딥러닝 입문에서 가장 많이 막히는 지점은 모델 이론이 아니라 환경 설정이다. TensorFlow는 버전별로 요구하는 파이썬·CUDA 조합이 정해져 있어 tensorflow-2.21.0은 Python 3.10~3.13 + CUDA 12.5 + cuDNN 9.3 조합에서 테스트됐고 (출처: TensorFlow - Build from source (Tested build configurations)), PyTorch는 Python 3.10~3.14에 CUDA 11.8·12.6·12.8 중 하나를 고르는 구조다. 이 글은 딥러닝 파이썬 버전, 프레임워크별 요구 조건, GPU 없이 시작하는 방법을 기준값으로 정리한 자료다.
✅ 핵심 요약
|
딥러닝 환경은 파이썬 → 프레임워크 → CUDA → 실행 위치 4개 층으로 나뉜다. 오류의 대부분은 이 조합이 어긋나서 생긴다. TensorFlow는 버전마다 CUDA·cuDNN 조합이 다르다. 2.17.0은 CUDA 12.3 + cuDNN 8.9, 2.18.0 이상은 CUDA 12.5 + cuDNN 9.3이다. PyTorch는 Python 3.10 이상을 요구하며 CUDA 11.8·12.6·12.8, AMD용 ROCm 6.3, CPU 전용 중에서 설치 옵션을 고른다. GPU가 없어도 시작할 수 있다. Google Colab 무료 티어는 최대 12시간 실행되지만 GPU 유형은 보장되지 않고, Pro+는 컴퓨팅 단위가 남아 있으면 최대 24시간 백그라운드 실행을 지원한다. |
딥러닝을 돌리려면 최소 무엇이 필요할까?
딥러닝 실습 환경은 4개 층으로 쌓인다. 어느 한 층의 버전이 어긋나면 설치는 되는데 GPU를 못 잡거나, import 단계에서 오류가 난다. 딥러닝 파이썬 환경을 처음 만들 때 이 구조를 먼저 잡아두면 시행착오가 줄어든다.
|
층 |
구성 요소 |
선택지 |
|
1층 |
파이썬 |
프레임워크가 지원하는 버전 범위 안에서 선택 |
|
2층 |
딥러닝 프레임워크 |
TensorFlow 또는 PyTorch |
|
3층 |
가속기 라이브러리 |
CUDA + cuDNN(NVIDIA), ROCm(AMD), 또는 없음(CPU) |
|
4층 |
실행 위치 |
로컬 PC, 클라우드 노트북, 대여 GPU 서버 |
GPU가 필요한지는 다루는 데이터 크기로 판단하면 된다. 딥러닝 알고리즘 개념을 익히는 단계와 실제 모델을 학습시키는 단계는 요구 사양이 다르다.
|
학습 단계 |
권장 실행 환경 |
이유 |
|
개념·코드 문법 익히기 |
CPU 또는 무료 클라우드 노트북 |
연산량이 작아 GPU 불필요 |
|
소규모 데이터 모델 실습 |
무료 클라우드 노트북 |
세션 시간 안에 학습 완료 가능 |
|
이미지·영상 모델 학습 |
GPU 필수 |
CPU로는 학습 시간이 비현실적 |
|
대형 모델 파인튜닝 |
유료 GPU 또는 대여 서버 |
메모리 요구량이 큼 |
딥러닝 파이썬은 어떤 버전을 깔아야 할까?
