tensorflow 개념
22 Jan 2019
## 개념 개요
텐서플로우는 임의의 차원을 갖는 배열들을 뜻하는 텐서에서 그 이름이 유래되었습니다. 텐서플로우 연산은 텐서를 만들고 없애고 조작합니다. 일반적인 텐서플로우 프로그램에서 대부분의 코드 행은 연산입니다.
그래프
텐서플로우 그래프(또는 산출 그래프나 데이터플로 그래프)는 그래프 데이터 구조입니다. 많은 텐서플로우 프로그램은 하나의 그래프로 구성되어 있지만, 텐서플로우 프로그램은 여러 그래프를 만들 수도 있습니다. 그래프의 노드는 연산이고 그래프의 엣지는 텐서입니다. 텐서는 그래프를 따라 흐르고, 각 노드에서 연산에 의해 조작됩니다. 한 연산의 출력 텐서는 보통 다음 연산의 입력 텐서가 됩니다.
텐서
- 스칼라: 0-d 배열(0번째 텐서)입니다. 예:
\'Howdy\'또는5 - 벡터: 1-d 배열(1번째 텐서)입니다. 예:
[2, 3, 5, 7, 11]또는[5] - 행렬: 2-d 배열(2번째 텐서)입니다. 예:
[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]
텐서는 그래프에서 상수 또는 변수로 저장될 수 있습니다. 예상할 수 있듯이 상수는 값이 변하지 않는 텐서를 가지고, 변수는 값이 변할 수 있는 텐서를 가집니다. 하지만 상수와 변수가 그래프에서 또 다른 연산이라는 것입니다. 상수는 항상 같은 텐서 값을 반환하는 연산이고, 변수는 할당된 텐서를 반환합니다.
## 상수
x = tf.constant([5.2])
## 변수(항상 기본 값을 지정)
y = tf.Variable([0])
## 변수에 값 할당
y = y.assign([5])
연산
일부 상수 또는 변수를 정의하면 이를 tf.add와 같은 연산과 병합할 수 있습니다. tf.add 연산을 평가할 때 tf.constant 또는 tf.Variable 연산을 호출하여 값을 얻은 다음 그 값의 합으로 새 텐서를 반환합니다.
세션
그래프는 반드시 텐서플로우 세션 내에서 실행되어야 합니다. 세션은 다음을 실행하는 그래프의 상태를 가집니다.
with tf.Session() as sess:
initialization = tf.global_variables_initializer()
print(y.eval())
tf.Variable을 사용할 때 위에서와 같이 세션 시작 시 tf.global_variables_initializer를 호출하여 명시적으로 초기화해야 합니다.
참고: 세션은 여러 시스템에 그래프 실행을 분산할 수 있습니다(프로그램이 분산 계산 프레임워크에서 실행된다고 가정). 자세한 정보는 분산 텐서플로우를 참조하세요.
High Level APIS
- Keras, TensorFlow’s high-level API for building and training deep learning models.
- Eager Execution, an API for writing TensorFlow code imperatively, like you would use Numpy.
- Importing Data, easy input pipelines to bring your data into your TensorFlow program.
- Estimators, a high-level API that provides fully-packaged models ready for large-scale training and production.
그래프와 세션의 개념
y = a + b라는 연산 식이 있다면 먼저 a + b 그래프를 정의하고 a, b값을 넣어서 session에서 그래프를 실행합니다.
Reference
- https://colab.research.google.com/notebooks/mlcc/tensorflow_programming_concepts.ipynb?utm_source=mlcc&utm_campaign=colab-external&utm_medium=referral&utm_content=tfprogconcepts-colab&hl=ko#scrollTo=NzKsjX-ufyVY
-
https://www.tensorflow.org/guide
- https://bcho.tistory.com/1150