TensorFlow Quest

Tracks

1. 01🌍TensorFlow는 왜, 어디에 어울리나

   0/7 lessons

   기원, ecosystem, 그리고 결정 트리

   TensorFlow가 어디서 왔고, 누구랑 경쟁하고, 2026년에도 production이라는 niche를 어떻게 지키고 있는지.

   Lesson list (7)

   • 01
     DistBelief에서 TensorFlow 2.21까지~12 min · history, tf2, eager
   • 02
     TF, PyTorch, JAX — 2026년에 각자가 사는 자리~12 min · frameworks, comparison, ecosystem
   • 03
     TensorFlow가 실제로 잘하는 다섯 가지~11 min · deployment, production, tflite, tf-serving
   • 04
     Eager / Graph / @tf.function 정신모델~14 min · eager, tf-function, graph, tracing
   • 05
     Ecosystem 지도 — TF에 또 뭐 사는지~10 min · ecosystem, keras-cv, keras-hub, tfx
   • 06
     TF 쓸지 말지 — 결정 트리~10 min · decision-making, tradeoffs
   • 07
     TF 2.21 설치 — CPU, NVIDIA GPU, Apple Silicon, Docker~12 min · install, gpu, cuda, metal

   ✓퀴즈 · 5 문제→

2. 02🧊Tensor — TensorFlow의 기본 데이터 구조

   0/7 lessons

   Shape, dtype, device, 그리고 가장 자주 만날 버그들

   모든 입력, 모든 weight, 모든 gradient가 tensor야. 이 track은 shape/dtype 버그를 보이게 만들어서 사라지게 해.

   Lesson list (7)

   • 01
     Tensor가 뭐야?~11 min · tensor, rank, shape, dtype
   • 02
     Tensor 만들기: constant, zeros, ones, random~12 min · create, init, random, constant
   • 03
     Tensor 속성: Shape, Dtype, Rank, Device~10 min · shape, dtype, device, introspection
   • 04
     Eager 실행과 NumPy 호환~10 min · eager, numpy, interop
   • 05
     Immutable Tensor vs Mutable Variable~11 min · variable, constant, trainable, gradient
   • 06
     Indexing, Slicing, Reshaping~12 min · indexing, slicing, reshape, expand-dims
   • 07
     흔한 shape 에러와 디버깅~13 min · debugging, shape-error, broadcasting

   ✓퀴즈 · 5 문제→

3. 03∇연산, 수학, 자동미분

   0/6 lessons

   원소별 연산, matmul, broadcasting, GradientTape — training의 엔진

   TF가 어떻게 gradient를 자동 계산하고, training loop 전체가 그 4단계 위에 어떻게 얹히는지.

   Lesson list (6)

   • 01
     원소별 연산과 reduction~11 min · ops, reduce, argmax
   • 02
     행렬곱과 Broadcasting~12 min · matmul, broadcasting, linear-algebra
   • 03
     GradientTape 기초 — 첫 gradient~13 min · autodiff, gradient-tape, backprop
   • 04
     Persistent tape와 higher-order gradient~11 min · gradient-tape, persistent, second-derivative
   • 05
     Linear regression 직접 구현 — 보편 loop~14 min · training-loop, gradient-descent, regression
   • 06
     Gradient clipping과 stop_gradient~11 min · clipping, stop-gradient, exploding-gradient, rl

   ✓퀴즈 · 5 문제→

4. 04🏗️tf.keras로 model 만들기

   0/6 lessons

   Sequential, Functional, Subclassing — 셋 다 손에

   Keras model API 셋, 각자 언제 맞는지, 그리고 어떤 것도 안 맞을 때 custom layer 직접 짜는 법.

   Lesson list (6)

   • 01
     Keras가 TF의 high-level API인 이유~9 min · keras, history, keras3
   • 02
     Sequential API — 선형 스택~11 min · sequential, dense, dropout
   • 03
     Functional API — DAG와 skip connection~14 min · functional, skip-connection, resnet, multi-io
   • 04
     Model Subclassing — 최대 유연성~13 min · subclassing, research, training-flag
   • 05
     필수 layer와 activation 함수~11 min · layers, activations, relu, gelu
   • 06
     Custom layer — 내장이 못 다룰 때~13 min · custom-layer, build, add-weight

   ✓퀴즈 · 5 문제→

5. 05🔄Training loop

   0/6 lessons

   compile()에서 fit()까지 GradientTape까지 — 그리고 callback이 협상 불가인 이유

   Optimizer, loss, metric, callback, 그리고 fit()이 충분히 유연하지 않을 때 custom training loop 짜는 법.

