wb2x 님의 블로그

머신러닝 또는 딥러닝을 처음으로 배울 때, 특히 프로젝트를 진행하면서 어떤 파이썬 버전을 사용해야 할지에 대해 상당한 혼란이 있는 것 같습니다. 제 생각에는 저를 포함한 많은 초보자들이 이에 대해 잘 모르고 있을 것 같습니다. 저는 이제 1년 정도 머신러닝을 배웠는데, 그 수많은 강의를 보면서 아무도 저에게 어떤 파이썬 버전을 사용해야 하고 그 이유에 대해 알려준 적이 없습니다. 파이썬 3.9 버전을 사용한 것을 많이 보았는데, 녹화된 강의라면 강의가 오래되어서 그런 것인지에 대한 궁금증이 있을 것 같습니다.

머신러닝과 딥러닝 프레임워크, Django/Flask 같은 웹개발 프레임워크, 또는 회사에서 근무할 때 적합한 파이썬 버전은 각각 다릅니다. 언제 어떤 파이썬 버전을 사용해야 하는지, 그리고 가상환경과 운용체제에 맞는 파이썬 설정 방법까지 알아보겠습니다.

목차

1. 소개
2. 현재 권장 버전 요약 (2024-2025 기준)
3. 버전별 상세 분석
4. 용도별 권장 버전
5. 파이썬 설치 및 환경 설정 가이드
6. 가상환경 설정 및 관리
7. 버전 마이그레이션 가이드
8. 결론 및 요약

1. 소개

머신러닝이나 딥러닝을 시작할 때 가장 기본적인 질문 중 하나는 "어떤 파이썬 버전을 사용해야 하는가?"입니다. 이 글에서는 2024-2025년 기준으로 각 용도에 맞는 최적의 파이썬 버전을 알아보고, 그 이유와 설치 방법까지 상세히 안내해 드리겠습니다.

2. Python 버전 권장사항 (2024-2025 기준)

🎯 현재 권장 버전: Python 3.10 또는 3.11

최우선 추천: Python 3.10.x

# 권장 설치 버전
Python 3.10.11 (최신 패치 버전)

이유:

• ✅ 안정성과 호환성의 최적 균형점
• ✅ 대부분의 라이브러리와 완벽 호환
• ✅ 성능 개선사항 포함
• ✅ 장기 지원 (2026년 10월까지)

3. 버전별 상세 분석

Python 3.11.x (차선책)

Python 3.11.7 (최신 패치 버전)

장점:

• 🚀 10-60% 성능 향상 (3.10 대비)
• 🔧 향상된 에러 메시지
• 📝 새로운 문법 기능들

단점:

• ⚠️ 일부 라이브러리 호환성 이슈 가능
• 🔄 아직 완전히 안정화되지 않은 패키지들 존재

Python 3.9.x (보수적 선택)

Python 3.9.18

적합한 경우:

• 🏢 기업 환경에서 안정성 최우선
• 📚 레거시 코드 유지보수
• 🔒 검증된 환경 필요

⚠️ 피해야 할 버전들

Python 3.12.x (아직 이른 시기)

❌ 현재 권장하지 않음

이유:

• 🚧 많은 라이브러리가 아직 미지원
• 🔄 호환성 이슈 빈발
• 🧪 아직 실험적 단계

Python 3.8.x (지원 종료)

❌ 이미 지원 종료됨

Python 3.7 이하

❌ 이미 지원 종료됨

4. 용도별 권장사항

딥러닝/머신러닝

추천: Python 3.10.x

이유:

• PyTorch, TensorFlow 완벽 지원
• CUDA 라이브러리 호환성 우수
• Jupyter 환경 안정성

# 주요 라이브러리 호환성 확인
import sys
print(f"Python 버전: {sys.version}")

# 권장 조합
# Python 3.10 + PyTorch 2.1+ + CUDA 11.8/12.1

웹 개발

추천: Python 3.11.x (Django/FastAPI)
추천: Python 3.10.x (Flask)

데이터 사이언스

추천: Python 3.10.x

이유:

• Pandas, NumPy, Matplotlib 완벽 지원
• Anaconda 배포판 기본 버전

기업/프로덕션 환경

추천: Python 3.10.x
보수적: Python 3.9.x

5. 파이썬 설치 및 환경 설정 가이드

공식 Python 설치

https://www.python.org/downloads/

# Windows/macOS
https://www.python.org/downloads/

# 권장: Python 3.10.11 다운로드

6. 가상환경 설정 및 관리

pyenv 사용 (권장)

파이썬에서 기본 내장된 venv를 사용할 수도 있거나 virtualenv를 사용할 수도 있는데 최근에 더 좋은 가상환경 관리 도구를 찾았습니다. pyenv는 여러 파이썬 버전을 시스템에 쉽게 설치하고 전환할 수 있게 해주는 도구입니다. 프로젝트마다 다른 파이썬 버전이 필요할 때 충돌 없이 관리할 수 있으며, 사용자 권한으로도 설치가 가능해 시스템 파이썬을 건드리지 않아도 됩니다.

