DAY60. Tensorflow Basic (1)설치, 기본

Tensorflow 개요

Google 머신 러닝 인텔리전스 연구소의 브레인 팀 개발

머신 러닝과 딥 뉴럴 네트워크 연구 목적

 

 

주요 기능

다차원 배열(Tensor) 정의, 최적화, 효율적 산술 연산

딥 뉴럴 네트워크와 머신 러닝 프로그래밍 지원

메모리와 데이터 자동 관리, GPU 가속 기능 제공 (텐서플로 자동 CPU, GPU 자원 할당)

빅데이터 처리를 위한 대규모 병렬 컴퓨팅 지원

 

 

CPU vs GPU

CPU : 직렬 처리에 최적화된 몇 개의 코어로 구성

GPU : 병렬 처리용으로 설계된 수 천 개의 보다 소형, 효율적인 코어

* 애플리케이션의 연산집약적인 부분을 GPU로 넘기고 나머지 코드만 CPU 처리

 

 

 

 

 

Tensorflow 개발 환경

가상환경 사용 이유

* 가상환경 : 가상의 Python 개발환경 의미

1) Python 버전 관리 -> 하나의 시스템에 base, 2.7, 3.7 버전 등 설치

2) Python 버전에 따른 패키지 의존성 문제 해결 -> ex) 최신버전(base)에서 tensorflow 최신 버전 설치 오류

3) Python 프로젝트 진행 시 -> 프로젝트에 최적화된 환경 구축(필요한 패키지만 설치)

 

 

tensorflow설치

단계1 : Python 버전 확인

Anaconda Prompt> python

 

단계2 : 가상환경 만들기 Tensorflow 가상환경(python 3.8.8설치)

형식) conda create –n 가상환경이름 python==버전

conda create –n tensorflow python==3.8.8

* 가상환경 리스트 확인 (base) > conda env list

 

단계3 : 가상환경 활성화

(base) > conda activate tensorflow

 

단계4 : Tensorflow 최신 버전 설치

형식) conda install 패키지이름

conda install tensorflow

* Tensorflow 1.6 부터 conda 방식으로 설치 권장

 

단계5 : Spyder 설치(Tensorflow 실행용)

(tensorflow) > conda install spyder

 

[에러] ERROR conda.core.link:_execute(698)
시스템환경변수 > 시스템변수 > Path, C:\Windows\System32 추가하기 -> 안됨..^^

[에러] ERROR conda.core.link:_execute(699): An error occurred while installing package 'defaults::bcrypt-3.2.0-py38he774522_0'
가상환경 삭제 : conda env remove --n tensorflow
단계 1~5까지 재설치
[에러]WARNING: Target Directory <directory> already exists." when I pip install a module?
무시하고 y 했음 -> 설치 완료!

 

단계6 : Spyder 실행(Tensorflow 실행용)

가상환경 Tensorflow용 Spyder 실행

 

단계7 : Spyder import 테스트

 

단계8 : Spyder 환경설정

워킹디렉토리 변경

 

단계9 : 가상환경 종료

(tensorflow) > conda deactivate

* (base)로 프롬프트 변경

 

 

가상환경 제거 (방법1) : conda remove --name 가상환경이름 --all 

(tensorflow) conda deactivate

(base) > conda remove --name tensorflow -- all

* 주의 : 가상환경 제거는 가상환경에서 빠져나온 후 실행한다.

 

 

 

 

 

tf basic

Python code vs Tensorflow code
상수와 식 정의   

Python code

x = 10  #값 할당 
y = 30 
print('x=',x) #x= 10
z = x + y #연산 
print('z=', z) #출력 : z= 40

Tensorflow ver1.x code

import tensorflow.compat.v1 as tf #ver1.x -> ver2.x 마이그레이션 
tf.disable_v2_behavior() #ver2.x 사용 안함

[프로그램 정의 영역]
상수 정의 

x = tf.constant(10) #숫자 상수 
y = tf.constant(20) #숫자 상수 
print('x =', x)
print('y =', y)

x = Tensor("Const:0", shape=(), dtype=int32)
y = Tensor("Const_1:0", shape=(), dtype=int32)

식 정의 

z = tf.add(x, y) #z = x + y
print('z=', z) #z = Tensor("Add:0", shape=(), dtype=int32)

sess = tf.Session() #세션 객체

[프로그램 실행 영역]

print('x =', sess.run(x)) #처리기 할당 -> 값 할당(x=10) 
#x = 10
print('y =', sess.run(y)) #처리기 할당 -> 값 할당(y=20)
#y = 20
print('z =', sess.run(z)) #처리기 할당 -> 덧셈 연산 
#z = 30

sess.close() #세션 객체 닫기

 

 

 

 

 

 

tensorboard ver1.x

Tensorboard
그래프 시각화 도구

Node의 계층적 분류와 상세화 제공

특정 부분 확대 및 축소 → 변수의 통계정보 제공
데이터의 흐름 시각화 기능 


Tensorflow ver1.x code

import tensorflow.compat.v1 as tf #ver1.x -> ver2.x 마이그레이션 
tf.disable_v2_behavior() #ver2.x 사용 안함

tensorboard 초기화 

tf.reset_default_graph()

[정의 영역]
상수 정의 

x = tf.constant(1, name='x')
y = tf.constant(2, name='y')

