전체 3권으로 이뤄지는 "C++과 CUDA C로 구현하는 딥러닝 신경망" 시리즈의 두 번째 책이다. 인코더와 디코더 구조를 기반으로 하면서 입력 정보를 다시 복원하는 구조의 오토인코더는 GAN 모델의 발전으로 인해 점차 그 활용도와 중요성이 커지고 있다. 1권에서 다뤘던 내용을 다시 언급하므로 1권의 내용을 충분히 숙지해주길 바란다.

먼저 기본적인 신호 처리 수준에서의 몰렛 웨이블릿 개념과 이를 이미지 처리로 확장했을 때의 푸리에 변환 개념 등을 살펴본다. 그다음 복소수 정의역에서의 오토인코딩 개념을 설명한다. 그리고 이러한 내용들을 복소수 영역에서의 신경망으로 확장해 활성화 함수와 그레디언트, SoftMax 레이어 등을 계산하는 과정으로 나눠 상세하게 살펴본다. 처음엔 단일 스레드 기반의 구현 방법부터 시작해서 마지막엔 멀티스레드 기반의 구현 방법으로 확장시킨다.

장. 소개


2장. 내장된 클래스 레이블

__내장된 레이블들을 학습하는 코드
__케이스 분류
__클래스 조건적인 생성적 샘플링


3장. 신호 전처리

__최소 변환
____생성적 샘플들의 차이값 출력
__함수의 경로
__이동 윈도우에서의 푸리에 계수
__몰렛 웨이블릿
____주기, 너비, 지연(Lag)
____몰렛 웨이블릿 구현 코드


4장. 이미지 전처리

__2차원 공간에서의 푸리에 변환
____2차원 공간에서의 데이터 윈도우
____이미지의 푸리에 변환 구현 코드
____푸리에 변환의 생성적 샘플 출력


5장. 오토인코딩

__피드포워드 신경망에 대한 기본적인 수학 개념
__오토인코더를 통한 탐욕적 훈련
__복소수 개수에 대한 리뷰
____복소수 정의역에서의 고속 내적 연산
____복소수 정의역에서의 고유 값 분해
__복소수 정의역의 활성화
____활성화 함수의 도함수
____로지스틱 활성화 함수와 도함수
__그레디언트 계산
____순수 실수 및 SoftMax 출력 오차
____은닉층 가중치의 그레디언트
__그레디언트 계산 구현 코드
____전체 신경망과 도함수 계산
____그레디언트 계산
__멀티스레드 기반의 그레디언트 계산
__CUDA 그레디언트 계산
____전체 알고리즘
____디바이스 초기화
____호스트에서 디바이스로 가중치 복사
____활성화와 활성화 도함수
____출력 활성화
____SoftMax 출력 변환
____출력 델타
____SoftMax 출력의 델타
____출력 그레디언트
____첫 번째 은닉층의 그레디언트
____중간 은닉층의 그레디언트
____평균 제곱 오차
____분류 작업에서 평가 기준으로 사용하는 로그 발생 가능 확률
____분석


6장. DEEP 사용 매뉴얼

__메뉴 옵션
____파일 메뉴 옵션
____테스트 메뉴 옵션
____화면 출력 메뉴 옵션
__데이터베이스 읽어들이기
__시계열 데이터 읽어들이기(기본)
__시계열 데이터 읽어들이기(경로)
__시계열 데이터 읽어들이기(푸리에)
__시계열 데이터 읽어들이기(Morlet)
__MNIST 이미지 읽어들이기
__MNIST 이미지 읽어들이기(푸리에)
__MNIST 레이블 읽어들이기
__활성화된 파일에 쓰기
__모든 데이터 삭제
__모델 아키텍처
__데이터베이스 입력과 목표치
__RBM 훈련 파라미터
__감독 훈련된 훈련 파라미터
__오토인코딩 훈련 파라미터
__훈련
__테스트
__교차 검증
__분석
__수용 영역
__생성적 샘플
____내장된 모델에서 추출한 샘플
____경로 시계열 데이터로에서 추출한 샘플
__DEEP.LOG 파일
____예측 성능 측정