[tensorflow]텐서 선언하기, 즉시 실행모드를 통한 연산, @tf.function

텐서 선언하기

---

a = tf.constant(2) # 텐서를 선언합니다. 
print(tf.rank(a)) # 텐서의 랭크를 계산합니다.

b =  tf.constant([1, 2])
print(tf.rank(b))

c = tf.constant([[1, 2], [3, 4]])
print(tf.rank(c))

결과

tf.Tensor(0, shape=(), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)

즉시 실행모드를 통한 연산

---

• 텐서플로우 1.x에서는 계산 그래프를 선언, 초기화 뒤 세션을 통해 값을 흐르게 하는 등의 많은 작업을 필요.
• 2.x의 버전에서는 텐서를 복잡한 과정 없이 파이썬처럼 사용할 수 있음.

a = tf.constant(3)
b = tf.constant(2)

print(tf.add(a, b)) # 더하기
print(tf.subtract(a, b)) # 빼기
print(tf.multiply(a, b).numpy()) # 곱하기
print(tf.divide(a, b).numpy()) # 나누기

결과

tf.Tensor(5, shape=(), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
6
1.5

tensor → numpy → tensor

---

c = tf.add(a, b).numpy() # a와 b를 더한 후 NumPy 배열 형태로 변환합니다.
c_square = np.square(c, dtype = np.float32) # NumPy 모듈에 존재하는 square 함수를 적용합니다.
c_tensor = tf.convert_to_tensor(c_square) # 다시 텐서로 변환해줍니다.

# 넘파이 배열과 텐서 각각을 확인하기 위해 출력합니다.
print('numpy array : %0.1f, applying square with numpy : %0.1f, convert_to_tensor : %0.1f' % (c, c_square, c_tensor))

결과

numpy array : 5.0, applying square with numpy : 25.0, convert_to_tensor : 25.0

@tf.function

---

• 자동으로 그래프를 생성

import tensorflow as tf

@tf.function
def square_pos(x):
    if x > 0:
        x = x * x
    else:
        x = x * -1
    return x

print(square_pos(tf.constant(2)))
print(square_pos)

def square_pos(x):
    if x > 0:
        x = x * x
    else:
        x = x * -1
    return x

print(square_pos(tf.constant(2)))
print(square_pos)

결과

tf.Tensor(4, shape=(), dtype=int32)
<tensorflow.python.eager.def_function.Function object at 0x0000028E7FEB32B0>
tf.Tensor(4, shape=(), dtype=int32)
<function square_pos at 0x0000028E3AAD89D8>

• 위는 tensorflow.python... 으로 시작하며, 아래는 function square ...로 진행된다.
• 사칙연산 등의 간단한 함수에서 @tf.function을 사용한다면 상당한 처리속도 증가를 경험할 수 있다. 복잡한 신경망일수록 그 효과는 줄어든다.