TensorFlow

Ruinak·2021년 9월 15일

머신러닝

Machine Learning

목록 보기

3/8

TensorFlow

1. TensorFlow Basic

TensorFlow

An open source software library for numerical computation using data flow
graphs
Python! 기반

Data Flow Graph Computation

Data Flow Graph
• 노드를 연결하는 엣지가 데이터를 노드는 데이터를 통해 수행하는 연산 역할을 하는 그래프 구조를 의미합니다.
데이터가 edge역할을 하여 node로 흘러가는 그래프 구조를 가지며 node에 지정된 연산을 하는 연산 방법입니다.
텐서플로우의 경우 이름에서 알 수 있듯 텐서(Tensors)가 기본 자료구조이기 때문에 텐서플로우의 엣지(Edge)는 텐서를 의미하며 엣지의 방향은 텐서의 흐름을 의미하고 노드(Node)는 곱하고, 나누는 등 텐서를 처리하는 연산을 의미합니다.

TensorFlow 설치

# 관리자모드에서
pip install tensorflow
pip install –upgrade tensorflow

# 위 방법이 안될 시 
conda install tensorflow

버전 확인

# 버전 확인
import tensorflow as tf
tf.__version__

example

# Tensorflow2 버전 설치 후 버전1 사용
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

hello=tf.constant("Hello, TensorFlow")
sess=tf.Session()
print(sess.run(hello))

Tensors : Everything is Tensor

# a rank 0 tensor; this is a scalar with shape []
3 
# a rank 1 tensor; this is a vector with shape [3]
[1. ,2., 3.] 
# a rank 2 tensor; a matrix with shape [2, 3]
[[1., 2., 3.], [4., 5., 6.]] 
# a rank 3 tensor with shape [2, 1, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]]

Computational Graph

node1 = tf.constant(3.0, tf.float32)
node2 = tf.constant(4.0) # also tf.float32 implicitly
node3 = tf.add(node1, node2)
print("node1:", node1, "node2:", node2)
print("node3: ", node3)

sess = tf.Session()
print("sess.run(node1, node2): ", sess.run([node1, node2]))
print("sess.run(node3): ", sess.run(node3))

TensorFlow Mechanics

Placeholder

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b

print(sess.run(adder_node, feed_dict={a:3, b: 4.5}))
print(sess.run(adder_node, feed_dict={a:[1, 3, 4], b: [2, 4, 10]}))

add_and_triple = adder_node * 3.
print(sess.run(add_and_triple, feed_dict={a:3, b: 4.5}))
print(sess.run(add_and_triple, feed_dict={a:[1, 3, 4], b: [2, 4, 10]}))

Tensor Ranks, Shapes, and Types : Ranks

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

Tensor Ranks, Shapes, and Types : shapes

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

Tensor Ranks, Shapes, and Types : type

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

TensorFlow 2 - Deep Learning Libray

TensorFlow2

텐서(Tensor)를 흘려 보내면서(Flow) 딥러닝 알고리즘을 수행하는 라이브러리입니다.
2020년 현재 전 세계에서 자장 많이 사용됩니다.
TensorFlow 2.0부터 직관적이고 쉽게 배울 수 있는 Keras를 High-Level API로 공식 지원함으로서, 이러한 영향력은 더욱 커질 것으로 예상됩니다.
2019년 9월 30일에 TensorFlow 2.0 정식 Release 됨
즉시 실행 모드로 불리는 Eager Execution 적용되어 코드의 직관성이 높아졌으며
사용자 친화적이여서 쉽게 배울 수 있는 Keras만을 High-Level API로 공식 지원함

3. Eager Execution

Eager Execution(즉시 실행모드)

계산 그래프와 세션을 생성하지 않고 즉시 실행 가능한 Eager Execution 적용
TensorFlow 2.0에서는 오퍼레이션을 실행하는 순간 연산이 즉시 수행(Eager Execution)되기 때문에 오퍼레이션 실행결과를 numpy() 메서드를 통하여 바로 알 수 있다.

tf.Variable(…)

TensorFlow에서 tf.Variable()값을 토기화하기 위해 세션내에서
tf.global_varivable_initializer() 과정이 필요 없으며, 변수를 정의함과 동시에 초기 값
이 할당됨(Eager Execution)

tf.placeholder(…) 삭제

TensorFlow 1.x 버전에서 함수를 실행하여 결과를 얻기 위해서는 tf.placeholder()
에 입력 값을 주고, 그 값을 이용하여 함수에서 정의된 연산을 실행하였으니, TF 2.0
에서는 일반적인 python 코드와 마찬가지로 함수에 값을 직접 넘겨주고 즉시 결과를 얻을 수 있음(Eager Execution)

4. Keras as High Level API

Keras in TensorFlow 2.0

Keras 창시자 프랑소와 솔레(Franceis Chollet)가 TF2.0 개발에 참여하였고, TF 2.0에서 공식적이고 유일한 High-Level API로서 keras를 채택함
프랑소와 숄레는 앞으로 native Keras 보다 tf.keras처럼 TF에서 케라스를 사용할 것을 권장함

Keras 특징

User Friendliness : Keras의 직관적인 API를 이용하면 일반 신경망(ANN), CNN, RNN 모델 또는 이를 조합한 다양한 딥러닝 모델을 (몇 줄의 코드만으로) 쉽게 구축 할 수 있음
Modularity : Keras에서 제공하는 모듈은 독립적으로 설정 가능함, 즉 신경망 층, 손실함수, 활성화 함수, 최적화 알고리즘 등은 모두 독립적인 모듈이기 때문에 이러한 모듈을 서로 조합하기만 하면 새로운 딥러닝 모델을 쉽고 빠르게 만들어서 학습 시킬 수 있음