[백견불여일타 딥러닝 입문 : 학습 4일차]

* 이 포스팅은 로드북 출판사의 백견불여일타 딥러닝 입문 with 텐서플로우 2.X 책을 바탕으로 제작되었습니다.

* 필자가 학습해서 얻었던 지식과 느낀 점 위주로 작성한 내용이고, 혹시 틀린 점이 있다면 댓글로 피드백 주시면 감사하겠습니다.

* 포스팅에 대한 문제가 있다면 댓글 남겨주시면 감사하겠습니다.

---

지난 시간에는 학습, 평가하는 부분에 대해 학습을 해보았습니다. 이번 시간에는 기본 연산 해보는 것에 대해 학습하는 시간을 가지도록 하겠습니다.

 

기본 연산 해보기

 

* 텐서를 통한 표현

- 텐서플로우는 주로 텐서(Tensor)를 다루게 된다.

- 텐서(Tensor)는 C나 Java언어에서 int, float 등과 같은 자료형에 해당한다.

- 정의 : 여러 형태를 가질 수 있는 넘파이 배열(NumPy Array)

- 텐서는 배열의 차원을 랭크(Rank)로 표현

예	주로 사용하는 표현	텐서 표현	랭크
0, 1, 2 ...	스칼라(Scalar)	0-D Tensor	0
[1, 2, 3, 4, 5]	벡터(Vector)	1-D Tensor	1
[[1, 2, 3, 4, 5], [1, 2, 3, 4, 5]]	행렬(Matrix)	2-D Tensor	2
[...[..]...]	n차원 배열	n-D Tensor	n

[우리가 사용하는 표현과 텐서의 표현 비교]

 

* 텐서의 차원과 기본 연산

텐서의 차원과 기본 연산

 - 출력의 결과는 텐서 형태로 나온다. 

 - 첫 번째 인자 : 해당 텐서의 랭크, 두 번째 인자 : 해당 텐서의 형태

 - 랭크는 스칼라 형태를 나타내기 때문에 'shape=( )'처럼 빈칸이 나옴.

 - 세 번째 인자 : 해당 텐서의 데이터 타입

 

* 즉시 실행 모드를 통한 연산

- 텐서플로우 2.x 큰 장점 중 하나가 즉시 실행 모드(Eager mode) 지원

즉시 실행 모드를 통한 연산

 

* 텐서에서 넘파이로, 넘파이에서 텐서로

 - numpy( ) 함수 사용 : 텐서 -> 넘파이 배열 

 - 함수 적용

 - tf.convert_to_tensor( )함수 : 텐서 형태로 다시 변환

텐서 -> 넘파이, 넘파이 -> 텐서

 

 

- 여러 가지 수학에 관한 계산 tf.math 모듈 아래, 선형대수학에 관한 계산 tf.linalg 모듈 아래 있다.

수학과 선형대수학 모듈 임포트

 

* @tf.function 사용해보기

 - 자동으로 그래프를 생성해주는 기능

 - 파이썬으로 구성된 코드를 고효율의 텐서플로우 그래프로 변환해서 사용할 수 있다.

 - 변환되는 함수

 : if -> tf.cond

 : for/while -> tf.while_loop

 : for_ in dataset -> dataset.reduce

 

@tf.function

- 사실 이 코드는 @tf.function 없이도 문제없이 실행된다.

- @tf.function 사용한 함수와 그렇지 않은 함수의 차이

@tf.functnion을 사용한 함수

@tf.function을 사용하지 않은 함수

 - 파이썬으로 구성된 함수를 텐서플로우 그래프 형태로 다루고 싶을 때 사용하면 좋다.

---

이번 시간에는 텐서플로우를 이용하여 기본 연산을 해보는 것에 대해 학습해보았습니다. 다음 시간에는 신경망에 대해서 학습하도록 하겠습니다.

 

Tool : colab.research.google.com/notebooks/intro.ipynb

Google Colaboratory