tensors_operations.md

텐서와 연산

TensorFlow.js는 JavaScript에서 텐서를 사용하여 계산을 정의하고 실행하는 프레임워크입니다. 텐서는 벡터와 행렬을 더 높은 차원으로 일반화한 것입니다.

텐서

TensorFlow.js에서 데이터의 중심 단위는 tf.Tensor이고 하나 이상의 차원 배열로 형성된 값의 집합입니다. tf.Tensor는 다차원 배열과 매우 유사합니다.

tf.Tensor에는 다음 속성도 포함됩니다.

• rank: 텐서에 포함된 차원 수를 정의합니다.

• shape: 데이터의 각 차원의 크기를 정의합니다.

• dtype: 텐서의 데이터 유형을 정의합니다.

참고: '차원'이라는 용어는 순위와 같은 의미로 사용됩니다. 머신러닝에서 텐서의 '차원'은 때때로 특정 차원의 크기를 나타낼 수 있습니다(예: 형상 행렬[10, 5]는 랭크 2텐서 또는 2차원 텐서입니다. 첫 번째 차원은 10입니다. 헷갈리기 쉬우나 이 용어가 이중적으로 쓰일 가능성이 높기에 여기에 메모를 남깁니다).

tf.tensor() 메서드를 사용하여 배열에서 tf.Tensor를 만들 수 있습니다.

// Create a rank-2 tensor (matrix) matrix tensor from a multidimensional array.
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('shape:', a.shape);
a.print();

// Or you can create a tensor from a flat array and specify a shape.
const shape = [2, 2];
const b = tf.tensor([1, 2, 3, 4], shape);
console.log('shape:', b.shape);
b.print();

기본적으로 tf.Tensor는 float32 dtype., tf.Tensor는 bool, int32, complex64 및 string dtype으로 만들 수도 있습니다.

const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
console.log('shape:', a.shape);
console.log('dtype', a.dtype);
a.print();

TensorFlow.js는 또한 무작위 텐서, 특정 값으로 채워진 텐서, HTMLImageElement의 텐서 및 여기에서 찾을 수 있는 많은 텐서를 만드는 일련의 편의 메서드를 제공합니다.

텐서의 형상 변경하기

tf.Tensor의 요소 수는 형상에 있는 크기의 곱입니다. 종종 같은 크기의 여러 형상이 있을 수 있기 때문에 tf.Tensor를 같은 크기의 다른 형상으로 재구성할 수 있으면 유용합니다. 재구성은 reshape() 메서드를 사용하여 가능합니다.

const a = tf.tensor([[1, 2], [3, 4]]);
console.log('a shape:', a.shape);
a.print();

const b = a.reshape([4, 1]);
console.log('b shape:', b.shape);
b.print();

텐서에서 값 가져오기

Tensor.array() 또는 Tensor.data() 메서드를 사용하여 tf.Tensor에서 값을 가져올 수도 있습니다.

 const a = tf.tensor([[1, 2], [3, 4]]);
 // Returns the multi dimensional array of values.
 a.array().then(array => console.log(array));
 // Returns the flattened data that backs the tensor.
 a.data().then(data => console.log(data));

또한 사용하기 더 간단하지만 애플리케이션에서 성능 문제를 일으킬 수도 있는 메서드의 동기 버전도 제공합니다. 운영 애플리케이션에서는 항상 비 동기 메서드를 선호해야 합니다.

const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
console.log(a.arraySync());
// Returns the flattened data that backs the tensor.
console.log(a.dataSync());

연산

텐서는 데이터를 저장할 수 있지만 연산을 사용하면 해당 데이터를 조작할 수 있습니다. TensorFlow.js는 또한 텐서에서 수행될 수 있는 선형 대수 및 머신러닝에 적합한 다양한 연산을 제공합니다.

예: tf.Tensor의 모든 요소 x² 계산하기

const x = tf.tensor([1, 2, 3, 4]);
const y = x.square();  // equivalent to tf.square(x)
y.print();

예: 요소별로 두 개의 tf.Tensor 요소 추가하기

const a = tf.tensor([1, 2, 3, 4]);
const b = tf.tensor([10, 20, 30, 40]);
const y = a.add(b);  // equivalent to tf.add(a, b)
y.print();

텐서는 변경이 불가능하기 때문에 이러한 연산은 값을 변경하지 않습니다. 대신 연산 반환은 항상 새 tf.Tensor를 반환합니다.

참고: 대부분의 연산은 tf.Tensor를 반환하지만 결과는 실제로 아직 준비되지 않았을 수 있습니다. 즉, 반환되는 tf.Tensor가 실제로 계산에 대한 핸들임을 의미합니다. Tensor.data() 또는 Tensor.array()를 호출하면 이러한 메서드는 계산이 완료된 경우에만 값으로 해결되는 프라미스를 반환합니다. UI 컨텍스트(예: 브라우저 앱)에서 실행하는 경우 계산이 완료될 때까지 UI 스레드를 차단하지 않도록 동기식 메서드 대신 이러한 메서드의 비 동기 버전을 항상 선호해야 합니다.

TensorFlow.js가 지원하는 연산 목록은 여기에서 찾을 수 있습니다.

메모리

WebGL 백엔드를 사용할 때 tf.Tensor 메모리는 반드시 명시적으로 관리해야 합니다(해제되는 메모리를 위해 tf.Tensor가 범위를 벗어나기에 충분하지 않습니다).

tf.Tensor의 메모리를 삭제하려면 dispose() 메서드 또는 tf.dispose()를 사용할 수 있습니다.

const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // Equivalent to tf.dispose(a)

애플리케이션에서 여러 연산을 함께 연결하는 것은 매우 일반적입니다. 이를 처리하기 위해 모든 중간 변수에 관한 참조를 유지하면 코드 가독성이 떨어질 수 있습니다. 해당 문제를 해결하기 위해 TensorFlow.js는 함수 실행 후 함수가 반환하지 않는 모든 tf.Tensor를 정리하는 tf.tidy() 메서드를 제공합니다. 이는 함수가 실행될 때 지역 변수가 정리되는 방식과 유사합니다.

const a = tf.tensor([[1, 2], [3, 4]]);
const y = tf.tidy(() => {
  const result = a.square().log().neg();
  return result;
});

이 예제에서 square() 및 log()의 결과는 자동으로 삭제됩니다. neg()의 결과는 tf.tidy()의 반환 값이므로 삭제되지 않습니다.

TensorFlow.js에서 추적하는 텐서 수를 가져올 수도 있습니다.

console.log(tf.memory());

tf.memory()로 출력된 객체는 현재 할당된 메모리 양에 대한 정보를 포함합니다. 여기에서 자세한 정보를 찾을 수 있습니다.