AlexNet - 공유

사전 훈련된 모델 활용, AlexNet 구현 중심의 DL 실험에서 직접 따라간 구현 흐름과 코드 증거를 다시 볼 수 있게 정리한 DL 학습 기록입니다. 본문은 사전 훈련된 모델 활용, AlexNet 구현, 실습 순서로 핵심 장면을 먼저 훑고, AlexNet 구현, 추론(Inference) 변환, 모델 활용하기 같은 코드로 실제 구현을 이어서 확인할 수 있습니다. md 원본과 13개 코드 블록, 9개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 torch, torchinfo, torchvision, requests입니다.

빠르게 볼 수 있는 포인트: 사전 훈련된 모델 활용, AlexNet 구현, 실습.

남겨둔 자료: md 원본과 13개 코드 블록, 9개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 torch, torchinfo, torchvision, requests입니다.

주요 스택: torch, torchinfo, torchvision, requests, PIL

Snapshot

Item	Value
Track	DL
Type	Shared Note
Source Files	md
Code Blocks	13
Execution Cells	9
Libraries	torch, torchinfo, torchvision, requests, PIL, io, matplotlib, time
Source Note	5-3_AlexNet - 공유

What This Note Covers

사전 훈련된 모델 활용

파이토치에서 제공하는 알렉스넷 모델 : https://pytorch.org/vision/main/models/generated/torchvision.models.alexnet.html https://docs.pytorch.org/vision/main/_modules/torchvision/models/alexnet.html

• 읽을 포인트: 세부 흐름: AlexNet_Weights.IMAGENET1K_V1, AlexNet_Weights.IMAGENET1K_V1 > 모델 성능 (ImageNet-1K 기준), 추론(Inference) 변환

AlexNet_Weights.IMAGENET1K_V1

이 가중치는 논문의 결과를 간단한 학습 방법을 사용하여 거의 동일하게 재현한 것입니다. 또한 AlexNet_Weights.DEFAULT로도 제공됩니다.

AlexNet_Weights.IMAGENET1K_V1 > 모델 성능 (ImageNet-1K 기준)

Top-1 정확도 (acc@1): 56.522% - Top-5 정확도 (acc@5): 79.066% - 총 파라미터 수: 61,100,840 - 최소 입력 이미지 크기: 높이 63px, 너비 63px - 분류 가능한 카테고리: - 예시: tench(숭어), goldfish(금붕어)…

추론(Inference) 변환

AlexNet_Weights.IMAGENET1K_V1.transforms에서 제공하는 변환(transforms)은 다음과 같은 전처리 과정을 수행합니다. 입력 형식: - PIL.Image 객체 - 배치(batch) 형식: (B, C, H, W) - 단일(single) 이미지 형식:…

AlexNet 구현

당시 GTX 580 3 GB 두 장으로만 훈련 가능해 모델 파라미터를 반씩 나눠 실행했다. 현대 GPU에는 10 GB 이상 메모리가 흔해 통합 구조가 더 단순·빠르다. PyTorch torchvision.models.alexnet은 저자가 단일 GPU용으로 다시 공개한 Caffe 모델을 그대로 옮긴 버전

• 읽을 포인트: AlexNet 구현 아래 코드와 함께 읽으면 구현 포인트가 더 또렷해지는 구간입니다.

실습

CIFAR-10 데이터셋을 활용한…, CIFAR-10 데이터셋을 활용한…, CIFAR-10 데이터셋을 활용한… 같은 코드를 직접 따라가며 실습 흐름을 확인했습니다.

• 읽을 포인트: 세부 흐름: CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가, CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가 > 실습 목표, CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가 > 실습 단계

CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가

모델 정의, 손실, 최적화 흐름을 코드로 연결해 보는 구간입니다.

CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가 > 실습 목표

AlexNet 모델을 활용하여 CIFAR-10 데이터셋에 대해 학습 및 평가해보고, - 세 가지 전략(From Scratch, Feature Extraction, Fine-tuning)의 성능 차이를 비교해봅니다. - 학습 과정에서 loss와 accuracy 변화를 시각화하여 모델…

CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가 > 실습 단계

환경 설정 및 코드 실행 준비 - 위에 제공된 전체 코드를 하나의 Python 파일(예: cifar10_alexnet.py)에 복사합니다. - 필요한 라이브러리가 모두 설치되어 있는지 확인합니다. 데이터셋 다운로드 및 전처리 - 코드를 실행하면 자동으로 CIFAR-10 데이터셋을…

Why This Matters

합성곱 기반 특징 추출

• 왜 필요한가: 이미지는 인접 픽셀 관계와 지역 패턴이 중요해서, 완전연결층만으로는 공간 구조를 효율적으로 잡기 어렵습니다.
• 왜 이 방식을 쓰는가: CNN은 필터를 공유하며 지역 특징을 반복적으로 추출할 수 있어 이미지 실습의 기본 뼈대로 적합합니다.
• 원리: 작은 커널이 이미지 위를 이동하며 특징을 뽑고, 층이 깊어질수록 더 추상적인 패턴을 학습합니다.

