PyTorch를 활용한 신경망 모델 정의

PyTorch에서 신경망을 정의하는 방법을 정리한다.
모델을 생성할 때는 nn.Module을 상속받아 필요한 레이어를 정의하고, forward() 메서드에서 연산을 수행하도록 구성한다.

---

1. 신경망 모델 정의 (nn.Module 사용)

import torch
import torch.nn as nn

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(7, 32)  # 입력 차원 7 → 은닉층 32
        self.fc2 = nn.Linear(32, 1)  # 은닉층 32 → 출력층 1
        self.relu = nn.ReLU()
        self.sigmoid = nn.Sigmoid()  # Binary Classification을 위한 활성화 함수

    def forward(self, x):
        x = self.relu(self.fc1(x))  # 첫 번째 완전연결층 + ReLU 활성화
        x = self.sigmoid(self.fc2(x))  # 두 번째 완전연결층 + Sigmoid 활성화
        return x

1.1 __init__() 메서드에서 신경망 정의

• self.fc1 = nn.Linear(7, 32) → 입력 차원 7을 32로 변환하는 완전연결층
• self.fc2 = nn.Linear(32, 1) → 은닉층에서 1개의 출력 노드로 변환
• self.relu = nn.ReLU() → 은닉층 활성화 함수로 ReLU 사용
• self.sigmoid = nn.Sigmoid() → 출력층 활성화 함수로 Sigmoid 사용

nn.Linear(input_dim, output_dim) 형태로 레이어를 정의하며, 활성화 함수는 따로 지정하여 사용한다.

---

1.2 forward() 메서드에서 순전파(Forward) 연산

def forward(self, x):
    x = self.relu(self.fc1(x))  # 첫 번째 완전연결층 + ReLU 활성화
    x = self.sigmoid(self.fc2(x))  # 두 번째 완전연결층 + Sigmoid 활성화
    return x

• 첫 번째 완전연결층(fc1)을 거친 후 ReLU 활성화
• 두 번째 완전연결층(fc2)을 거친 후 Sigmoid 활성화하여 확률값 출력

PyTorch에서는 model(data)를 호출하면 내부적으로 forward() 메서드가 자동으로 실행된다.

---

2. 모델 인스턴스 생성 및 GPU로 이동

모델을 생성한 후, GPU가 사용 가능한 경우 to(device)를 사용하여 모델을 GPU로 이동할 수 있다.

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

이제 모델을 device(CPU 또는 GPU)에 맞게 할당하여 학습을 진행할 수 있다.

---

3. model(data)가 forward()를 호출하는 원리

PyTorch에서는 model(data)를 호출하면 자동으로 forward()가 실행된다.

outputs = model(data)

내부적으로 __call__() 메서드가 실행되면서 forward()가 호출된다.

# PyTorch 내부 동작 방식
output = model.__call__(data)  # 내부적으로 __call__() 실행
output = model.forward(data)   # __call__() 안에서 forward() 실행

즉, 사용자는 forward()를 직접 호출할 필요 없이 model(data)만 호출하면 된다.