()` | 그래드 이력 없는 새 텐서 |
| `x.grad` | 저장된 그래디언트 접근 |

## 신경망

### 모델 정의

```
import torch.nn as nn
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        return self.fc2(x)
```

### Sequential 모델

```
model = nn.Sequential(
    nn.Linear(784, 256),
    nn.ReLU(),
    nn.Dropout(0.2),
    nn.Linear(256, 10))
```

### 주요 레이어

| Command | Description |
|---------|-------------|
| `nn.Linear(in, out)` | 완전 연결 레이어 |
| `nn.Conv2d(c_in, c_out, k)` | 2D 합성곱, 커널 크기 k |
| `nn.BatchNorm2d(n)` | 배치 정규화 |
| `nn.LSTM(in, hidden)` | LSTM 순환 레이어 |
| `nn.Dropout(p)` | 확률 p의 드롭아웃 |
| `nn.Embedding(vocab, dim)` | 임베딩 조회 테이블 |

## 데이터 로딩

### 사용자 정의 Dataset

```
from torch.utils.data import Dataset, DataLoader
class MyData(Dataset):
    def __init__(self, X, y):
        self.X, self.y = X, y
    def __len__(self): return len(self.X)
    def __getitem__(self, i):
        return self.X[i], self.y[i]
```

### DataLoader

```
loader = DataLoader(dataset, batch_size=32,
    shuffle=True, num_workers=2)
for batch_x, batch_y in loader:
    output = model(batch_x)
```

### 내장 데이터셋

```
from torchvision import datasets, transforms
t = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))])
data = datasets.MNIST("data", train=True,
    download=True, transform=t)
```

## 학습 루프

### 표준 학습 루프

```
model.train()
for epoch in range(num_epochs):
    for X, y in train_loader:
        optimizer.zero_grad()
        loss = criterion(model(X), y)
        loss.backward()
        optimizer.step()
```

### 평가

```
model.eval()
with torch.no_grad():
    correct = 0
    for X, y in test_loader:
        pred = model(X).argmax(dim=1)
        correct += (pred == y).sum().item()
```

### 학습 체크리스트

| Command | Description |
|---------|-------------|
| `model.train()` | 드롭아웃 / 배치 정규화 학습 모드 활성화 |
| `model.eval()` | 추론 모드로 전환 |
| `optimizer.zero_grad()` | 역전파 전 그래디언트 초기화 |
| `loss.backward()` | 그래디언트 계산 |
| `optimizer.step()` | 파라미터 업데이트 |

## 옵티마이저

### 주요 옵티마이저

```
import torch.optim as optim
opt = optim.SGD(model.parameters(), lr=0.01,
    momentum=0.9)
opt = optim.Adam(model.parameters(), lr=1e-3)
opt = optim.AdamW(model.parameters(), lr=1e-3,
    weight_decay=0.01)
```

### 학습률 스케줄러

```
sched = optim.lr_scheduler.StepLR(
    opt, step_size=10, gamma=0.1)
# in loop: sched.step() after each epoch
```

### 옵티마이저 비교

| Command | Description |
|---------|-------------|
| `SGD` | 단순, 튜닝 필요, 모멘텀과 잘 어울림 |
| `Adam` | 적응형 학습률, 빠른 수렴, 기본 선택 |
| `AdamW` | 분리된 가중치 감소를 가진 Adam |
| `RMSprop` | 적응형, RNN에 적합 |

## 손실 함수

### 주요 손실 함수

| Command | Description |
|---------|-------------|
| `nn.CrossEntropyLoss()` | 분류 (로짓, softmax 없음) |
| `nn.BCEWithLogitsLoss()` | 이진 분류 (로짓) |
| `nn.MSELoss()` | 회귀 (평균 제곱 오차) |
| `nn.L1Loss()` | 회귀 (평균 절대 오차) |
| `nn.NLLLoss()` | 음의 로그 가능도 (log_softmax 이후) |
| `nn.HuberLoss()` | 강건한 회귀 (이상치에 덜 민감) |

### 사용법

```
criterion = nn.CrossEntropyLoss()
loss = criterion(logits, targets)
# logits: (batch, classes), targets: (batch,)
```

### 사용자 정의 손실

```
def focal_loss(pred, target, gamma=2.0):
    ce = nn.functional.cross_entropy(
        pred, target, reduction="none")
    pt = torch.exp(-ce)
    return ((1 - pt) ** gamma * ce).mean()
```

## 저장 및 로딩

### 상태 딕셔너리 저장/로드 (권장)

```
torch.save(model.state_dict(), "model.pt")
model = Net()
model.load_state_dict(
    torch.load("model.pt", weights_only=True))
```

### 전체 체크포인트 저장

```
torch.save({
    "epoch": epoch,
    "model": model.state_dict(),
    "optimizer": opt.state_dict(),
    "loss": loss}, "checkpoint.pt")
```

### 체크포인트 로드

```
ckpt = torch.load("checkpoint.pt",
    weights_only=False)
model.load_state_dict(ckpt["model"])
opt.load_state_dict(ckpt["optimizer"])
```

## GPU

### 디바이스 관리

```
device = torch.device(
    "cuda" if torch.cuda.is_available()
    else "cpu")
model = model.to(device)
x = x.to(device)
```

### GPU 유틸리티

| Command | Description |
|---------|-------------|
| `torch.cuda.is_available()` | CUDA 사용 가능 여부 확인 |
| `torch.cuda.device_count()` | GPU 수 |
| `torch.cuda.memory_allocated()` | 현재 GPU 메모리 사용량 (바이트) |
| `torch.cuda.empty_cache()` | 미사용 캐시 메모리 해제 |

### 다중 GPU

```
if torch.cuda.device_count() > 1:
    model = nn.DataParallel(model)
model = model.to(device)
```

## 일반 패턴

### 가중치 초기화

```
def init_weights(m):
    if isinstance(m, nn.Linear):
        nn.init.xavier_uniform_(m.weight)
        m.bias.data.fill_(0.01)
model.apply(init_weights)
```

### 그래디언트 클리핑

```
torch.nn.utils.clip_grad_norm_(
    model.parameters(), max_norm=1.0)
```

### 레이어 동결

```
for param in model.fc1.parameters():
    param.requires_grad = False
```

### 모델 요약

```
total = sum(p.numel()
    for p in model.parameters())
trainable = sum(p.numel()
    for p in model.parameters()
    if p.requires_grad)
```