Lab:Tensor Manipulation

해당 게시물은 Edwith에서 제공하는
머신러닝과 딥러닝 BASIC을 듣고 요약 정리한 글입니다.


import numpy as np
import tensorflow as tf
import pprint

pp = pprint.PrettyPrinter(indent=4)
sess = tf.InteractiveSession()

1차원 Array

t = np.array([0., 1., 2., 3., 4., 5., 6.])
pp.pprint(t)
array([0., 1., 2., 3., 4., 5., 6.])

Rank (차원)

print(t.ndim)
1

Shape (모양)

print(t.shape)
(7,)

Indexing & Slicing

print(t[0], t[1], t[-1])
print(t[2:5], t[4:-1])
print(t[:2], t[3:])
0.0 1.0 6.0
[2. 3. 4.] [4. 5.]
[0. 1.] [3. 4. 5. 6.]


2차원 Array

t = np.array([
    [1., 2., 3.],
    [4., 5., 6.],
    [7., 8., 9.],
    [10., 11., 12.],
])
pp.pprint(t)
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.],
       [ 7.,  8.,  9.],
       [10., 11., 12.]])

Rank (차원)

print(t.ndim)
2

Shape (모양)

print(t.shape)
(4, 3)


Shape, Rank, Axis

  • Shape (모양)
  • Rank (차원, 대괄호의 갯수)
  • Axis (축)
t = tf.constant([1, 2, 3, 4])
tf.shape(t).eval()
array([4], dtype=int32)

Rank = 1, Shape = (4)

t = tf.constant([
    [1, 2],
    [3, 4],
])
tf.shape(t).eval()
array([2, 2], dtype=int32)

Rank = 2, Shape = (2, 2)

t = tf.constant([
    [
        [
            [1, 2, 3, 4],
            [5, 6, 7, 8],
            [9, 10, 11, 12]
        ],
        [
            [13, 14, 15, 16],
            [17, 18, 19, 20],
            [21, 22, 23, 24],
        ]
    ]
])
tf.shape(t).eval()
array([1, 2, 3, 4], dtype=int32)

Rank = 4, Shape = (1, 2, 3, 4)
4개의 축(Axis) 존재


Matmul vs Multiply

행령 곱셈은 두 행렬이 (a, b) (b, c)의
shape을 갖고 있어야 곱셈이 가능하다.

Matmul

matrix1 = tf.constant([[1., 2.], [3., 4.]])
matrix2 = tf.constant([[1.], [2.]])
print("Matrix 1 shape", matrix1.shape)
print("Matrix 2 shape", matrix2.shape)
tf.matmul(matrix1, matrix2).eval()
Matrix 1 shape (2, 2)
Matrix 2 shape (2, 1)

array([[ 5.],
       [11.]], dtype=float32)

Multiply

(matrix1 * matrix2).eval()
array([[1., 2.],
       [6., 8.]], dtype=float32)


Broadcasting

굉장이 유용하나 유의해서 사용

# Operations between the same shapes
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2., 2.]])
(matrix1 + matrix2).eval()
array([[5., 5.]], dtype=float32)

Rank나 Shape이 다르더라도 연산을 가능하도록
하는것이 Broadcaating기능 이다.

matrix1 = tf.constant([[1., 2.]])
matrix2 = tf.constant(3.)
print((matrix1 + matrix2).eval())

matrix1 = tf.constant([[1., 2.]])
matrix2 = tf.constant([3., 4.])
print((matrix1 + matrix2).eval())

matrix1 = tf.constant([[1., 2.]])
matrix2 = tf.constant([[3.], [4.]])
print((matrix1 + matrix2).eval())
[[4. 5.]]
[[4. 6.]]
[[4. 5.]
 [5. 6.]]