   Lesson list (6)

   • 01
     model.compile() — optimizer, loss, metric 연결~9 min · compile, optimizer, loss
   • 02
     Optimizer — Adam, SGD, AdamW, schedule~13 min · optimizer, adam, sgd, schedule
   • 03
     Loss와 metric — 올바른 선택~11 min · loss, metric, classification, regression
   • 04
     model.fit() — 직접 안 써도 되는 training loop~12 min · fit, history, validation
   • 05
     Callback — EarlyStopping, ModelCheckpoint, ReduceLROnPlateau~11 min · callbacks, early-stopping, checkpoint
   • 06
     GradientTape로 custom training loop~13 min · custom-loop, gradient-tape, metrics

   ✓퀴즈 · 5 문제→

6. 06📊tf.data로 데이터 pipeline

   0/6 lessons

   Lazy, 병렬, GPU 친화 — 그리고 절대 안 쓸 4가지 안티패턴

   GPU가 절대 놀지 않도록 model에 데이터 빠르게 먹이기. 순서, AUTOTUNE, caching, prefetching.

   Lesson list (6)

   • 01
     tf.data가 존재하는 이유~8 min · tf-data, pipeline, performance
   • 02
     Dataset 기초 — 만들기와 반복~11 min · dataset, from-tensor-slices, iteration
   • 03
     변환 chain — map, batch, shuffle, filter~13 min · map, batch, shuffle, filter
   • 04
     AUTOTUNE, Caching, Prefetching~11 min · autotune, cache, prefetch, performance
   • 05
     TFRecord와 Interleave — 대규모 pipeline~12 min · tfrecord, interleave, large-scale
   • 06
     실전 이미지 로딩 + 안티패턴~13 min · image-loading, antipatterns, debugging

   ✓퀴즈 · 4 문제→

7. 07👁️TensorFlow의 CNN

   0/6 lessons

   Convolution, pooling, augmentation, transfer learning, Grad-CAM

   Vision task용 convolutional 네트워크를 만들고, fine-tune하고, 해석하는 법.

   Lesson list (6)

   • 01
     Conv2D 해부 — filter, stride, padding~13 min · conv2d, filter, stride, padding
   • 02
     Pooling layer와 현대적 대안~10 min · pooling, max-pool, global-avg-pool
   • 03
     Data augmentation layer~11 min · augmentation, regularization
   • 04
     Transfer learning — feature extraction vs fine-tuning~14 min · transfer-learning, fine-tuning, pretrained
   • 05
     주요 CNN architecture~10 min · resnet, efficientnet, mobilenet, convnext
   • 06
     Grad-CAM — CNN이 보는 걸 보기~11 min · grad-cam, interpretability, visualization

   ✓퀴즈 · 4 문제→

8. 08📝Sequence, RNN, Attention

   0/6 lessons

   SimpleRNN에서 LSTM, Multi-Head Attention까지 — 어쩌다 여기 왔나

   순서 의존 데이터: 텍스트, 오디오, 시계열. 새 architecture마다 어떻게 이전 것의 통증을 풀었나.

   Lesson list (6)

   • 01
     Sequence가 특별 처리 필요한 이유~10 min · sequences, rnn, ordering
   • 02
     SimpleRNN, LSTM, GRU~14 min · rnn, lstm, gru
   • 03
     TextVectorization과 Embedding~12 min · text, tokenization, embedding
   • 04
     Attention과 MultiHeadAttention~14 min · attention, transformer, self-attention
   • 05
     왜 Transformer가 RNN을 대체했나~11 min · transformer, rnn, scaling
   • 06
     Sequence-to-sequence + cross attention~13 min · seq2seq, encoder-decoder, translation

   ✓퀴즈 · 5 문제→

9. 09💾저장, 불러오기, model 포맷

   0/5 lessons

   세 포맷, 각자 언제 쓰는지, 그리고 배포 전 검증법

   빠른 checkpoint부터 production-ready SavedModel까지 — 그리고 사고 막는 검증 단계.

