PART 09 / CHAPTER 29

29 · NumPy에서 PyTorch 텐서로

지리 배열을 AI 입력 텐서로 바꾸고 채널·배치·NoData를 구분합니다.

학습 목표: 지리 배열을 AI 입력 텐서로 바꾸고 채널·배치·NoData를 구분합니다.

준비: 실행 환경 · 도구와 용어. 예제 자료는 별도 표시가 없는 한 합성 자료입니다.

개념

PyTorch는 텐서 연산과 신경망 학습을 위한 Python 라이브러리입니다. 텐서는 여러 축을 가진 수치 자료이며, NumPy 배열과 비슷하지만 자동 미분과 GPU 연산 등을 지원합니다. CNN의 일반적인 영상 입력은 N×C×H×W입니다. N은 묶음(batch), C는 채널, H/W는 행과 열입니다.

Rasterio가 읽은 (band,row,col) 배열에 batch 축을 추가하면 이 구조로 연결됩니다. 텐서 자체는 CRS와 transform을 기억하지 않으므로 위치 정보는 별도로 보존합니다.

왜 필요한가

RGB, 근적외선, DEM을 채널로 쌓으려면 위치와 해상도를 먼저 맞춰야 합니다. 같은 배열 모양만으로 같은 장소임을 보장하지 않습니다. 반사도와 고도는 단위가 달라 채널별 정규화도 필요합니다.

핵심 API

torch.from_numpy(), Tensor.unsqueeze(0), dtype=torch.float32, isfinite 등을 사용합니다. from_numpy는 메모리를 공유할 수 있습니다. 학습 자료에서 구한 평균·표준편차를 검증·시험 자료에도 동일하게 적용합니다.

최소 실행 예제

import numpy as np
import torch

bands = np.array([[[0.1,0.2],[0.3,0.4]],
                  [[0.5,0.6],[0.7,0.8]]], dtype="float32")
x = torch.from_numpy(bands.copy()).unsqueeze(0)
training_mean = torch.tensor([0.25,0.65]).view(1,2,1,1)
training_std = torch.tensor([0.1,0.1]).view(1,2,1,1)
normalized = (x - training_mean) / training_std
assert tuple(x.shape) == (1,2,2,2)
assert torch.isfinite(normalized).all()
print("N,C,H,W:", tuple(x.shape))
print(normalized)

조경·도시 실무 예제

두 채널 합성 예제입니다. 실제 입력에는 밴드 순서, 반사도 보정, DEM 단위, NoData 마스크와 타일별 지리참조를 함께 기록하세요. 예제 평균·표준편차는 설명을 위한 값이며 실제 학습자료 통계가 아닙니다.

시각화와 결과 읽기

채널마다 작은 회색조 그림을 나란히 놓고 마지막에 겹쳐 쌓이는 구조를 표현하면 입력의 의미가 보입니다.

흔한 오류

(H,W,C)를 그대로 Conv2d에 넣으면 채널이 틀립니다. uint16 DN을 변환·정규화 없이 넣지 않습니다. NoData를 0으로 바꿀 때 유효한 0과 구별할 마스크가 필요합니다.

연습문제

DEM 채널을 하나 더 추가해 shape을 (1,3,2,2)로 만들고 고도 단위를 적으세요.

전체 예제 내려받기 · 실행: python chapter29.py

다음 단계

30 · CNN과 convolution의 작동로 이어집니다.

출처

PyTorch tensor tutorial. 확인 2026-09-30.