튜토리얼 환경 준비: 파이썬 환경 설정

• 1. 실행환경 설정
  • 1.1 파이썬 설치
  • 1.2 가상환경 설정
• 2. Google Colaboratory(Colab)
  • 2.1 가상환경 직접 구축 시의 문제점
  • 2.2 Colab의 특징
  • 2.3 Colab 사용하기
• 3. 외부 라이브러리 및 테스트 도구 설치
  • 3.1 외부 라이브러리

참고자료

• 파이썬 개요

1. 실행환경 설정

1.1 파이썬 설치

• 설치파일 다운로드
  • Python 공식사이트에서 각 OS에 맞는 설치파일 다운로드
  • https://www.python.org/downloads/
  
  

• 설치파일 실행(windows 기준)

  
  • 최신 버전의 Windows의 경우
    • ‘Windows Terminal’ / ‘PowerShell’ / ‘명령 프롬프트’에서 python 실행
    
    • 파이썬 버전을 선택하려면
    

1.2 가상환경 설정

• 가상환경을 사용하는 이유

• 파이썬 프로젝트는..
  • 프로젝트의 특징에 따른 다양한 환경을 가짐
  • 각 프로젝트마다 다른 버전의 파이썬과 모듈을 사용하는 경우가 많음
  • 그러나 오픈소스 프로젝트의 특징에 의해 각 라이브러리, 모듈, 버전에 따라 개발자 및 개발 정책이 상이한 경우가 많음
  • 이 때문에 많은 파이썬 라이브러리 및 모듈은 버전별 호환성 문제가 존재함
  
  • 이러한 이유로 파이썬 프로젝트는 가상환경에서의 개발을 권장함

• 파이썬 가상환경 직접 구축하기

  • 가상환경을 지원하는 도구
    • VirtualEnv: 구버전의 파이썬에서부터 많이 사용되어 온 도구
    • Venv: 파이썬 3.4 부터 기본적으로 포함된 도구 (권장)
    • Anaconda: 최근 가장 인기있는 파이썬의 배포 패키지

  • 가상환경 설정하기 (Windows 기준)

    1. 작업용 폴더(디렉토리) 생성

       • 작업용 폴더(디렉토리)의 생성은 필수사항이 아닌 권장사항임
       • mkdir 명령을 통해 작업용 폴더(디렉토리)를 생성함 (mkdir: make directory)
         • 윈도우 탐색기에서 생성해도 무방함

         • 생성한 폴더 안에서 작업을 진행함 (권장사항)

           

    2. 가상환경 설정

       • python -m venv [생성하고자 하는 가상환경의 이름]

         

    3. 가상환경 활성화

       • .\Script\activate 명령으로 가상환경 활성화

         • 프롬프트의 앞에 (가상환경이름)이 표시되면 활성화 성공임

           
       • Linux/Mac의 경우 : $ source ./bin/activate 명령으로 활성화
         • 해당 가상환경의 폴더에 들어와 있는 경우에는 source ./bin/activate를 사용하고
         • 그렇지 않은 경우에는 source 가상환경이름/bin/activate를 사용함
       • 가상환경 활성화 오류 발생 시 해결 방안

         • Windows 환경에서 PowerShell을 사용하는 경우 다음과 같은 오류가 자주 발생함

           
           • 대부분의 경우 권한부족으로 인한 문제임

           • PowerShell을 관리자 권한으로 실행한 후

             
           • Set-ExecutionPolicy RemoteSigned 명령 실행

             • 변경 여부 확인에서 Y (또는 A) 선택

               

• 가상환경 구축 명령어 정리

  

  • Linux / MAC의 경우

      cd workspace
      python -m venv myenv
      cd fab
      source ./bin/activate
    
      pip install numpy pandas matplotlib jupyter
      jupyter notebook
    
      deactivate
    

  • Windows의 경우

      cd workspace
      python -m venv myenv
      cd fab
      ./Scripts/activate
    
      pip install numpy pandas matplotlib jupyter
      jupyter notebook
    
      deactivate
    

• 가상환경의 이름을 ‘프로젝트 명’으로 할 것인가, ‘venv’ 등의 통일된 이름으로 할 것인가는 개발자/팀의 정책에 따를 것
  • ‘프로젝트 명’으로 하는 경우
    • 다양한 프로젝트를 수행하는 경우에 프로젝트 별로 인식하기 편리함
    • 생성되는 폴더 명이 프로젝트 명이 되고 그 안에 모든 파일들이 설치됨
    • 프로젝트의 환경 파일들이 포함된 각 폴더들이 앞으로 작성할 소스코드와 같은 위치에 있게 됨
    • 파일이 아니라 폴더이므로 파일끼리 섞이거나 할 위험이 있는 것은 아님
  • ‘venv’로 하는 경우
    • 프로젝트 폴더를 별도의 이름으로 만든 후, 프로젝트 폴더 내부에서 ‘venv’로 가상환경을 만듦
    • 프로젝트 폴더 자체가 별도로 만들어졌기 때문에 모든 프로젝트 환경에서 동일한 설정을 사용할 수 있음
    • 앞으로 작성할 소스코드 외에는 ‘venv’ 폴더 안에 필요한 모든 파일들이 설치됨
    • 다만 폴더의 레벨이 한 단계 더 깊어짐