딥러닝 파이썬 버전은 "최신"이 정답이 아니다. 프레임워크가 테스트한 조합이 따로 있기 때문이다. TensorFlow는 공식 문서에 버전별 테스트 조합을 공개하고 있으며, 같은 CUDA 12.5라도 TensorFlow 버전에 따라 파이썬 지원 범위가 다르다.
|
TensorFlow 버전 |
Python 버전 |
CUDA |
cuDNN |
|
2.21.0 |
3.10 ~ 3.13 |
12.5 |
9.3 |
|
2.20.0 |
3.9 ~ 3.13 |
12.5 |
9.3 |
|
2.19.0 |
3.9 ~ 3.12 |
12.5 |
9.3 |
|
2.18.0 |
3.9 ~ 3.12 |
12.5 |
9.3 |
|
2.17.0 |
3.9 ~ 3.12 |
12.3 |
8.9 |
출처: TensorFlow - Build from source, Tested build configurations
PyTorch는 설치 페이지에서 OS·패키지 관리자·컴퓨트 플랫폼을 고르면 명령어가 생성되는 방식이다. 안정 버전 기준 Python 3.10 이상이 필요하며, 컴퓨트 플랫폼은 아래 중에서 고른다.
|
항목 |
PyTorch 지원 범위 |
|
Python |
3.10 ~ 3.14 |
|
NVIDIA GPU |
CUDA 11.8 / 12.6 / 12.8 |
|
AMD GPU |
ROCm 6.3 |
|
GPU 없음 |
CPU 전용 빌드 |
|
Linux |
glibc 2.28 이상 (Ubuntu 20.04 이상 권장) |
|
macOS |
10.15 이상 |
|
Windows |
Windows 10 이상 권장 |
출처: PyTorch - Get Started Locally
설치가 끝났는지 확인하는 방법은 간단하다. PyTorch는 torch.cuda.is_available()이 True를 반환하면 GPU를 잡은 것이고, False면 CPU 전용 빌드가 설치됐거나 CUDA 버전이 어긋난 상태다.
텐서플로우와 파이토치 중 뭘 먼저 설치할까?
딥러닝 프레임워크 선택은 기능 차이보다 설치 난이도와 목표로 갈린다. TensorFlow는 버전별 CUDA·cuDNN 조합이 고정돼 있어 조합을 정확히 맞춰야 하고, PyTorch는 설치 명령에 CUDA 버전이 포함돼 조합 실수가 상대적으로 적다.
|
비교 항목 |
TensorFlow |
PyTorch |
|
Python 지원(최신 기준) |
3.10 ~ 3.13 |
3.10 ~ 3.14 |
|
CUDA 선택 |
버전별 고정 조합 |
설치 시 11.8·12.6·12.8 중 선택 |
|
AMD GPU |
별도 확인 필요 |
ROCm 6.3 지원 |
|
CPU 전용 설치 |
가능 |
가능 |
|
설치 확인 |
GPU 디바이스 목록 조회 |
torch.cuda.is_available() |
선택 기준은 아래처럼 단순화할 수 있다. 어느 쪽이든 딥러닝 알고리즘 자체의 개념은 공유되므로, 하나를 익히면 다른 쪽으로 옮기는 비용은 크지 않다.
|
상황 |
권장 |
|
논문·연구 코드를 따라 해보고 싶다 |
PyTorch |
|
회사 레거시 코드가 TensorFlow다 |
TensorFlow |
|
AMD GPU를 쓴다 |
PyTorch (ROCm) |
|
설치에서 막히는 게 싫다 |
클라우드 노트북에서 시작 |
AI 딥러닝 직무의 연봉과 직무별 전망은 아래 글에 정리돼 있다.
👉 AI 개발자 연봉 얼마일까?｜2026 직무별 전망 정리
GPU가 없어도 딥러닝을 배울 수 있을까?
배울 수 있다. Google Colab 같은 클라우드 노트북은 브라우저에서 GPU 런타임을 붙여주므로 로컬 설치 없이 딥러닝 파이썬 코드를 바로 실행할 수 있다. 다만 무료 티어에는 제약이 있다.
