�ݺ�ߣ

TENSORFLOW 개요
2016.12.02 (금) 이효정

Index
■ 딥러닝과 텐서플로
■ 텐서플로 설치
■ 선형회귀분석
– 변수간의 관계에 대한 모델
– 비용함수와 경사 하강법 알고리즘
– 알고리즘 실행

딥러닝과 텐서플로
딥러닝
■ 신경망 알고리즘을 주로 사
용
– 퍼셉트론 알고리즘
■ CNN과 RNN
– CNN(합성곱 신경망)
 이미지 내의 물체 인식
– RNN(순환 신경망)
 번역과 음성인식
텐서플로
■ 최근의 딥러닝 연구에 널
리 사용되는 라이브러리

텐서플로
■ 기본 구조
– 데이터 플로 그래프를 사용하여 수치 연산을 수행한다.
 그래프의 노드 : 수학 연산
 그래프의 에지 : 다차원 데이터 배열
– 수치 연산을 기호로 표현한 그래프 구조를 만들고 처리한다.
■ 장점
– CPU, GPU의 장점 모두 이용 가능
– 모바일 플랫폼, 64비트 리눅스에서 모두 이용 가능
– 텐서보드 모듈
 많은 정보를 모니터링하고 디스플레이 해준다.
 참고 : https://goo.gl/6Cyr20

텐서플로 vs 텐서플로 서빙
텐서플로
■ 입력된 데이터를 가지고
머신러닝 알고리즘을 만
들어 모델을 훈련시켜준
다.
텐서플로 서빙
■ 훈련된 모델에 클라이언
트로부터 들어오는 입력
데이터를 반영해준다.

#0 파이썬과 파이참 설치
■ 파이썬 설치
■ 파이썬 개발 환경인 파이참 설치

#1 docker 설치와 환경 설정
■ 텐서플로는 리눅스에서 작동하므로 가상 머신 역할을 해 주는
docker tool box를 설치
■ docker quick start terminal 실행
– docker-machine create vdocker –d virtualbox
 최초 1회 실행!
– docker-machine ls
 vdocker의 상태가 Running인지 확인한다
– Stopped이라면 docker-machine start vdocker
■ 터미널 종료

#1 docker 설치와 환경 설정

#2 cmd에서 docker 이미지 다운로드
■ cmd 실행
■ 아래 명령 입력 (띄어쓰기에 주의한다.)
– FOR /f "tokens=*" %i IN ('docker-machine env --shell
cmd default') DO %i
■ docker 이미지 다운로드 (최초 1회 실행!)
– docker run –v /c/Users/ML:/home/ML –it python bash
 자신의 파이참 프로젝트 경로를 제대로 써 주기
■ 생성된 이미지명 확인하기
– 확인 : docker ps –a
– 삭제 : docker ps rm (image name)
 안된다면 docker stop (image name) 하고 삭제 명령 재입력

#3 생성된 컨테이너 입장
■ 재시동 및 입장
– docker restart (image name)
– docker attach (image name) + Enter (약간의 버그!)
 안되면 docker start (image name) 입력 후 attach 실행

#4 텐서플로 설치
■ https://www.tensorflow.org/versions/r0.11/get_started/os_set
up.html
– 자신의 컴퓨터 환경에 맞는 명령어 수행하여 텐서플로 설치
■ 완료되면 자신의 프로젝트 폴더로 이동하여 프로젝트를
실행해본다!
– cd (path)
– python (file name)
 파일명 앞 부분까지 입력하고 Tab키를 누르면 해당 파일명 자동 완성

#5 설치 완료 후 다시 입장하는 과정

#6 간단한 예제 실행
: 알고리즘 기술 > 세션 생성 > 연산 실행!
■ placeholder
– 프로그램 실행 중 값을 변경할 수
있는 ‘심벌릭’ 변수
■ tensor
– 동적 크기 갖는 다차원 데이터 배
열
■ mul()
– 텐서 조작을 위해 텐서플로가 제
공하는 많은 수학 연산 함수 중
하나
■ Session()
– 세션 생성함으로써 프로그램이
텐서플로 라이브러리와 상호작
용

Note that…
■ 텐서플로에서 연산과 데이터에 대한 모든 정보는 그래프
구조 안에 저장됨
– 노드 : 수학 연산
 데이터 입력과 출력의 위치를 표현하거나 저장된 변수를 읽고 씀
– 에지 : 입력 값과 출력 값으로 연결된 노드 간의 관계를 표현 + 텐
서플로의 기본 자료구조인 텐서 운반!

