Tensorflow에서 사용하는 데이터 배열 Tensor 사용하기(constant, Variable)

Numpy에서 Numpy.array를 사용하듯이 Tensorflow에서는 tensor를 사용한다.

본 포스팅에서는 Tensor란 무엇이고, Tensor를 어떻게 다룰수 있는지 알아본다.

 

1. Tensorflow.constant

contant tensor는 생성후 값의 수정이 불가능한 Tensor이다.

1.1 Constant tensor 생성

tensor =  tf.constant([1,2,3,4,5])

생성되는 tensor의 데이터 타입을 지정해줄 수도 있다.

tensor =  tf.constant([1,2,3], dtype='float32')

1.2 Constant tensor 정보 확인

생성된 tensor로부터 아래의 정보를 얻을수 있다.

tensor =  tf.constant([1,2,3,4,5])

print(tensor.shape) # 생성된 Tensor가 가지는 차원정보
#=> (5, )           # (5, )는 (5,1)과 같은 의미이다

print(tensor.dtype) # 생성된 Tensor가 가지는 데이터 타입
#=> <dtype: 'int32'>

print(tf.size(tensor)) # 생성된 Tensor가 가지는 데이터 수
#=> tf.Tensor(5, shape=(), dtype=int32)

print(tf.rank(tensor)) # 생성된 Tensor가 가지는 차수
#=> tf.Tensor(1, shape=(), dtype=int32)

단순한 1차원이 아닌 3차원의 Tensor의 경우를 확인해보자.

tensor =  tf.constant([[[1,1,1,1],[2,1,2,3]],[[1,7,8,9],[1,11,22,33]]])

print("shape:", tensor.shape)
print("type:", tensor.dtype)
print("size:", tf.size(tensor))
print("rank:", tf.rank(tensor))

2. Tensorflow.Variable

Variable tensor는 수정 가능한 Tensor이다.

2.1 Variable tensor 생성

var = tf.Variable([0,0,0], dtype = 'float32')

2.2 Variable tensor 값 변경 및 더하기

var.assign([1,2,3])

var.assign_add([1,1,1])

2.3 Variable tensor 정보확인

constant tensor와 동일하며, 아래와 같다.

print("shape:", var.shape)
print("type:", var.dtype)
print("size:", tf.size(var))
print("rank:", tf.rank(var))

3. Reshape

reshape 명령어를 사용해서 tensor의 차원정보를 변환할 수 있다.

단, 변환하는 차원정보가 기존의 차원에서 변환 가능해야한다.

(필요한 총 데이터수가 같아야 한다.)

tensor =  tf.constant([1,2,3,4,5,6])
print(tensor)

# tf.reshape(변환할tensor, 변환할 차원정보)
tf.reshape(tensor,[3,2])

numpy나 pandas와 마찬가지로 -1을 사용할수 있다.

tf.reshape(tensor,[3,-1])
# [3,2] == [3,-1] == [-1,2] 모두 같은 의미

 

4. Tensor 연산

4.1 더하기 & 곱하기

tensor2d = tf.constant([1,2,3])

# 더하기
tensor2d + tensor2d
#=> [2, 4, 6] # 텐서형식 생략

# 곱하기
5 * tensor2d
#=> [5, 10, 15] # 텐서형식 생략

4.2 전치(Transepose)

tensor2d = tf.constant([[1,2,3],[4,5,6]])
tf.transpose(tensor2d)

4.3 행렬곱(Matrix Multiplication)

x = tf.constant([[1,2]])
tensor2d = tf.constant([[1,2,3],[4,5,6]])
tf.matmul(x, tensor2d)
#=> [[ 9, 12, 15]] # 텐서형식 생략

4.4 총합 및 평균(Sum / Mean)

tensor2d = tf.constant([[1.0, 2.0],[3.0, 4.0]])
my_sum = tf.reduce_sum(tensor2d)
print(my_num)
#=> tf.Tensor(10.0, shape=(), dtype=float32)

my_mean = tf.reduce_mean(tensor2d)
print(my_mean)
#=> tf.Tensor(2.5, shape=(), dtype=float32)

 

4.5 차원 추가

tensor2d = tf.constant([1,2,3])
tf.expand_dims(tensor2d,1)

5. Random Tensor 생성

#tf.random.uniform( 차원정보, maxval=최대값, minval=최소값, dtype=데이터타입 )
#모든 숫자를 동일한 확률로 생성
random_tensor1 = tf.random.uniform([10], maxval=5, dtype=tf.int32)

#tf.random.normal( 차원정보, 평균, 표준편차 )
#정규분포에서 임의의값 생성
random_tensor2 = tf.random.normal([10], 10, 1)

print(random_tensor1)
print(random_tensor2)

6. Data Type Casting

 Tensor의 데이터타입을 변경할때는 casting을 사용한다.

tensor = tf.constant([1,2,3])
tensor_cast = tf.cast(tensor,tf.float32)
print(tensor_cast)