2. Google Colaboratory(Colab)

2.1 가상환경 직접 구축 시의 문제점

• 일반 프로젝트의 경우
  • 혼자 작업할 때
    • 그다지 문제는 없음
  • 여러 팀원이 협업할 때
    • 각자의 시스템 사양이 다른 경우 개발 환경이 차이가 날 수 있음
    • 동일한 가상환경을 구축한다면 문제가 없어야 하지만 실제로는 가끔 문제가 발생함
      • 예: 동일한 가상환경이지만 CPU/RAM 등의 차이에 의한 결과물의 성능 차이 발생. 특히 동기화 등의 작업 시 발생 가능성이 높아짐
• 학습/교육의 경우
  • 학습자의 환경이 서로 다를 경우, 예제 코드의 작동 여부 및 결과가 다르게 나타날 가능성이있음
• 데이터 분석 / AI 관련 프로젝트의 경우
  • 가장 큰 문제는 비용
  • 딥러닝용(또는 데이터 분석용) PC/서버를 직접 구성하려면 대규모의 GPU가 필요함
    • NVIDIA H199 80GB(고급사양) 가격: 약 4,565만원(2025년 3월 기준)
    • NVIDIA RTX 5090(개인용) 가격: 약 705만원(2025년 3월 기준)
    • NVIDIA RTX 4090 Ti 24G(개인용) 가격: 약 475만원(2025년 3월 기준)

    → 이러한 이유로 Google에서 제공하는 Colab 활용 권장

2.2 Colab의 특징

• Colab의 지원 환경
  • 파이썬 / R 지원
  • Jupyter Notebook과 유사한 클라우드 기반 개발 환경 제공
  • 브라우저 기반의 개발환경 제공 → 스마트폰에서도 사용 가능
  • GPU / TPU 지원
• Colab과 다른 유사 서비스와의 차별성
  • 유사한 다른 서비스의 경우: 1일 무료 사용량을 초과하면 자동으로 과금됨
  • Colab의 경우: 1일 무료 사용량을 초과하면 당일의 GPU 사용이 제한될 뿐 과금되지 않음

2.3 Colab 사용하기

• Gmail 계정 생성(무료)
  • 타 메일 계정을 사용해도 괜찮지만 서비스 활용 시 제한이 있을 경우가 있음
• Google Drive(G-Drive) 확인
  • Colab 서비스는 무료인 대신 12시간이 지나면 메모리에서 작업내용이 삭제됨
  • 작업 내용, 데이터 파일 등을 Google Drive와 연동하여 사용함으로써 해결 가능
  • 무료 용량: 최대 15GB
• Colab 환경 설정

  • G-Drive 화면에서 마우스 우클릭 메뉴에서 Colaboratory 선택

    
  • Colaboratory 메뉴가 보이지 않는 경우

    1. https://colab.research.google.com 접속

    2. 우측 하단 “새 노트“ 선택하여 Note 생성

       

    3. 원하는 파일명 지정 후 작업 시작

       

       • 작업 내용은 자동 저장되며, 파일 메뉴에서 직접 저장도 가능

         

    4. 저장 후 자동으로 생성된 Colab Notebooks 폴더로 돌아가서 작업 파일 저장 확인 가능

       
       

  • 작업 진행

    

3. 외부 라이브러리 및 테스트 도구 설치

• 사용 교재: 인공지능 소프트웨어 품질 보증을 위한 테스트 기법 (제이펍)
  • 단점: 구 버전의 Tensorflow 등을 사용하고 있으므로 현재 시점에서 실무에 구현할 때에는 부적절한 부분이 있을 수 있음
  • 수정 및 검증이 가능한 범위에서 수정하여 진행함(버전, 코드, 활용 등)