선형 회귀 분석
변수 간의 관계에 대한 모델
비용 함수와 경사 하강법 알고리즘
알고리즘 실행

선형 회귀 분석(linear regression)이란?
■ 변수들 사이의 관계를 분석하는 데 사용하는 통계학적 방
법
■ 독립변수 xi, 상수항 b와 종속변수 y간의 관계를 모델링
■ 단순회귀와 다중회귀
– 단순회귀 : 두 변수 간의 관계인 경우
– 다중회귀 : 여러 개의 변수를 다루는 경우

변수 간의 관계에 대한 모델 : y =
W*x+b
■ 이차원 좌표계에 데이터를 생성하는 파이썬 프로그램 작
성
■ 위 샘플 데이터에 맞는 최적의 직선을 찾는 문제

비용 함수(cost function)와 경사 하강법
알고리즘(gradient descent)
■ 문제 : 입력 데이터로부터 출력을 추정할 수 있는 학습 알
고리즘을 훈련시키기
– W와 b 두 개의 매개변수로 모델 표현 가능
– 입력 데이터 x_data를 이용해 출력 데이터 y_data를 만들 수 있는
최적의 매개변수 W와 b를 찾기

■ 비용함수(=오차함수)
– 반복이 일어날 때마다 개선 여부를 확인하기 위해 얼마나 좋은
(나쁜) 직선인지 측정
– W와 b를 매개변수로 받아 직선이 얼마나 데이터에 잘 맞는지를
기준으로 오차 값을 리턴
 여기서는 비용함수로 평균제곱오차(mean square error) 사용
– 실제 값과 알고리즘이 반복마다 추정한 값 사이의 거리를 오차로 하
는 값의 평균
– 비용함수 최소화 = 적합한 모델 찾는 것

■ 경사하강법
– 일련의 매개변수로 된 함수가 주어지면 초기 시작점에서 함수의
값이 최소화 되는 방향으로 매개변수를 변경하는 것을 반복적으
로 수행하는 알고리즘
 함수의 기울기를 음의 방향으로 진행하면서 반복적으로 최적화 수행
 거리 값 제곱 : 양의 값을 만들기 위해
 비용함수는 미분 가능 : 기울기 계산해야 하므로
– 매개변수(W, b)의 초기 값에서 시작하여 W, b를 수정해가며 비
용함수를 최소화하는 변수 값을 찾아낸다!

■ 경사하강법의 실제 연산
– 그래프 구성
 바닥의 2차원 공간 : W, b로 구
성
– 각 점은 하나의 직선 표현
 높이 : 해당 직선에 대한 오차
– 연산 : 평면의 한 지점에서 시작
해 더 작은 오차를 갖는 직선을
찾아 이동!
 비용 함수의 기울기를 계산
– W와 b에 대한 편미분 연산
 기울기는 오차가 낮은 곳의 방
향을 가리킴

알고리즘 실행
■ data set 생성
■ train에 경사하강법 적용한 옵티마이저 할당
■ train을 여러 번 반복하여 적합한 W, b 찾기

#2 경사 하강법 반복해 적합한 W, b 찾
기

용어 정리
■ 학습 속도(learning rate)
– 텐서플로가 각 반복 때마다 얼마나 크게 이동할 것인가를 제어
– 크게하면 정확성 ↓ (최솟값을 지나쳐버릴 수 있음)
– 작게하면 시간 ↑ (최솟값 찾는 데에 너무 많은 반복이 필요함)

참고자료
■ 텐서플로 첫걸음, 조르디 토레스(박해선 옮김), 한빛미디어㈜
■ 인공지능 해커웨이 강의 자료
■ 텐서플로 백서 – http://goo.gl/CNSdsB
■ 경사하강법 이미지 - http://www.mathworks.com/matlabcentral/fx_files/27631/1/fff.png

�ݺ�ߣ

Howto_Tensorflow+Linear Regression

Recommended

More Related Content

What's hot (20)

Similar to Howto_Tensorflow+Linear Regression (20)

More from Hyo jeong Lee (10)

Howto_Tensorflow+Linear Regression

Editor's Notes