build Tensor
import tensorflow as tf
import numpy as np
np.set_printoptions(precision=3)
a=np.array([1, 2, 3], dtype=np.int32)
b=[4, 5, 6]
t_a=tf.convert_to_tensor(a)
t_b=tf.convert_to_tensor(b)
print(t_a)
print(t_b)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor([4 5 6], shape=(3,), dtype=int32)
t_ones=tf.ones((2, 3))
t_ones.shape
Tensor가 참조하는 값 얻기, numpy()
array([[1., 1., 1.],
[1., 1., 1.]], dtype=float32)
import numpy as np
const_tensor=tf.constant([1.2, 5, np.pi], dtype=tf.float32)
print(const_tensor)
tf.Tensor([1.2 5. 3.1415927], shape=(3,), dtype=float32)
tf.convert_to_tensor() 는 tf.constant()와 달리 tf.Variable객체도 입력받을 수 있다.(tf.fill(), tf.one_hot() 도 가능)
tf.fill()
<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[1, 1, 1],
[1, 1, 1]], dtype=int32)>
tf.one_hot() 원-핫 인코딩 행렬을 생성
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.]], dtype=float32)>
텐서의 데이터 타입과 크기 조작
tf.cast() 텐서의 데이터 타입을 원하는 타입으로 변경
t_a_new=tf.cast(t_a, tf.int64)
print(t_a_new)
tf.Tensor([1 2 3], shape=(3,), dtype=int64)
tf.transpose() 텐서를 전치
t=tf.random.uniform(shape=(3, 5))
t_tr=tf.transpose(t)
print(t.shape, '-->', t_tr.shape)
reshape() 텐서의 크기를 변경(ex: 1D벡터에서 2D 행렬로)
t=tf.zeros((30, ))
t_reshape=tf.reshape(t, shape=(5, 6))
print(t_reshape.shape)
squeeze() 불필요한 차원을 삭제(크기가 1인 차원은 불필요함)
t=tf.zeros((1, 2, 1, 4, 1))
t_sqz=tf.squeeze(t, axis=(2, 4))
print(t.shape, '-->', t_sqz.shape)
(1, 2, 1, 4, 1) --> (1, 2, 4)
텐서에 수학 연산 적용
곱셈, 행렬 곱셈, 텐서의 노름(norm) 연산 등 필요
tf.random.set_seed(1)
t1=tf.random.uniform(shape=(5, 2), minval=-1.0, maxval=1.0)
t2=tf.random.normal(shape=(5, 2), mean=0.0, stddev=1.0)
tf.multiply() 원소별 곱셈
t3=tf.multiply(t1, t2).numpy()
print(t3)
tf.math.reduce_mean(), tf.math.reduce_sum(), tf.math.reduce_std()특정 축(들)을 따라 평균, 합 ,표준 편차를 계산
t4=tf.math.reduce_mean(t1, axis=0)
print(t4)
tf.Tensor([0.09 0.207], shape=(2,), dtype=float32)
axis=None이 default value로 만약 None이면, 모든 차원이 축소되어 스칼라 텐서가 나온다.
(모든 값에 대한 평균, 합, 표준 편차)
tf.linalg.matmul() 행렬 곱셈(t1Xt2.T)
t5=tf.linalg.matmul(t1, t2, transpose_b=True)
t6=tf.linalg.matmul(t1, t2, transpose_a=True)
print(t5)
print()
print(t6)
[[-1.144 1.115 -0.87 -0.321 0.856]
[ 0.248 -0.191 0.25 -0.064 -0.331]
[-0.478 0.407 -0.436 0.022 0.527]
[ 0.525 -0.234 0.741 -0.593 -1.194]
[-0.099 0.26 0.125 -0.462 -0.396]], shape=(5, 5), dtype=float32)
tf.Tensor(
[[-1.711 0.302]
[ 0.371 -1.049]], shape=(2, 2), dtype=float32)
tf.norm() 노름을 계산
norm_t1=tf.norm(t1, ord=2, axis=1).numpy()
print(norm_t1)
[1.046 0.293 0.504 0.96 0.383]
참조)
넘파이 함수는 입력 매개변수를 처리하기 전에 해당 객체의 __aray__() 메서드를 호출하여
넘파이 호환성을 가진 객체를 만들 수 있다.
ex) Pandas Series 객체를 넘파이 API에 사용할 수 있다.
텐서에서도 이와 같이 구현되어 있어서 넘파이 함수를 입력으로 사용할 수 있다.
많은 텐서플로 수학 함수는 최상위 수준에서 참조가능(중간의 math, linalg 등 생략 가능)
ex) tf.multiply(), tf.reduce_mean(), tf.reduce_sum(), tf.matmul()
파이썬 3.5부터는 아래와 같이 표기 가능
<tf.Tensor: shape=(5, 5), dtype=float32, numpy=
array([[-1.144, 1.115, -0.87 , -0.321, 0.856],
[ 0.248, -0.191, 0.25 , -0.064, -0.331],
[-0.478, 0.407, -0.436, 0.022, 0.527],
[ 0.525, -0.234, 0.741, -0.593, -1.194],
[-0.099, 0.26 , 0.125, -0.462, -0.396]], dtype=float32)>
tf.experimental.numpy
텐서플로 2.4 버전부터 tf.experimental.numpy 모듈 아래에서 넘파일(ver1.15) 호환 API 제공 import tensorflow.experimental.numpy as tnp
tn1=tnp.array(t1)
tn2=tnp.array(t2)
print(tnp.dot(tn1, tn2.T))
ndarray<tf.Tensor(
[[-1.144 1.115 -0.87 -0.321 0.856]
[ 0.248 -0.191 0.25 -0.064 -0.331]
[-0.478 0.407 -0.436 0.022 0.527]
[ 0.525 -0.234 0.741 -0.593 -1.194]
[-0.099 0.26 0.125 -0.462 -0.396]], shape=(5, 5), dtype=float32)>
위와 같이 numpy API를 호환해서 사용가능
하나의 텐서를 여러개의 텐서로 나누는, 여러개의 텐서를 하나의 텐서로 합치는 연산
split(), stack(), concat()
tf.split() 텐서를 지정한 크기(개수)로 분할
입력된 텐서를 동일한 크기의 텐서 리스트로 분할
num_or_size_splits 매개변수는 분할할 텐서 개수
axis 매개변수로 원하는 차원을 지정
리스트로 원하는 크기 전달 가능
분할 개수 지정하기
tf.random.set_seed(1)
t=tf.random.uniform((6, ))
print(t.numpy())
[0.165 0.901 0.631 0.435 0.292 0.643]
t_splits=tf.split(t, num_or_size_splits=3)
[item.numpy() for item in t_splits]
[array([0.165, 0.901], dtype=float32), array([0.631, 0.435], dtype=float32), array([0.292, 0.643], dtype=float32)]
다른 분할 크기 전달하기
tf.random.set_seed(1)
t=tf.random.uniform((5, ))
print(t.numpy())
t_splits=tf.split(t, num_or_size_splits=[3, 2])
[item.numpy() for item in t_splits]
[array([0.165, 0.901, 0.631], dtype=float32), array([0.435, 0.292], dtype=float32)]
tf.concat() 여러 개의 텐서를 연결
A=tf.ones((3, ))
B=tf.zeros((2, ))
C=tf.concat([A, B], axis=0)
print(C.numpy())
tf.stack() 여러 개의 텐서를 쌓음
A=tf.ones((3, ))
B=tf.zeros((3, ))
S=tf.stack([A, B], axis=1)
print(S.numpy())
[[1. 0.]
[1. 0.]
[1. 0.]]
