텐서플로는 텐서를 기본으로한다
-
변수 : 변경이 가능한 수
-
상수 : 값을 바꾸지 못하는 수
-
텐서의 타입이 다르면 연산이 안된다.
-
astypes을 사용해서 타입을 맞쳐주고 연산하기
시퀀스(단어 또는 문장)
-
단어 하나당 1차원
-
문장 2차원
-
문장들이 모인 데이터셋 3차원
이미지
-
흑백이미지 2차원
-
컬러이미지 3차원
-
그러면 데이터셋은 여기서 +1차원
데이터 자체가 4차원 5차원 일 수도 있다
Rank 와 Shape
Rank
-
Rank는 텐서의 차원 수를 나타낸다
-
0부터 시작
- OD 텐서 = 스칼라
- 1D 텐서 = 벡터
- 2D 텐서 = 행렬
- 3D 텐서 = 3차원 배열
-
Rank는 텐서의 중첩된 깊이를 나타내며
각 차원마다 하나의 축(axis)이 있다
Shape
-
Shape는 텐서의 각 차원의 크기를 나타낸다
-
각 차원마다 포함된 요소의 수를 나열한 튜플 형태로 표현
-
ex) 2D 행렬의 Shape는 (행 수, 열 수)로 표현
상수와 변수의 차이
상수
-
상수는 값을 한 번 할당하면 그 값을 변경할 수 없는 데이터
-
프로그램에서 변하지 않아야 하는 값들을 나타내는 데 사용
변수
-
변수는 값을 할당하고 나중에 그 값을 변경할 수 있는 데이터
-
프로그램에서 데이터를 저장하고 조작하는 데 사용
TensorFlow의 기본 연산
print(tf.add(a, b)) # +
print(tf.subtract(a, b)) # -
print(tf.divide(a, b)) # /
print(tf.multiply(a, b)) # * --> 내적X, element-wise productReduce 와 Random
- Reduce 와 Random 은 텐서플로에서
데이터 조작 및 무작위성을 활용하는 데 중요한 역할을 한다
Reduce
-
텐서의 차원을 축소하고 요약하는 연산
-
주어진 축(axis)을 텐서의 값을 합치거나
평균내는 등의 연산을 수행 -
대표적인 reduce 연산
- tf.reduce_sum
- tf.reduce_mean
- tf.reduce_max
- tf.reduce_min
import tensorflow as tf
# 2D 텐서
matrix = tf.constant([[1, 2, 3], [4, 5, 6]])
# 열(axis=1)을 따라 합산
sum_result = tf.reduce_sum(matrix, axis=1) # 결과: [6, 15]Random
- 텐서플로에서 난수 생성과 관련된 함수와 연산을 의미
- tf.random.uniform
- tf.random.normal
- tf.random.shuffle
- 이러한 랜덤 함수는 모델 초기화, 데이터증강, 드롭아웃 등
다양한 머신 러닝 작업에 사용된다
import tensorflow as tf
# 균일 분포로부터 무작위 텐서 생성
random_tensor =
tf.random.uniform(shape=(3, 3), minval=0, maxval=1)
# 0에서 1 사이의 난수 텐서 생성
# 데이터 무작위 섞기
data = tf.constant([1, 2, 3, 4, 5])
shuffled_data = tf.random.shuffle(data) # 데이터를 무작위로 섞음학습
-
옵티마이저를 사용해서 최적의 weight값을 찾음
-
지도학습 비지도학습은 opt.minimize를 사용하지만
-
강화학습은 opt.maximize를 사용한다
-
지도,비지도학습은 감점제이고
-
강화학습은 +를 해주고 끝이 없다
모델 만드는 순서
- EDA
- 전처리 - scaling, encoding, ... etc
- Data split
- 모델 빌드
- 학습
- 최적화
- 평가
모델 만드는 3가지 방법
-
seq 함수를 사용 <-- 제일 쉬운 방법
-
함수 API <-- 약간 더 복잡한
-
class 객체를 만들기 <-- 일반적으로 모델을 만드는 방법
Sequential API
-
장점 : 단순하게 층을 쌓는 방식으로 쉽고 사용하기가 간단하다
-
단점 : 복잡한 모델에는 사용하기 어렵다
Functional API
-
장점
Sequential 로는 구현하기 어려운 복잡한 모델들을 구현 가능하다 -
단점 : 어렵다.. 연습 필요...
-
입력의 크기(shape)를 명시한 입력층(Input layer)을
모델의 앞단에 정의해주어야 한다
Sub Class
-
장점 : 아주 복잡한 모델들 조차 구현이 가능하다
-
단점 : 객체 지향 프로그래밍(Object-oriented programming)에
익숙해야 하므로 코드 사용이 가장 까다롭다
Compile 방법
-
optimizer = 'adam'
-
loss = 'binary_crossentropy' ( 이진 분류 )
- cateorical_crossentropy = 다중 분류
(one-hot encoding 일 때 사용)
- sparse_categorical_crossentrop = 다중 분류(정수 형태)
- cateorical_crossentropy = 다중 분류
-
metrics = 'acc'
# 방법 1
model.compile(
optimizer = 'adam',
loss = 'sparse_categorical_crossentropy',
metrics = 'acc'
)
# 방법 2
model.compile(optimizer=Adam(learning_rate=0.001),
loss='binary_crossentropy', metrics=['accuracy'])