산술연산자 식 정의

a = tf.add(x, y, name='a') #a = x + y 
b = tf.multiply(a, 6, name='b') #b = a * 6
c = tf.subtract(20, 10, name='c') #c = 20 - 10
d = tf.div(c, 2, name='d') #d = c / 2
 
g = tf.add(b, d, name='g')
h = tf.multiply(g, d, name='h')

with tf.Session() as sess : #session 객체
    ''' 실행 영역 '''
    print('d =', sess.run(d)) #device 할당 -> 식 연산
    #d = 5
    print('h =', sess.run(h)) #device 할당 -> 식 연산
    #h = 115
    
    #tensorboard graph 로그 생성 
    tf.summary.merge_all() #상수, 식 모으는 역할
    write = tf.summary.FileWriter(r'C:\ITWILL\5_Tensorflow\graph',sess.graph) # log file 경로 
    write.close()

 

 

Tensorboard 로그파일 실행(가상환경에서)

Tensorboard URL (http://localhost:6006/) 접속

h : 최상위 노드

d : 상위 노드

x, y, Edge : 선 입력값

C Node : 타원 연산

 

 

 

 

 

tensorflow logic

if, while

import tensorflow.compat.v1 as tf #ver1.x
tf.disable_v2_behavior() #ver2.0 사용안함

if 문 

x = tf.constant(10) #x = 10

def true_fn() :
    return tf.multiply(x , 10)

def false_fn():
    return tf.add(x, 10)
    
y = tf.cond(x > 100, true_fn, false_fn)

x > 100 : 조건식
true_fn() : true 
false_fn() : false 

while 문 

i = tf.constant(0) #i = 0 : 반복변수 

def cond(i) : #i = 반복변수 
    return tf.less(i, 100) #i < 100

def body(i) : #i = 반복변수 
    return tf.add(i, 1) #i += 1

loop = tf.while_loop(cond, body, (i,)) #[i]

cond : 조건함수 
body : 반복문 
(i,) : 반복변수

with tf.Session() as sess :
     print("if =", sess.run(y)) #if = 20
     print("loop =", sess.run(loop)) #loop = 100

 

 

 

 

 

eager execution ver2.x

* 주의 : spyder 재실행 필요

Tensorflow 2.x 특징
단순성과 편의성에 초점을 두고 업그레이드

python처럼 즉시 실행(eager execution) -> session 없이 코드 실행
@tf.function 기능 : Python 코드 지원

Keras 모듈 : tensorflow 머신러닝 & 딥러닝 모델 제공

import tensorflow as tf #ver2.x
print(tf.__version__) #2.3.0

즉시 실행 모드

tf.executing_eagerly() #default 활성화

상수 정의 + 생성

a = tf.constant(value=[[1,2], [3,4]], dtype = tf.float32) #[1, 2]는 1행 [3,4]는 2행 / 데이터 타입은 32bit 실수형 -> 2차원 행렬구조
print(a)

tf.Tensor( : 다차원 데이터, 모양, 자료형
[[1. 2.]
 [3. 4.]], shape=(2, 2), dtype=float32)

print(a.numpy()) #객체 a 안의 수치 데이터만 출력

식 정의 + 실행

b = tf.add(x = a, y = 0.5) #b = a + 0.5 -> 차원이 달라도 braodcast연산에 의해 가능
print(b)

tf.Tensor(
[[1.5 2.5]
 [3.5 4.5]], shape=(2, 2), dtype=float32)

print(b.numpy()) #객체 b 안의 순수 데이터만 출력가능

tf.Tensor(
[[1.5 2.5]
 [3.5 4.5]], shape=(2, 2), dtype=float32)

행렬곱(행렬내적)

X = [[2.0, 3.0]] #(1, 2)
w = [[1.0], [1.5]] #(2, 1)

mat = tf.linalg.matmul(a = X, b = w) #data = python
print(mat) #[[6.5]]
print(mat.numpy()) #[[6, 5]]

 

 

 

 

 

@tf.function ver2.x

@tf.function 함수장식자 
- 대상 함수안에서 python code 작성 지원 
- python code -> tensorflow code 자동변환 

-> 개발자에게 편의성을 제공.

-> tensorflow는 전용 딥러닝 알고리즘을 제공한다. 일반적인 프로그램에서는 python코드를 제공하는 것이 2.0의 목적

import tensorflow as tf #ver2.x

if 처리 

@tf.function #함수장식자 : python코드로 처리할 수 있게 도와줌
def if_fn(x) :
    #python code -> tensorflow code 
    if x > 100 :
        y = x * 10
    else :
        y = x + 10
    return y

x = tf.constant(value=10) #tensorflow 객체

함수 호출 

print('y = ', if_fn(x)) #y =  tf.Tensor(20, shape=(), dtype=int32)
print('y = ', if_fn(x).numpy()) #y =  20

while 처리 

@tf.function #함수장식자 
def while_fn(i) :
    #python code로 작성 -> 내부에서는 tensorflow code로 받아 처리 
    while i < 100 :
        i += 1 # i = i + 1 
    return i #반복변수 

i = tf.constant(value = 0) #i = 0 (상수 초기값)

print('i =', while_fn(i)) #i = tf.Tensor(100, shape=(), dtype=int32)