|
항목 |
무료 티어 |
Pro / Pro+ |
|
최대 실행 시간 |
최대 12시간 (가용성·사용 패턴에 따라 변동) |
Pro+는 컴퓨팅 단위가 있으면 최대 24시간 |
|
GPU·TPU 유형 |
보장되지 않음 (시간에 따라 달라짐) |
상위 리소스 우선 배정 |
|
유휴 상태 |
타임아웃으로 런타임 종료 |
Pro+는 백그라운드 실행 지원 |
|
리소스 소진 시 |
— |
컴퓨팅 단위 소진 시 무료 등급 정책으로 전환 |
출처: Google Colaboratory - 자주 묻는 질문
실행 위치를 3안으로 비교하면 판단이 쉬워진다. 입문 단계에서 로컬 GPU를 먼저 사는 선택은 비용 대비 효율이 낮은 편이다.
|
실행 환경 |
초기 비용 |
장점 |
한계 |
|
로컬 CPU |
없음 |
설치 연습에 적합 |
학습 시간이 길어 모델 실습에 부적합 |
|
클라우드 노트북 |
무료 시작 가능 |
설치 없이 GPU 사용 |
세션 시간·GPU 유형 제약 |
|
로컬 GPU PC |
높음 |
시간 제약 없음 |
드라이버·CUDA 관리 부담 |
채용은 어떤 딥러닝 환경 경험을 요구할까?
딥러닝 관련 채용 공고는 특정 프레임워크를 콕 집기보다 사용 경험 자체를 요구하는 경우가 많다. 링커리어에 게시된 AI 딥러닝 리서치 인턴 공고는 지원자격에 "딥러닝 프레임워크(TensorFlow, PyTorch 등) 사용 경험이 많으신 분"과 컴퓨터공학·데이터사이언스 등 유관학과 전공을 명시했고, 우대사항으로 영상·시계열·텍스트 등 다양한 데이터 모달리티 이해와 NIPS·ICML·ICLR·ACL 학회 논문 게재 경험을 들었다 (출처: 링커리어 - AI 딥러닝 리서치 인턴 채용공고, 2026 기준).
|
요건 구분 |
공고 명시 내용 |
|
필수 |
딥러닝 프레임워크(TensorFlow, PyTorch 등) 사용 경험 |
|
필수 |
컴퓨터공학·데이터사이언스 등 유관학과 전공 |
|
우대 |
영상·시계열·텍스트 등 다양한 데이터 모달리티 이해 |
|
우대 |
의료 데이터 분석·연구 경험 |
|
우대 |
NIPS·ICML·ICLR·ACL 등 주요 학회 논문 게재 |
|
우대 |
학부생의 경우 학부 연구생 경험 |
즉 포트폴리오에서 증명해야 할 건 "프레임워크 이름을 안다"가 아니라 직접 환경을 세팅하고 모델을 끝까지 돌려본 기록이다. 환경 설정에서 막혀 학습을 못 끝내면 이 부분이 비게 된다.
딥러닝 실습 환경 요약 비교표
|
결정 항목 |
기준값 |
확인 방법 |
|
파이썬 버전 |
TensorFlow 3.10~3.13 / PyTorch 3.10~3.14 |
python --version |
|
TensorFlow + CUDA |
2.18 이상은 CUDA 12.5 + cuDNN 9.3 |
공식 tested build configurations |
|
PyTorch + CUDA |
11.8 / 12.6 / 12.8 중 선택 |
설치 페이지 명령 생성기 |
|
GPU 인식 |
True여야 정상 |
torch.cuda.is_available() |
|
무료 클라우드 |
최대 12시간, GPU 유형 미보장 |
Colab FAQ |
|
채용 요건 |
프레임워크 사용 경험 명시 |
공고 지원자격 |
|
📚 쉽게 배워 바로 쓰는 AI 딥러닝 실무 과정
📌 이런 분께 추천합니다 - 딥러닝 개념은 봤지만 환경 설정에서 매번 막히는 입문자 - 딥러닝 파이썬 코드를 처음부터 끝까지 한 번 돌려보고 싶은 분 - 머신러닝에서 딥러닝으로 범위를 넓히려는 비전공자 - AI 딥러닝 직무 포트폴리오에 실습 기록을 남기려는 취준생
💡 강의 장점 - 개념 설명에서 끝나지 않고 실제로 모델을 돌려보는 실무 중심 구성 - 비전공자 기준으로 딥러닝 알고리즘의 동작 원리를 단계별로 정리 - ★ 고용노동부 지정 K-디지털 기초역량훈련 공식 인증 과정 - KDC 수강료 90% 국비지원 — 자부담 10%만 결제 |
👉 강의 바로가기
자주 묻는 질문 (FAQ)
Q1. 딥러닝 파이썬은 최신 버전을 깔면 되나요?