3.1 외부 라이브러리

• TensorFlow
  • Google에서 개발한 오픈소스 머신러닝 플랫폼
  • 딥러닝 모델을 포함한 다양한 인공지능 모델의 구축, 학습, 배포에 사용됨
  • 복잡한 계산 과정을 데이터 흐름 그래프(data flow graph)로 표현하여 효율적인 연산을 지원함
  • 서버, 엣지 디바이스, 브라우저 등 다양한 환경에 모델을 배포할 수 있는 강력한 기능을 제공함
  • 교재에서는 1.12.3 버전을 사용하고 있음
  • 설치 명령: pip install tensorflow==1.12.3
• Keras
  • 딥러닝 모델 구축을 간편하게 해주는 고수준 API
  • 특히 TensorFlow의 상위 계층 라이브러리로 많이 사용
  • 직관적인 코드로 빠르게 모델을 개발할 수 있도록 지원함
  • 복잡한 딥러닝 모델을 쉽게 만들 수 있는 장점을 가짐
  • 단, 매우 복잡한 프로젝트에서는 직접적인 백엔드 프레임워크(예: TensorFlow)를 다루는 것이 더 유연할 수 있음
  • 교재에서는 2.2.5 버전을 사용하고 있음
  • 설치 명령: pip install keras==2.2.5
• NumPy
  • 파이썬에서 다차원 배열(ndarray) 객체를 효과적으로 처리하고, 고성능 수치 계산을 가능하게 하는 핵심 라이브러리
  • 대규모 행렬 및 벡터 연산에 최적화되어 있음
  • 머신러닝 모델의 학습 과정에서 발생하는 수많은 수치 계산의 기반이 됨
  • 교재에서는 1.16.6 버전을 사용하고 있음
  • 설치 명령: pip install numpy==1.16.6
• Pandas
  • 데이터 분석 및 조작을 위한 강력한 라이브러리
  • ‘DataFrame’이라는 테이블 형태의 자료 구조를 중심으로 데이터의 읽기, 정리, 필터링, 통계분석 등을 효율적으로 수행하기 위하여 사용됨
  • 데이터 전처리 단계에서 필수적이며, AI 모델에 입력할 데이터를 가공하는 데 매우 유용합니다.
  • 교재에서는 1.1.2 버전을 사용하고 있음
  • 설치 명령: pip install pandas==1.1.2
• Matplotlib
  • 파이썬에서 데이터를 시각화하기 위해 가장 널리 사용되는 라이브러리
  • 간단한 선 그래프부터 복잡한 3D 플롯까지 다양한 형태의 그래프를 생성
  • 데이터의 패턴, 추세, 이상치 등의 시각적 분석과 모델의 성능 평가를 지원함
  • 교재에서는 3.3.2 버전을 사용하고 있음
  • 설치 명령: pip install matplotlib==3.3.2
• Scikit-learn
  • 머신러닝에 필요한 다양한 알고리즘과 유틸리티를 제공하는 범용 라이브러리
  • 회귀, 분류, 군집화 등의 주요 머신러닝 작업을 위한 표준 도구들을 포함
  • AI 모델의 정밀도, 재현율, F1-스코어 등 성능 지표 계산에도 활용
  • 다양한 머신러닝 기법을 쉽게 적용하고 평가할 수 있게 지원함
  • 교재에서는 0.23.2 버전을 사용하고 있음
  • 설치 명령: pip install scikit-learn==0.23.2
• XGBoost
  • ‘eXtreme Gradient Boosting’ 알고리즘을 구현한 라이브러리
  • 분류와 회귀 문제에서 뛰어난 성능을 보이는 트리 기반 앙상블 모델을 정의하고 학습하는 데 사용
  • 캐글(Kaggle)과 같은 데이터 과학 경연에서 자주 우승을 차지할 만큼 강력한 성능을 자랑함
  • 교재에서는 1.2.0 버전을 사용하고 있음
  • 설치 명령: pip install xgboost==1.2.0
• Z3-solver
  • ‘SMT(Satisfiability Modulo Theories) Solver’ 도구 중 하나
  • 논리식의 만족성(satisfiability)을 평가하는 데 사용됨
  • 소프트웨어 검증, 형식 추론, 최적화 문제 등 복잡한 논리 기반 문제 해결에 활용됨
  • 교재에서는 4.8.6 버전을 사용하고 있음
  • 설치 명령: pip install z3-solver==4.8.6
• Numba
  • 파이썬 코드를 CPU나 GPU에서 실행될 수 있는 고성능 기계어 코드로 변환하여 실행 속도를 고속화하기 위한 Just-In-Time(JIT) 컴파일러 라이브러리
  • 특히 반복문이나 수치 연산이 많은 파이썬 코드를 최적화하는 데 효과적
  • 교재에서는 0.51.2 버전을 사용하고 있음
  • 설치 명령: pip install numba==0.51.2
• MMdnn
  • 다양한 딥러닝 프레임워크(예: TensorFlow, PyTorch, Keras)로 만들어진 모델의 형식을 서로 변환하거나 배포하기 위한 라이브러리
  • ‘Model Migration and Deployment for Deep Neural Network’의 약자
  • 서로 다른 프레임워크 간의 모델 호환성을 높여줌
  • 교재에서는 0.3.1 버전을 사용하고 있음
  • 설치 명령: pip install mmdnn==0.3.1
• H5py
  • HDF5(Hierarchical Data Format) 형식의 파일을 다루기 위한 파이썬 인터페이스 라이브러리
  • AI 모델의 가중치, 학습 데이터, 모델 구조 등 대용량 데이터를 파일에 저장하거나 읽어들이는 데 주로 사용
  • 효율적인 데이터 관리를 가능하게 함
  • 교재에서는 2.8.0 버전을 사용하고 있음
  • 설치 명령: pip install h5py==2.8.0

• 일괄설치 명령
  
  • pip install tensorflow==1.12.3 keras==2.2.5 numpy==1.16.6 pandas==1.1.2 matplotlib==3.3.2 scikit-learn==0.23.2 xgboost==1.2.0 z3-solver==4.8.6 numba==0.51.2 mmdnn==0.3.1 h5py==2.8.0