   Lesson list (5)

   • 01
     model.save()와 load_model() — 세 포맷~10 min · save, load, keras-format
   • 02
     SavedModel 포맷 깊이 보기~11 min · savedmodel, deployment, signatures
   • 03
     Checkpoint — 중단된 training 재개~12 min · checkpoint, training, resume
   • 04
     ONNX export와 TF Hub~11 min · onnx, tf-hub, interop
   • 05
     실전: 저장, 불러오기, 검증~12 min · verification, deployment-prep

   ✓퀴즈 · 4 문제→

10. 10📱TFLite와 edge 배포

    0/5 lessons

    SavedModel에서 폰에 도는 3.5 MB int8 바이너리까지

    Mobile과 microcontroller 배포 위해 정확도 손실 없이 model을 4-10× 줄이는 법.

    Lesson list (5)

    • 01
      TFLite가 뭐야 — 그리고 왜 LiteRT로 바뀌고 있나~9 min · tflite, litert, edge, mobile
    • 02
      TFLiteConverter와 post-training quantization~13 min · converter, quantization, int8
    • 03
      Quantization-aware training과 pruning~12 min · qat, pruning, model-optimization
    • 04
      TFLite Interpreter와 하드웨어 delegate~11 min · interpreter, delegates, edge-tpu, core-ml
    • 05
      실전: 전체 TFLite 변환 pipeline~13 min · practical, mobilenet, deployment

    ✓퀴즈 · 4 문제→

11. 11🚀TF Serving과 production

    0/5 lessons

    SavedModel에서 확장 가능한 REST endpoint까지 — 그리고 TFX가 존재하는 이유

    Model을 production 서버 뒤에 두고, 버전 관리하고, 조용한 살인자 train/serve skew 막는 법.

    Lesson list (5)

    • 01
      TF Serving이 뭐야?~9 min · serving, production, rest, grpc
    • 02
      Docker 배포~11 min · docker, deployment, config
    • 03
      REST와 gRPC API~12 min · rest, grpc, api, client
    • 04
      TFX Pipeline 개요~11 min · tfx, mlops, pipelines
    • 05
      Vertex AI와 클라우드 배포~11 min · vertex-ai, cloud, managed

    ✓퀴즈 · 4 문제→

12. 12📈TensorBoard와 디버깅

    0/4 lessons

    Model이 training하는 거 보고, 병목 찾고, 체계적으로 디버그

    불투명한 training을 시각적 이야기로 바꾸는 시각화 스위트, 그리고 경험 많은 ML 엔지니어가 실제로 쓰는 체계적 디버깅 루틴.

    Lesson list (4)

    • 01
      TensorBoard 개요 — 8개 dashboard~10 min · tensorboard, visualization, monitoring
    • 02
      tf.summary API — 커스텀 로깅~11 min · tf-summary, scalars, images, histograms
    • 03
      HParams dashboard와 Profiler~12 min · hparams, profiler, performance
    • 04
      신경망 디버깅 전략~13 min · debugging, nan, overfit, underfit

    ✓퀴즈 · 4 문제→

13. 13⚡TPU와 분산 training

    0/4 lessons

    GPU 1대에서 TPU pod까지 — distribution strategy, mixed precision, 스케일링 레시피

    Google이 Gemini급 model 훈련하는 법 — 그리고 단일 Keras 스크립트를 가속기 fleet으로 확장하는 법.

    Lesson list (4)

    • 01
      TPU가 뭐야?~10 min · tpu, hardware, xla
    • 02
      tf.distribute strategies~13 min · mirrored, tpu-strategy, multi-worker
    • 03
      Mixed precision training~11 min · mixed-precision, fp16, bfloat16
    • 04
      MultiWorker, TF_CONFIG, 성능 레시피~12 min · multi-worker, tf-config, scaling-recipes

    ✓퀴즈 · 4 문제→

14. 14🌐TF Ecosystem과 다음

    0/5 lessons

    TFP, TF-DF, TFRS, TF-Agents, TFF, KerasHub — 그리고 필드가 어디로 가는지

    Core TF가 못 하는 걸 고치는 전문 라이브러리들, 그리고 Keras 3와 StableHLO 통한 TF/JAX/PyTorch 간 수렴.

    Lesson list (5)

    • 01
      TF Probability와 TF Decision Forests~11 min · tfp, tf-df, tabular, uncertainty
    • 02
      TF Recommenders, TF Agents, TF Federated~12 min · tfrs, tf-agents, tff, specialized
    • 03
      KerasCV, KerasHub, Keras 3의 수렴~13 min · keras-cv, keras-hub, keras3, multi-backend
    • 04
      TF와 JAX — Google의 두 framework~11 min · jax, convergence, stablehlo
    • 05
      다음 어디로 — 커리어와 학습 경로~9 min · career, learning, next-steps

    ✓퀴즈 · 5 문제→