아니다. 프레임워크가 지원하는 범위 안에서 골라야 한다. TensorFlow 공식 문서 기준으로 tensorflow-2.21.0은 Python 3.10~3.13에서 테스트됐고, PyTorch 안정 버전은 Python 3.10 이상을 요구한다. 파이썬이 너무 최신이면 프레임워크 휠(wheel)이 아직 없어 설치 자체가 실패할 수 있다. 설치 전에 쓰려는 프레임워크의 지원 표를 먼저 확인하는 순서가 안전하다.
Q2. GPU가 없는 노트북으로도 딥러닝을 시작할 수 있나요?
가능하다. Google Colab 같은 클라우드 노트북은 브라우저에서 GPU 런타임을 제공하므로 로컬 설치 없이 딥러닝 코드를 실행할 수 있다. 무료 티어는 최대 12시간까지 실행되지만 GPU·TPU 유형은 보장되지 않고 유휴 상태에서는 런타임이 종료된다. 개념 학습과 소규모 실습은 무료 티어로 충분하고, 긴 학습이 필요해지는 시점에 유료 전환이나 대여 서버를 검토하면 된다.
Q3. 딥러닝과 머신러닝은 환경 요구 사항이 다른가요?
다르다. 머신러닝은 scikit-learn 같은 라이브러리로 CPU에서도 대부분 처리되지만, 딥러닝은 신경망 연산량이 커서 이미지·영상 모델부터는 GPU가 사실상 필요하다. 이 때문에 딥러닝 환경에는 CUDA·cuDNN 같은 가속기 라이브러리 층이 추가되고, 버전 조합을 맞추는 과정이 생긴다. 딥러닝 머신러닝 학습 순서를 잡을 때 환경 부담도 함께 고려하면 좋다.
Q4. TensorFlow를 깔았는데 GPU를 못 잡습니다.
버전 조합 문제일 가능성이 높다. TensorFlow는 버전마다 테스트된 CUDA·cuDNN 조합이 다르며, 2.17.0은 CUDA 12.3 + cuDNN 8.9, 2.18.0 이상은 CUDA 12.5 + cuDNN 9.3 조합이다. 설치된 CUDA 버전과 TensorFlow 버전이 어긋나면 CPU로만 동작한다. 공식 tested build configurations 표에서 자신의 TensorFlow 버전 행을 찾아 CUDA·cuDNN을 맞추는 것이 해결 순서다.
결론
|
딥러닝 실습 환경은 파이썬 → 프레임워크 → CUDA → 실행 위치 4개 층이다. 오류의 대부분은 층 사이 버전 불일치에서 생긴다. TensorFlow는 버전별 조합이 고정돼 있다. 2.17.0은 CUDA 12.3 + cuDNN 8.9, 2.18.0 이상은 CUDA 12.5 + cuDNN 9.3이며 파이썬은 3.9~3.13 범위다. PyTorch는 Python 3.10 이상에 CUDA 11.8·12.6·12.8, ROCm 6.3, CPU 전용 중 하나를 고르는 구조다. 설치 확인은 torch.cuda.is_available()로 한다. GPU가 없어도 시작할 수 있다. 무료 클라우드 노트북은 최대 12시간 실행에 GPU 유형이 보장되지 않으므로, 개념·소규모 실습까지 쓰고 학습 규모가 커질 때 전환하는 순서가 합리적이다. |
📌 본 글은 2026년 기준으로 최신화하여 작성되었습니다.
📌 함께 보면 좋은 글