06. 딥러닝 : 텐서플로우 개요 : 사용해야 하는 이유

텐서

 

지금까지 우리는 numpy만을 계산 라이브러리로 사용했습니다. 하지만 텐서플로우와 SK가 머신 러닝에 적합한 Python 라이브러리가 있다고 생각할 것입니다. 사용할 주요 도구가 될 텐서플로우에 대해 알아보겠습니다.

텐서의 수학적 개념은 광범위하게 설명 될 수 있습니다. 벡터와 행렬은 텐서가 벡터 스칼라에서 다음 객체가 될 것입니다. 벡터와 행렬은 모두 텐서가 0 1이고 2는 각각 우리가 지금까지 본 개념의 일반화일뿐입니다. 텐서플로우를 보면 일단 의미하는 바를 빨리 알 수 있습니다.

텐서플로우를 소개하기 전에 잠시 시간을 내어 왜 좋은 선택인지 설명해 드리겠습니다. 가장 인기있는 라이브러리 중 하나이며 대부분의 다른 기계 학습 과정은 SK 학습에 기반을 두고 있기 때문에 비교하여 학습합니다. 알고 있지만 Google은 기계 학습의 리더입니다. 이 분야의 혁신가들은 머신 러닝이 개발됨에 따라 Google은 자신의 요구에 맞는 더 나은 프로그래밍 방법을 필요로했기 때문에 내부용 텐서 플로우 패키지를 개발했습니다.

2015년 말 Google은 텐서플로우를 대중에게 공개했습니다. 텐서플로우의 가장 큰 장점 중 하나는 컴퓨터의 CPU뿐만 아니라 GPU를 사용한다는 것입니다. 이것은 알고리즘 속도에 매우 중요합니다. 이러한 방식으로 텐서플로우는 훨씬 더 많은 컴퓨팅 성능을 활용합니다. 가장 중요한 부분은 자동으로 수행되는 것입니다.

최근에 Google은 TPU 사용 또는 텐서 처리 장치를 도입하여 이러한 추세를 더욱 발전 시켰습니다. 우리는 텐서플로우의 대안을 설정합니다. 머신 러닝을 했지만 텐서를 쓰지 않은 경우 보통 SK런입니다.

신경망에 관한 텐서 흐름과 동일한 기능을 제공하지는 않지만 다른 분야와 반대되는 지점을 만들 수 있습니다. K Means clustering 및 random forest esky와 같은 문제가 있을 때 머신 러닝을 수행하는 것이 더 잘 맞을 수 있습니다. 나중에 보게 될 사전 처리와 관련하여 특히 그렇습니다.

신경망에 대한 깊은 이해를 제공하는 것을 목표로합니다. 다음에 보게 될 포스팅에서 텐서플로우를 도입하여 더 깊게 가기로 알아보기로 결정했습니다.

기본 예제를 만들지만 새로운 구문을 사용하여 동일한 예제를 만들 것입니다. 텐서플로우를 통해 기계 학습 이론과 그 구현을 계속 소개합니다. 이론은 텐서플로우나 사용중인 패키지가 동일하다는 것을 아는 것이 매우 중요합니다. 유일한 차이점은 작성하는 코드입니다.