Implementation Flow

1. 사전 훈련된 모델 활용: AlexNet_Weights.IMAGENET1K_V1, AlexNet_Weights.IMAGENET1K_V1 > 모델 성능 (ImageNet-1K 기준)
2. AlexNet 구현: 당시 GTX 580 3 GB 두 장으로만 훈련 가능해 모델 파라미터를 반씩 나눠 실행했다. 현대 GPU에는 10 GB 이상 메모리가 흔해 통합 구조가 더 단순·빠르다. PyTorch torchvision.models.alexnet은 저자가 단…
3. 실습: CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가, CIFAR-10 데이터셋을 활용한 AlexNet 모델 학습 및 평가 > 실습 목표

Code Highlights

AlexNet 구현

AlexNet 구현는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 첫 번째 Convolution: 입력 채널 3, 출력 채널 64, 커널 크기 11, st…, 두 번째 Convolution: 입력 64, 출력 192, 커널 크기 5, padding 2, 세 번째 Convolution: 입력 192, 출력 384, 커널 크기 3, padding 1 흐름이 주석과 함께 드러납니다.

import torch
import torch.nn as nn

class AlexNet(nn.Module):
    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            # 첫 번째 Convolution: 입력 채널 3, 출력 채널 64, 커널 크기 11, stride 4, padding 2
            nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),

            # 두 번째 Convolution: 입력 64, 출력 192, 커널 크기 5, padding 2
            nn.Conv2d(64, 192, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),

            # 세 번째 Convolution: 입력 192, 출력 384, 커널 크기 3, padding 1
            nn.Conv2d(192, 384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),

            # 네 번째 Convolution: 입력 384, 출력 256, 커널 크기 3, padding 1
            nn.Conv2d(384, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),

            # 다섯 번째 Convolution: 입력 256, 출력 256, 커널 크기 3, padding 1
            nn.Conv2d(256, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
# ... trimmed ...

추론(Inference) 변환

추론(Inference) 변환는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 모델 구조 흐름이 주석과 함께 드러납니다.

# 모델 구조
from torchvision import models

model = models.alexnet(weights='AlexNet_Weights.IMAGENET1K_V1')
model

모델 활용하기

모델 활용하기는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 이미지 다운로드 및 로드, 이미지 시각화 (원본 이미지), 전처리: AlexNet은 ImageNet 기준으로 학습되었으므로, 해당 전처리 과정을 사… 흐름이 주석과 함께 드러납니다.

import torch
from torchvision import models, transforms
from PIL import Image
import requests
from io import BytesIO
import matplotlib.pyplot as plt


# 1. 이미지 다운로드 및 로드
url = 'https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcQPqUIvVs_Q2veVfJXJgmU4HqJDedpaLTb5Vg&s'
response = requests.get(url)
img = Image.open(BytesIO(response.content)).convert('RGB')  # 확실한 RGB 변환

# 이미지 시각화 (원본 이미지)
plt.figure(figsize=(6,6))
plt.imshow(img)
plt.axis('off')
plt.title("Original Image")
plt.show()

# 2. 전처리: AlexNet은 ImageNet 기준으로 학습되었으므로, 해당 전처리 과정을 사용합니다.
preprocess = transforms.Compose([
    transforms.Resize(256),               # 짧은 변을 256픽셀로 조정
    transforms.CenterCrop(224),           # 정중앙에서 224x224 크롭
    transforms.ToTensor(),                # 텐서 변환
    transforms.Normalize(mean=[0.485, 0.456, 0.406],  # ImageNet 평균
                         std=[0.229, 0.224, 0.225])   # ImageNet 표준편차
])
# ... trimmed ...

실습 단계

실습 단계는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 GPU 사용 가능 여부 확인, 데이터셋 다운로드 및 전처리, 데이터 전처리: 이미지 크기 조정, 데이터 증강, 텐서 변환, 정규화 흐름이 주석과 함께 드러납니다.

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
from torchvision.models import alexnet
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import time
import copy
import os

# GPU 사용 가능 여부 확인
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

# --- 1. 데이터셋 다운로드 및 전처리 ---
print("\n--- 1. CIFAR-10 데이터셋 다운로드 및 전처리 ---")

# 데이터 전처리: 이미지 크기 조정, 데이터 증강, 텐서 변환, 정규화
transform_train = transforms.Compose([
    transforms.Resize(224), # AlexNet 입력 크기에 맞춤 (ImageNet 학습 시 사용된 크기)
    transforms.RandomHorizontalFlip(), # 데이터 증강: 이미지를 무작위로 수평 뒤집기
    transforms.ToTensor(), # 이미지를 PyTorch 텐서로 변환
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)) # CIFAR-10 평균 및 표준편차로 정규화
])

transform_val = transforms.Compose([
# ... trimmed ...

Source Bundle

• Source path: 12_Deep_Learning/Code_Snippets/5-3_AlexNet - 공유.md
• Source formats: md
• Companion files: 5-3_AlexNet - 공유.md
• Note type: code-note
• Last updated in the source vault: 2026-03-08T03:33:14
• Related notes: 12_Deep_Learning_Code_Summary.md
• External references: pytorch.org, www.cs.toronto.edu, localhost, docs.pytorch.org, raw.githubusercontent.com

Note Preview

- 당시 GTX 580 3 GB 두 장으로만 훈련 가능해 모델 파라미터를 반씩 나눠 실행했다. 현대 GPU에는 10 GB 이상 메모리가 흔해 통합 구조가 더 단순·빠르다. PyTorch torchvision.models.alexnet은 저자가 단일 GPU용으로 다시 공개한 Caffe 모델을 그대로 옮긴 버전