Reduce mean

평균을 계산

tf.reduce_mean([1, 2], axis=0).eval()
1

1과 2의 평균은 1.5가 나올것으로 예상되나
데이터 타입이 Integer이기 때문에 1이 반환
아래와 같이 Float자료형을 사용하는 것이 좋다.

x = [
    [1., 2.],
    [3., 4.],
]
tf.reduce_mean(x).eval()
2.5

위의 x리스트의 axis=0은 [1., 3.], [2., 4.]이고
axis=1은 [1., 2.], [3., 4.]이다.
axis가 -1인 경우 가장 안쪽에 있는 축을 뜻한다.

tf.reduce_mean(x, axis=0).eval()
array([2., 3.], dtype=float32)
tf.reduce_mean(x, axis=1).eval()
array([1.5, 3.5], dtype=float32)
tf.reduce_mean(x, axis=-1).eval()
array([1.5, 3.5], dtype=float32)


Reduce sum

을 계산

x = [
    [1., 2.],
    [3., 4.],
]
tf.reduce_sum(x).eval()
10.0
tf.reduce_sum(x, axis=0).eval()
array([4., 6.], dtype=float32)
tf.reduce_sum(x, axis=1).eval()
array([3., 7.], dtype=float32)
tf.reduce_sum(x, axis=-1).eval()
array([3., 7.], dtype=float32)
tf.reduce_mean(tf.reduce_sum(x, axis=-1)).eval()
5.0


Argmax

argmax함수는 리스트에서 가장 큰 값의 인덱스 반환
아래의 x리스트의 axis=1값은 [0, 1, 2], [2, 1, 0]
axis=0의 값은 [0, 2], [1, 1], [2, 0]다.

x = [
    [0, 1, 2],
    [2, 1, 0],
]
tf.argmax(x, axis=0).eval()
array([1, 0, 0])
tf.argmax(x, axis=1).eval()
array([2, 0])
tf.argmax(x, axis=-1).eval()
array([2, 0])


Reshape (⭐️중요⭐️)

기존 데이터는 유지하고 차원과 형상을 바꾸는데 사용
파라미터로 입력한 차원에 맞게 변경한다.
-1로 설정하면 나머지를 자동으로 맞춘다.

t = np.array([
    [
        [0, 1, 2],
        [3, 4, 5]
    ],
    [
        [6, 7, 8],
        [9, 10, 11]
    ]
])
t.shape
(2, 2, 3)
tf.reshape(t,  shape=[-1, 3]).eval()
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])
tf.reshape(t, shape=[-1, 1, 3]).eval()
array([[[ 0,  1,  2]],

       [[ 3,  4,  5]],

       [[ 6,  7,  8]],

       [[ 9, 10, 11]]])

Reshape (squeeze, expand)

  • squeeze : 값들을 펴준다.
  • expand : 차원을 확장한다.
tf.squeeze([[0], [1], [2]]).eval()
array([0, 1, 2], dtype=int32)
tf.expand_dims([0, 1, 2], 1).eval()
array([[0],
       [1],
       [2]], dtype=int32)


One hot

정보를 가지고 있을때 자리를 보고
값이 있는 곳을 1로 바꾸어 주는 방법

tf.one_hot([[0], [1], [2], [0]], depth=3).eval()
array([[[1., 0., 0.]],

       [[0., 1., 0.]],

       [[0., 0., 1.]],

       [[1., 0., 0.]]], dtype=float32)


Casting

모든 데이터 타입을 바꾸어주는 기능
True, False 값으로도 변경 가능

tf.cast([1.8, 2.2, 3.3, 4.9], tf.int32).eval()
array([1, 2, 3, 4], dtype=int32)
tf.cast([True, False, 1 == 1, 0 == 1], tf.int32).eval()
array([1, 0, 1, 0], dtype=int32)


Stack

값을 쌓아주는 기능
축(axis)를 기준으로도 가능

x = [1, 4]
y = [2, 5]
z = [3, 6]

tf.stack([x, y, z]).eval()
array([[1, 4],
       [2, 5],
       [3, 6]], dtype=int32)
tf.stack([x, y, z], axis=1).eval()
array([[1, 2, 3],
       [4, 5, 6]], dtype=int32)


Ones and Zeros like

똑같은 shape을 가진 0 또는 1로 채워진 Tensor 생성

x = [[0, 1, 2],
     [2, 1, 0]]

tf.ones_like(x).eval()
array([[1, 1, 1],
       [1, 1, 1]], dtype=int32)
tf.zeros_like(x).eval()
array([[0, 0, 0],
       [0, 0, 0]], dtype=int32)


Zip

복수개의 Tensor들을 한번에 처리할 때 유용

for x, y in zip([1, 2, 3], [4, 5, 6]):
    print(x, y)
1 4
2 5
3 6
for x, y, z in zip([1, 2, 3], [4, 5, 6], [7, 8, 9]):
    print(x, y, z)
1 4 7
2 5 8
3 6 9