머신 러닝 교과서/ 텐서플로의 구조 자세히 알아보기

텐서플로의 주요 특징

텐서플로는 머신 러닝 알고리즘을 구현하고 실행하기 위한 프로그래밍 인터페이스이며, 확장이 용이하고 다양한 플랫폼을 지원한다.
텐서플로의 주요 특징 중 하나는 여러 개의 GPU를 사용할 수 있는 기능이다. 덕분에 대규모 시스템에서 머신 러닝 모델을 매우 효율적으로 훈련할 수 있다.
텐서플로는 모바일 환경을 지원하기 때문에 모바일 애플리케이션 개발에도 적합하다.

텐서플로의 랭크와 텐서

텐서플로 라이브러리를 사용하여 텐서에 대한 연산과 함수를 계산 그래프로 정의할 수 있다.
- 텐서는 데이터를 담고 있는 다차원 배열에 대한 일반화된 수학적 용어로 텐서 차원을 일반적으로 랭크(rank)라고 한다.
지금까지는 대부분 랭크 0에서 랭크 2사이의 텐서를 다루었다. 텐서는 더 고차원으로 일반화 될 수 있는데, 여러 개의 컬러 채널을 가진 이미지를 다루기 위해 랭크 3인 입력과 랭크 4인 가중치 텐서를 사용한다.
텐서의 개념을 직관적으로 이해하기 위해 아래 그림을 참고 하자.

https://drive.google.com/uc?id=12XAaMr_EsRpilogp6Z_Cb1h-mpTOJnOE

텐서의 랭크와 크기를 확인하는 방법

tf.rank 함수를 사용하여 텐서 랭크를 확인할 수 있다. tf.rank는 출력으로 텐서를 반환한다.
텐서 랭크 외에도 텐서플로 텐서의 크기를 얻을 수도 있다(넘파이 배열의 크기와 비슷하다)
- 예컨대 X가 텐서이면 X.get_shape()를 사용하여 크기를 구한다. 이 메서드는 TensorShape이라는 특별한 클래스의 객체를 반환한다.
- tf.rank 함수와 get_shape 메서드를 사용하는 것은 아래 코드를 참고하라

import tensorflow as tf
import numpy as np

t1 = tf.constant(np.pi)
t2 = tf.constant([1, 2, 3, 4])
t3 = tf.constant([[1, 2], [3, 4]])

r1 = tf.rank(t1)
r2 = tf.rank(t2)
r3 = tf.rank(t3)

s1 = t1.get_shape()
s2 = t2.get_shape()
s3 = t3.get_shape()

print('크기:', s1, s2, s3)
print('랭크:', r1.numpy(), r2.numpy(), r3.numpy())

### 결과
# 크기: () (4,) (2, 2)
# 랭크: 0 1 2

t1 텐서는 단순한 스칼라이므로 랭크가 0이다. 크기가 ()
t2 벡터는 네 개의 원소를 가지므로 랭크가 1이다. 크기는 원소 하나로 이루어진 튜플 (4, )
2×2 행렬인 t3의 랭크는 2이고 크기는 (2, 2) 튜플이다.

텐서를 다차원 배열로 변환

텐서 변환에 사용되는 여러 연산을 살펴보겠다. 일부 연산들은 넘파이 배열 연산과 매우 비슷하게 작동한다.
- 랭크 2 이상인 텐서를 다룰 때 전치(tanspose) 같은 변환은 주의를 기울여야 한다.
넘파이는 arr.shape 속성으로 배열 크기를 얻을 수 있다.

import tensorflow as tf
import numpy as np

arr = np.array([[1., 2., 3., 3.5], [4., 5., 6., 6.5], [7., 8., 9., 9.5]])
T1 = tf.constant(arr)
print(T1)

s = T1.get_shape()
print('T1의 크기:', s)
print('T1의 크기:', T1.shape)

T2 = tf.Variable(np.random.normal(size=s))
print(T2)

T3 = tf.Variable(np.random.normal(size=s[0]))
print(T3)

### 결과
# tf.Tensor(
# [[1.  2.  3.  3.5]
#  [4.  5.  6.  6.5]
#  [7.  8.  9.  9.5]], shape=(3, 4), dtype=float64)
# T1의 크기: (3, 4)
# T1의 크기: (3, 4)
# <tf.Variable 'Variable:0' shape=(3, 4) dtype=float64, numpy=
# array([[ 1.24591289,  0.42771636, -0.23259698, -0.31242843],
#        [-0.51809936, -0.89199958, -0.49494362,  0.55808144],
#        [-0.11522273, -0.24953113, -0.20146965,  1.40888624]])>
# <tf.Variable 'Variable:0' shape=(3,) dtype=float64, numpy=array([-0.56337014,  0.80102639,  0.84823994])>