Python, Virtualenv, OpenCV, PyCharm 설치( 1 )

Python을 설치하고 딥러닝을 공부하기 전에 이런 의문이 들었다.

왜 딥러닝에 Python을 많이 쓸까?

 

딥러닝/머신러닝 개발에 가장 많이 사용하는 언어는 Python, 1위다.

Python의 라이브러리는 다른 언어에서는 따로 올 수 없는 부분이라고 한다. NumPy는 텐서 연산에서 사실상 표준 API 역할을 한다. Python은 데이터 과학 분야를 위한 표준 프로그래밍 언어가 되어 가고 있다. 판다스(Pandas)는 R의 강력하고 유연한 데이터프레임을 파이썬으로 가져온다. 자연어 처리(NLP)에서는 이름도 유명한 NLTK와 빠른 속도가 장점인 스페이시(SpaCy)가 있다. 머신러닝 쪽에는 역전의 사이킷-런(Scikit-learn)이 있다. 딥 러닝이라면 현재의 모든 라이브러리(텐서플로우(TensorFlow), 파이토치(PyTorch), 체이너(Chainer), 아파치 MXNet(Apache MXNet), 테아노(Theano) 등)가 사실상 파이썬을 가장 우선시하는 프로젝트다.

파이선은 AI 연구의 최전방에 선 언어다. 대부분의 머신러닝과 딥 러닝 프레임워크는 파이썬용으로 만들어지며, AI 분야에서 일하는 거의 모든 사람들이 파이썬을 이야기한다. 하루에 적어도 한 번은 공백 문제 때문에 욕이 나오게 하는 언어임에도 바로 이러한 이유로 AI 프로그래밍 언어 중 1위로 꼽힌다.

 

 

Java, JVM 언어군(자바, 스칼라, 코틀린, 클로저 등) 역시 AI 애플리케이션 개발을 위한 좋은 선택이다. 자연어 처리(CoreNLP), 텐서 연산(ND4J) 또는 GPU 가속 딥 러닝 스택(DL4J) 등, 파이프라인의 모든 부분에서 풍부한 라이브러리를 사용할 수 있다. 또한 아파치 스파크, 아파치 하둡과 같은 빅 데이터 플랫폼에 대한 접근성도 우수하다.

 

C/C++, AI 애플리케이션을 개발할 때 가장 먼저 떠오르는 언어는 아니란다. 사실 실망이다. 하지만 임베디드 환경을 다루고 자바 가상 머신이나 파이썬 인터프리터의 오버헤드를 감당할 수 없다면 C/C++가 해답이 된다. 시스템에서 마지막 한 방울까지 성능을 짜내야 하는 상황에서는 내키지 않더라도 포인터의 세계로 다시 돌아갈 수밖에 없다. 

C/C++ 코딩은 여러 가지 접근 방법 중에서 선택이 가능하다. 바닥까지 뛰어들어 CUDA와 같은 라이브러리를 사용해서 GPU에서 바로 실행되는 자체 코드를 작성할 수 있고, 텐서플로우 또는 카페(Caffe)를 사용해서 유연한 고수준 API에 접근하는 방법을 사용할 수도 있다. 후자의 경우 데이터 과학자가 파이썬으로 만든 모델을 가져온 다음 C/C++의 장점인 속도를 십분 발휘해 프로덕션에서 실행하는 것도 가능하다. 임베디드에서는 OpenCV의 YOLO가 있다.

자바스크립트, 구글은 최근 웹 브라우저에서 머신러닝 모델의 학습 및 실행이 가능한 WebGL 가속 라이브러리인 TensorFlow.js를 출시했다. 여기에는 케라스(Keras) API, 그리고 정규 텐서플로우에서 학습된 모델을 로드하고 사용할 수 있는 기능도 포함된다. 이는 AI 영역으로 개발자들을 대대적으로 끌어들일 가능성이 높다. 현재 자바스크립트에서 이용할 수 있는 머신러닝 라이브러리는 다른 언어만큼 풍족하지는 않지만, 개발자들이 리액트(React) 구성 요소 또는 CSS 속성을 추가하는 것만큼 아무렇지도 않게 웹 페이지에 신경망을 추가하게 되는 날이 곧 온다. 생각만 해도 기대와 두려움이 동시에 느껴진다.

TensorFlow.js는 초기 단계다. 현재 브라우저에서 작동하지만 Node.js에서는 안 된다. 전체 텐서플로우 API 구현도 아직 되지 않는다. 그러나 필자는 2018년 말까지 이 두 가지 문제가 모두 해결되고, 그 직후 자바스크립트의 AI 침공이 뒤따를 것으로 예상한다.

 

R, ? R은 잘 모르겠다. 사실 관심밖이다. ㅎㅎㅎ

 

이렇게 까지가 상위 5개의 언어이고 Python을 가장 많이 쓰는 이유는 풍부한 lib와 배우기 쉽기 때문이란다.