[tensorflow2.x 기초 - 1] tensorflow의 가장 기본적인 함수들 - .constant / .shape / .dtype / .cast / .numpy / tf.random.normal / tf.random.uniform

 

 

 

 

 

• TensorFlow 2.0 간단 사용법

In [2]:

import numpy as np
import tensorflow as tf

 

Tensor 생성¶

 

• []
  • List 생성

In [3]:

[1,2,3]

Out[3]:

[1, 2, 3]

In [4]:

[[1,2,3], [4,5,6]]

Out[4]:

[[1, 2, 3], [4, 5, 6]]

 

Array 생성¶

 

• tuple이나 list 둘 다 np.array()로 씌어서 array를 만들 수 있음

In [5]:

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

In [6]:

arr.shape

Out[6]:

(3,)

In [7]:

arr = np.array([[1,2,3],[4,5,6]])

In [8]:

arr.shape

Out[8]:

(2, 3)

 

Tensor 생성¶

 

• tf.constant()
  • list -> Tensor

In [9]:

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

Out[9]:

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

 

• tf.constant()
  • tuple -> Tensor

In [10]:

tf.constant(((1,2,3),(4,5,6)))

Out[10]:

<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
       [4, 5, 6]])>

 

• tf.constant()
  • Array -> Tensor

In [11]:

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

Out[11]:

array([1, 2, 3])

In [12]:

tensor = tf.constant(arr)
tensor

Out[12]:

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

 

Tensor에 담긴 정보 확인¶

 

• shape 확인

In [13]:

tensor.shape

Out[13]:

TensorShape([3])

 

• data type 확인
  • 주의: Tensor 생성 할 때도 data type을 정해주지 않기 때문에 data type에 대한 혼동이 올 수 있음
  • Data Type에 따라 모델의 무게나 성능 차이에도 영향을 줄 수 있음

In [14]:

tensor.dtype

Out[14]:

tf.int32

 

• data type 정의

In [15]:

tf.constant([1,2,3], dtype = tf.uint8)
tensor = tf.constant([1,2,3], dtype = tf.float32)

 

• data type 변환
  • Numpy에서 astype()을 주었듯이, TensorFlow에서는 tf.cast를 사용

In [16]:

arr = np.array([1,2,3], dtype = np.float32)

In [17]:

arr.astype(np.uint8)

Out[17]:

array([1, 2, 3], dtype=uint8)

In [18]:

tensor

Out[18]:

<tf.Tensor: shape=(3,), dtype=float32, numpy=array([1., 2., 3.], dtype=float32)>

In [19]:

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

Out[19]:

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

 

• Tensor에서 Numpy 불러오기
  • .numpy()

In [20]:

tensor.numpy()

Out[20]:

array([1., 2., 3.], dtype=float32)

 

• Tensor에서 Numpy 불러오기
  • np.array()

In [21]:

np.array(tensor)

Out[21]:

array([1., 2., 3.], dtype=float32)

 

type()를 사용하여 numpy array로 변환된 것 확인

In [22]:

type(tensor.numpy())

Out[22]:

numpy.ndarray

In [23]:

type(tensor)

Out[23]:

tensorflow.python.framework.ops.EagerTensor

 

난수 생성¶

 

 

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

 

• numpy에서는 normal distribution을 기본적으로 생성
  • np.random.randn()

In [24]:

np.random.randn(9)

Out[24]:

array([-0.15899158,  0.1575718 , -1.75959036,  0.20383348,  0.25867405,
       -0.48118881, -1.30691657, -0.63793082,  1.78042704])

 

• tf.random.normal
  • TensorFlow에서 Normal Distribution

In [25]:

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

Out[25]:

<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[-0.41466862, -0.21604665,  1.0374897 ],
       [-1.0842748 ,  1.3169315 ,  0.44033718],
       [-0.20421009, -0.3760217 ,  0.9834707 ]], dtype=float32)>

 

• tf.random.uniform
  • TensorFlow에서 Uniform Distribution

In [26]:

tf.random.uniform([4,4])

Out[26]:

<tf.Tensor: shape=(4, 4), dtype=float32, numpy=
array([[0.17260396, 0.5215993 , 0.81475794, 0.02093637],
       [0.08261132, 0.53196514, 0.4558599 , 0.26433837],
       [0.6774601 , 0.04147327, 0.56001437, 0.10782743],
       [0.4361142 , 0.5128963 , 0.50784445, 0.74408734]], dtype=float32)>

In [ ]: