[Tensorflow 2.0] 기초 사용법

Load Packages

import numpy as np
import tensorflow as tf

Tensor 생성

list -> Tensor

tf.constant([1, 2, 3])

# Out
<tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 2, 3])>

tuple -> Tensor

tf.constant(((1, 2, 3), (1, 2, 3)))

# Out
<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
       [1, 2, 3]])>

Array -> Tensor

arr = np.array([1, 2, 3])
tf.constant(arr)

# Out
<tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 2, 3])>

Tensor에 담긴 정보 확인

shape 확인

tensor = tf.constant(arr)
tensor.shape

# Out
TensorShape([3])

Data Type 확인

• 주의: Tensor를 생성 할 때 Data Type을 정해주지 않기 때문에 혼동이 올 수 있습니다.
• Data Type에 따라 모델의 무게나 성능 차이에 영향을 줄 수 있습니다.

tensor.dtype

# Out
tf.int32

Data Type 정의

tf.constant([1, 2, 3], dtype=tf.uint8)

# Out
<tf.Tensor: shape=(3,), dtype=uint8, numpy=array([1, 2, 3], dtype=uint8)>

Data Type 변환

tf.cast(tensor, dtype=tf.uint8)

# Out
<tf.Tensor: shape=(3,), dtype=uint8, numpy=array([1, 2, 3], dtype=uint8)>

Tensor에서 Numpy 불러오기

tensor.numpy()

# Out
array([1, 2, 3])

Numpy로 변환된 것 확인

type(tensor.numpy())

# Out
numpy.ndarray

난수 생성

Numpy에서는 난수 생성 시 기본적으로 Normal Distribution을 생성합니다.

• Normal Distribution은 중심 극한 이론에 의한 연속적인 모양
• Uniform Distribution은 중심 극한 이론과는 무관하며 불연속적이며 일정한 분포

Numpy에서 사용법

np.random.randn(9)

# Out
array([ 0.53020669,  0.65508422, -0.59177912,  1.16459962, -1.05122869,
        0.08080872,  0.17245994,  0.08721459, -0.69788519])

TensorFlow에서 사용법

tf.random.normal([3, 3])

# Out
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 0.46394104, -0.8973731 , -0.1977468 ],
       [-1.6685097 , -0.8181516 , -1.8963411 ],
       [ 0.5654544 ,  0.13616897, -1.7370273 ]], dtype=float32)>

tf.random.uniform([3, 3])

# Out
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[0.7996844 , 0.05048668, 0.7060809 ],
       [0.9390234 , 0.29056323, 0.33341527],
       [0.4387114 , 0.13688791, 0.12659645]], dtype=float32)>