# 설치
curl https://pyenv.run | bash

# 사용 가능한 버전 확인
pyenv install --list | grep 3.10

# Python 3.10 설치
pyenv install 3.10.11

# 전역 버전 설정
pyenv global 3.10.11

# 프로젝트별 버전 설정
pyenv local 3.10.11

Anaconda/Miniconda

https://www.anaconda.com/download

Anaconda의 기본 설치는 데이터 사이언스 작업을 위한 많은 라이브러리를 포함하고 있습니다. 기본 설치만으로도 NumPy, pandas, matplotlib, scikit-learn, Jupyter Notebook과 같은 주요 데이터 사이언스 라이브러리가 모두 포함됩니다.

Anaconda는 처음부터 데이터 과학자와 분석가를 위해 설계되었기 때문에, 별도의 설치 과정 없이 바로 데이터 분석, 시각화, 머신러닝 작업을 시작할 수 있습니다. 이것이 Anaconda의 가장 큰 장점 중 하나로, 초보자들이 환경 설정에 시간을 낭비하지 않고 바로 데이터 사이언스 학습을 시작할 수 있게 해줍니다. (참고: 저장공간 약 +3 GB 필요)

다만, TensorFlow나 PyTorch와 같은 딥러닝 프레임워크는 기본 설치에 포함되어 있지 않으므로, 이러한 라이브러리는 필요할 경우 별도로 설치해야 합니다.

Conda로 가상환경 만들기

# 환경 생성 시 버전 지정
conda create -n myenv python=3.10

# 기존 환경 업데이트
conda install python=3.10

버전 확인 및 관리 도구

import sys
import platform

print(f"Python 버전: {sys.version}")
print(f"Python 버전 정보: {sys.version_info}")
print(f"플랫폼: {platform.platform()}")
print(f"아키텍처: {platform.architecture()}")

# 간단한 확인
print(f"Python {sys.version_info.major}.{sys.version_info.minor}.{sys.version_info.micro}")

가상환경별 버전 관리

# conda 환경 목록
conda env list

# pyenv 버전 목록
pyenv versions

# 현재 활성 버전
python --version
which python

프로젝트별 버전 고정

# .python-version 파일 생성 (pyenv)
echo "3.10.11" > .python-version

# runtime.txt (Heroku 등)
echo "python-3.10.11" > runtime.txt

# pyproject.toml
[tool.poetry.dependencies]
python = "^3.10"

7. 버전 마이그레이션 가이드

3.9 → 3.10 업그레이드

# 1. 새 환경 생성
conda create -n py310 python=3.10

# 2. 패키지 목록 백업
pip freeze > requirements.txt

# 3. 새 환경에서 설치
conda activate py310
pip install -r requirements.txt

# 4. 테스트 실행
python -m pytest

3.10 → 3.11 업그레이드

# 1. 호환성 사전 확인
pip list | grep -E "(torch|tensorflow|numpy|pandas)"

# 2. 새 환경 생성
conda create -n py311 python=3.11

# 3. 패키지 목록 백업
pip freeze > requirements.txt

# 4. 새 환경에서 설치
conda activate py311
pip install -r requirements.txt

# 5. 테스트 실행
python -m pytest

주요 변경사항 확인

# Python 3.10 → 3.11 변경사항
# 1. 구조적 패턴 매칭 개선
match value:
    case [x, y] if x == y:
        print(f"Matched {x}")
    case [x, y]:
        print(f"Different: {x}, {y}")
    
# 2. 예외 처리 개선
try:
    process_data()
except (ValueError, TypeError) as e:
    print(f"Error: {e.__class__.__name__}: {e}")

# 3. 타입 힌트 개선
from typing import Self
class MyClass:
    def return_self(self) -> Self:
        return self

8. 결론 및 요약

2024년 최적의 파이썬 버전

최종 권장사항

• 신규 프로젝트: Python 3.11.x (일반 개발) 또는 3.10.x (데이터 사이언스/ML)
• 기존 프로젝트: 현재 버전이 3.9 이상이면 유지, 그 이하면 업그레이드 고려
• 학습용: Python 3.10.x (가장 넓은 호환성과 학습 자료)
• 프로덕션: Python 3.10.x (안정성 + 성능 균형)

마치며

이번 포스트에는 딥러닝와 머신러닝 프렘워크를 사용할 때 어떤 파이썬 버전이 권장 되는지 대해서 알아보았습니다. 

