[머신러닝 입문] 01. TensorFlow의 기본적인 operations

목차

---

• 텐서플로우(TensorFlow)?

  • 데이터 플로우 그래프(Data Flow Graph)

• 텐서플로우 설치(Install TensorFlow)

• 기본적인 명령어 연습

• Ranks, Shapes, Types

 

 

텐서플로우(TensorFlow)?

---

구글에서 만든 머신러닝을 위한 오픈소스 라이브러리다. 

데이터 플로우 그래프(data flow graph)란것을 사용해서 numerical 한 계산을 할 수 있다.

그리고, 많은 사람들이 선호하는 Python이라는 언어를 가지고 텐서플로우 프로그래밍을 할 수 있다.

https://towardsdatascience.com/deep-learning-framework-power-scores-2018-23607ddf297a

위의 그림만 보더라도 2018년 기준이긴 하지만 텐서플로우가 압도적으로 1위를 차지하고 있음을 알 수 있다.

 

• 데이터 플로우 그래프(Data Flow Graph)

Node(노드)와 Edge(엣지)로 구성되어있는 것을 우리는 Graph(그래프)라 한다.

Data Flow Graph에서는 Node를 하나의 Operation이라 부를 수 있고, Edge는 Data(=Tensor)라 부를 수 있다.

https://codability.in/a-guide-to-tensorflow-part-1/

위의 그림에서 보다시피 동그라미 a, b, c, d, e는 Node, 즉 Operation을 나타내고 Edge는 Data를 나타내어 원하는 결괏값을 출력하고 있는 과정을 볼 수 있다.

이러한 그래프를 Data Flow Graph라 한다.

 

텐서플로우 설치(Install TensorFlow)

---

2019/06/28 - [Development/Machine Learning] - [머신러닝] 파이썬(Python), 텐서플로우(Tensor Flow) 설치

[머신러닝] 파이썬(Python), 텐서플로우(Tensor Flow) 설치

 

기본적인 명령어 연습

---

예제들의 출처: https://github.com/hunkim/DeepLearningZeroToAll

텐서플로우는 기존의 프로그래밍과는 조금 다르게

첫 번째로, operations를 사용해서 그래프를 빌드한다.

두 번째로, 세션을 만들고 run을 통해 그래프를 실행시킨다.

마지막으로, run으로 그래프를 실행시킨 값을 활용한다.

라는 메커니즘으로 구성되어있다.

 

• Hello Tensor Flow!

'Hello, Tensor Flow'라는 Node가 만들어지고 출력하는 예제다.

import tensorflow as tf

hello = tf.constant("Hello, TensorFlow!")

sess = tf.Session()

print(sess.run(hello))

b'Hello, TensorFlow!'

 

• Computational Graph

import tensorflow as tf

node1 = tf.constant(3.0, tf.float32)
node2 = tf.constant(4.0)
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))

node1: Tensor("Const:0", shape=(), dtype=float32) node2 Tensor("Const_1:0", shape=(), dtype=float32)
node3: Tensor("Add:0", shape=(), dtype=float32)
sess.run(node1, node2):  [3.0, 4.0]
sess.run(node3):  7.0

node를 만들어서 출력하면 node에 대한 정보들이 출력되고,

세션을 만들어서 run을 시켜야 우리가 원하는 실행 결과가 출력된다.

 

• Placeholder

위의 예제들은 node들을 상수로 만들었는데 이번에는 상수가 아닌, 실행시키는 단계에서 값을 던져주는 예제다.

이때 Placeholder라는 특별한 node로 만들어줘야 한다.

import tensorflow as tf

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b # tf.add(a, b)와 같은 의미

sess = tf.Session()

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

7.5
[3. 7.]

입력 값으로 [1, 3], [2, 4]와 같이 값이 하나가 아닌 여러 개를 입력 값으로 넣을 수 있다.

 

Ranks, Shapes, Types

---

• Rank

Rank	Math entity	Python example
0	Scalar (magnitude only)	s = 483
1	Vector (magnitude and direction)	v = [1.1, 2.2, 3.3]
2	Matrix (table of numbers)	m = [ [1, 2, 3], [4, 5, 6], [7, 8, 9] ]
3	3-Tensor (cube of numbers)	t = [ [ [2], [4], [6] ], [ [8], [10], [12] ], [ [14], [16], [18] ] ]
n	n-Tensor (you get the idea)	....

Rank는 쉽게 말해서 몇 차원 Array냐를 뜻한다.

 

• Shape

Rank	Shape	Dimension number	Example
0	[]	0-D	A 0-D tensor. A scalar.
1	[D0]	1-D	A 1-D tensor with shape [5].
2	[D0, D1]	2-D	A 2-D tensor with shape [3, 4].
3	[D0, D1, D2]	3-D	A 3-D tensor with shape [1, 4, 3].
n	[D0, D1, ... Dn-1]	n-D	A tensor with shape [D0, D1, ... Dn-1].

Shape는 각 차원에서의 Element의 숫자라고 보면 된다.

t = [ [1, 2, 3], [4, 5, 6] ]

예를 들어, 위의 t는 2차원 배열에 원소를 4, 5, 6 -> 3개, [1,2,3], [4,5,6] -> 2개를 가지고 있으므로

[2, 3]라고 Shape를 표기할 수 있다.

 

• Types

Type는 말 그대로 데이터의 타입을 나타낸다.

Data type	Python type
DT_FLOAT	tf.float32
DT_DOUBLE	tf.float64
DT_INT8	tf.int8
DT_INT16	tf.int16
DT_INT32	tf.int32
...	...

 

참고

---

Sung Kim님 - ML lab 01. TensorFlow의 설치 및 기본적인 operations
https://www.youtube.com/watch?v=-57Ne86Ia8w