파이썬 버전 선택은 프로젝트의 성공에 중요한 영향을 미칩니다. 파이썬 버전을 잘 못 선택 한다면 프로젝트를 진행하면서 예상치 않은 문제들이 발생할 수 있습니다.  2025년 현재, 대부분의 경우 Python 3.10 또는 3.11이 최적의 선택이며, 특히 데이터 사이언스와 머신러닝 작업에는 3.10이 가장 안정적인 선택입니다. 버전 선택 시 가상환경을 사용하여 프로젝트별로 독립적인 파이썬 환경을 유지하는 것이 최선의 방법입니다. 이 가이드가 여러분의 파이썬 버전 선택에 도움이 되길 바랍니다.

이번 포스트에서는 딥러닝의 기본이 되는 지역 최소값(Local minima)과 전역 최소값(Global minima)의 차이에 대해서 알아보겠습니다. 기본 내용이라 해도 보면 볼수록 내용이 깊고 방대해서, 입문자 수준에서 이해하기 쉬운 핵심만 알아보도록 하겠습니다.

기본 개념

지역 최소값은 여러 개 있을 수 있으나 전역 최소값은 하나만 존재하는 것이 특징입니다. 그러나 이는 데이터의 양과 직접적인 관련이 있다기보다는, 최적화 과정에서 알고리즘이 전체 탐색 공간이 아닌 일부 영역만 탐색했을 때 전역 최소값이 아닌 지역 최소값에 수렴할 수 있다는 것을 의미합니다.

1) 전역 최소값 (Global Minimum)

• 정의: 함수의 전체 정의역에서 가장 작은 함수값
• 특징: 함수 전체에서 단 하나만 존재 (또는 동일한 값을 갖는 여러 지점이 있을 수 있음)
• 최적화 목표: 대부분의 최적화 문제에서 찾고자 하는 궁극적인 목표

2) 지역 최소값 (Local Minimum)

• 정의: 특정 영역 내에서는 가장 작은 값이지만, 전체 함수에서는 그렇지 않은 지점
• 특징: 함수에 여러 개 존재할 수 있음
• 문제점: 최적화 알고리즘이 전역 최소값 대신 지역 최소값에 수렴할 수 있음

Q: 그렇다면, 지역/전역 최소값은 딥러닝할 때 왜 중요한가요?
A: 지역/전역 최소값은 최적화 알고리즘과 매우 밀접한 관계가 있으며 다음과 같은 이유로 중요합니다:

1) 최적화 알고리즘의 목표

최적화 알고리즘의 궁극적인 목표는 전역 최소값 (Global Minimum) 을 찾는 것입니다. 이는 문제마다 다를수 있는데 보통 가장 낮은 비용/오차/손실 값을 의미합니다. 그러나 실제 문제에서 이 목표를 달성하기가 어렵다고 합니다.

2) 지역 최소값에 갇히는 문제

대부분의 기본적인 최적화 알고리즘은 지역 최소값에 쉽게 갇힐 수 있습니다. 경사 하강법(Gradient Descent)은 현 위체에서 함수의 기울기(경사)를 따라 내려가는 방식으로 작동 합니다. 이 알고리즘은 가장 가파르게 내려가는 방량으로 움직이기 때문에, 지역 최소값의 도달하면 더 이상 내려갈 방향이 없어 뭄추게 됩니다.

3) 최적화 알고리즘의 발전 방향

이런한 문제를 해결하기 위해 다양한 최적화 알고리즘이 개발되었습니다:

• 모멘텀(Momentum)
• 확률적 경사 하강법(SGD)
• 베이지안 최적화(Bayesian Optimization) 등

4. 머신러닝에서의 중요성

머신러닝, 특히 딥러닝에서 이 문제는 매우 중요합니다. 신경망 학습은 본질적으로 손실 함수의 최소화 문제입니다. 복잡한 신경망의 손실 함수는 수많은 지역 최소값을 가질 수 있습니다. 좋은 지역 최소값(전역 최소값에 가까운)을 찾는 것이 모델 성능에 직접적인 영향을 미칩니다. 딥러닝에서 지역 최속값 탈출을 위해 다양한 최적화 알고리즘이 개발 되었습니다. (Adam, RMS Prop, 등 )

맺음말

이번 포스트에서는 지역 최소값(Local Minima)과 전역 최소값(Global Minima)의 차이에 대해서 알아보았고, 머신러닝과 딥러닝을 할 때 왜 이 개념들이 중요한지 살펴보았습니다. 지역/전역 최소값의 중요성을 잘 이해하면 최적화 알고리즘의 목표뿐만 아니라 발전 방향도 더 잘 이해할 수 있고, 인공지능 분야에서 흔히 발생하는 문제들에 대해서 더 깊이 이해할 수 있다고 생각합니다. 다음 포스트에서는 다양한 최적화 알고리즘에 대해서 알아보고 제가 배운 내용을 여러분과 공유하겠습니다.

목표

이번 블로그 포스트에서는 딥러닝에서 기본이 되는 손실 함수의 작동 원리와 손실 함수의 다양한 종류에 대해서 알아보겠습니다.

손실 함수는 딥러닝에서 필수적인 요소입니다. 이는 모델이 예측한 결과가 정답을 얼마나 잘 맞췄는지에 대해서 오차를 측정하는 역할을 합니다.

그렇다면, 손실함수는 정확히 무엇일까요?

손실 함수(비용 함수 또는 목적 함수)는 예측한 값과 실제 목적값의 차이를 수치화해서 표현해줍니다. 모델 학습 중, 모델은 파라미터를 수정하여 손실을 최소화하려 합니다.

Loss = f(y_true, y_predicted)

위 코드를 보면 손실 함수를 간단히 표현할 수 있습니다. 손실 함수는 문제마다 다르고 복잡한 중간 연산과정을 가리고 보면 손실함수는 기본적으로 2개의 파라미터를 받습니다. 그 파라미터는 예측한 값과 실제 목적값의 차이를 측정하며 문제 종류에 따라(이진 분류, 다중 클래스, 선형회귀 등) 적합한 손실함수가 있습니다.

다음으로는, 손실함수 중에 흔히 볼 수 있는 대표적인 손실 함수들에 대해서 알아보겠습니다.

범주형 손실 함수

1. 이진 교차 엔트로피(Log Loss)

• 설명: 이진 분류 문제에서 사용됩니다.
• 사용사례: 참/거짓, 예/아니오, 강아지/고양이

2. 범주형 교차 엔트로피(Categorical Cross-Entropy)

• 설명: 원핫 인코딩된 레이블을 사용한 다중 클래스 분류용입니다.
• 사용사례: 각 샘플이 정확히 하나의 클래스에 속하는 다중 클래스 분류

3. 희소 범주형 교차 엔트로피(Sparse Categorical Cross-Entropy)

• 설명: 정수 레이블을 사용한 다중 클래스 분류용입니다.
• 사용사례: (범주형 교차 엔트로피 동일)

4. 초점 손실(Focal Loss)

• 설명: 분류하기 어려운 사례에 초점을 맞춰 클래스 불균형을 해결합니다.
• 사용사례: 불균형 데이터 세트, 객체 감지

회귀 손실 함수

1. 평균 제곱 오차(MSE)

• 설명: 가장 일반적인 회귀 손실 함수입니다.
• 사용사례: 일반적인 회귀 작업

특징:
✅ 매끄럽고 미분 가능
❌ 이상치에 민감

2. 평균 절대 오차(MAE)

• 설명: MSE보다 이상치에 덜 민감합니다.
• 사용사례: 이상치가 있는 경우

특징:
✅ 이상치에 강인함
❌ 0에서 미분 불가능

3. Huber 손실(Smooth L1)

• 설명: MSE와 MAE의 장점을 결합한 손실 함수 입니다.
• 사용사레: Huber Loss는 주로 이상치가 존재하는 데이터셋에서 안정적인 학습이 필요한 경우에 사용되며, 특히 객체 감지 모델(YOLO, SSD 등)의 바운딩 박스 좌표 예측과 강화학습 알고리즘에서 널리 활용됩니다. 

특징:

✅ 이상치에 강인함: MAE처럼 큰 오차에 대해 선형적으로 증가하므로 MSE보다 이상치에 덜 민감합니다.
✅ 미분 가능성: 모든 지점에서 미분 가능하여 최적화가 용이합니다.
✅ 적응성: δ 파라미터를 조정하여 MSE와 MAE 사이의 균형을 맞출 수 있습니다.
✅ 안정적인 학습: 큰 오차에 대해 기울기가 일정하므로 학습이 더 안정적입니다.
❌ 추가 하이퍼파라미터: δ 값을 설정해야 하는 부담이 있습니다.

맺음말

이번 포스트에서는 손실함수의 작동 원리를 알아보았고 대표적인 범주형 손실 함수와 회귀 손실 함수에 대해서 알아보았습니다. 추후 더욱 상세하고 깊게 정리해서 공유하도록 하겠습니다. 감사합니다.