[딥러닝] 딥러닝 알아보기2 - 텐서 생성, 텐서 타입, 텐서 타입 변환, 텐서 연산, 다양한 함수 정리

🛠 Tensor? 텐서란?

딥러닝에서 데이터를 표현하고 계산하기 위한 기본 단위로

딥러닝 연산은 모두 텐서 연산으로 이루어진다.

 

텐서의 차원에 따라 이름이 다르다.

텐서 차원	설명	예시	실제 상황 비유
0차원 (스칼라)	숫자 하나, 크기 없음	5, 3.14	온도계의 현재 온도 22도
1차원 (벡터)	숫자들의 나열, 선형 배열	[5, 7, 9]	시험 점수 리스트: 수학, 영어, 과학
2차원 (행렬)	행과 열이 있는 데이터 테이블	[[1, 2], [3, 4]]	엑셀 표처럼 (학생 x 과목 점수)
3차원 (큐브)	여러 개의 행렬 → 종이 뭉치 느낌	[[[1,2], [3,4]], [[5,6], [7,8]]]	흑백 이미지 여러 장 (예: 100장의 28x28 사진)
4차원	각 데이터마다 채널까지 포함된 구조	(batch, channel, height, width)	RGB 컬러 이미지 100장(100장 × 3채널 × 28×28 픽셀)
5차원	시퀀스나 시간 요소가 있는 경우	(batch, time, channel, height, width) (10, 100, 3, 28, 28)	10개의 비디오(=시퀀스)각 비디오에 100프레임각 프레임은 RGB 이미지

 

 

 

🔥텐서 생성

함수/메서드	기능 요약
tf.constant(value)	입력값으로부터 TensorFlow 텐서 생성
tf.rank(tensor)	텐서의 차원(축의 개수) 반환

 

t0 = tf.constant(1) 
print(t0)
print(tf.rank(t0))

# tf.Tensor(1, shape=(), dtype=int32)
# tf.Tensor(0, shape=(), dtype=int32)


t1 = tf.constant([1, 2, 3]) 
print(t1)
print(tf.rank(t1))

# tf.Tensor([1 2 3], shape=(3,), dtype=int32)
# tf.Tensor(1, shape=(), dtype=int32)


t2 = tf.constant([[1, 2, 3],
                  [4, 5, 6],
                  [7, 8, 9]])
print(t2)
print(tf.rank(t2))

# tf.Tensor(
# [[1 2 3]
# [4 5 6]
# [7 8 9]], shape=(3, 3), dtype=int32)
# tf.Tensor(2, shape=(), dtype=int32)


t3 = tf.constant([
    [[1, 2, 3],
     [4, 5, 6],
     [7, 8, 9]],  
    [[1, 2, 3],
     [4, 5, 6],
     [7, 8, 9]],   
    [[1, 2, 3],
     [4, 5, 6],
     [7, 8, 9]]   
])
print(t3)
print(tf.rank(t3))
# tf.Tensor(
# [[[1 2 3]
#  [4 5 6]
#  [7 8 9]]
# 
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]
# 
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]], shape=(3, 3, 3), dtype=int32)
# tf.Tensor(3, shape=(), dtype=int32)

 

i = tf.constant(2)
print(i)

# tf.Tensor(2, shape=(), dtype=int32)


f = tf.constant(2.)
print(f)

# tf.Tensor(2.0, shape=(), dtype=float32)


s = tf.constant('Seoul')
print(s)

# tf.Tensor(b'Seoul', shape=(), dtype=string)


f16 = tf.constant(2., dtype=tf.float16)
print(f16)

# tf.Tensor(2.0, shape=(), dtype=float16)


i8 = tf.constant(2, dtype=tf.int8)
print(i8)

# tf.Tensor(2, shape=(), dtype=int8)

 

 

 

🔥텐서 타입

출처: 모두의 연구소

 

 

 

🔥텐서 타입 변환

f32 = tf.cast(f16, tf.float32)
print(f32)
# tf.Tensor(2.0, shape=(), dtype=float32)


i32 = tf.cast(i8, tf.int32)
print(f32)
# tf.Tensor(2.0, shape=(), dtype=float32)

 

 

 

🔥텐서의 연산

서로 다른 타입을 가지는 텐서는 연산이 되지 않고 에러 발생
따라서 타입을 동일하게 변환해주어야 함

연산 기호	TensorFlow 함수	설명
+	tf.add()	더하기 연산
-	tf.subtract()	빼기 연산
*	tf.multiply()	곱하기 연산
/	tf.divide()	나누기 연산
@	tf.matmul()	행렬곱 연산
-	tf.reduce_max()	텐서 값 중 최대값
-	tf.argmax()	최대값의 위치(인덱스) 반환

# 0차원 텐서 연산

print(tf.constant(2) + tf.constant(2))
print(tf.constant(2) - tf.constant(2))
print(tf.add(tf.constant(2), tf.constant(2)))
print(tf.subtract(tf.constant(2), tf.constant(2)))
# tf.Tensor(4, shape=(), dtype=int32)
# tf.Tensor(0, shape=(), dtype=int32)
# tf.Tensor(4, shape=(), dtype=int32)
# tf.Tensor(0, shape=(), dtype=int32)


print(tf.constant(2) * tf.constant(2))
print(tf.constant(2) / tf.constant(2))
print(tf.multiply(tf.constant(2), tf.constant(2)))
print(tf.divide(tf.constant(2), tf.constant(2)))
# tf.Tensor(4, shape=(), dtype=int32)
# tf.Tensor(1.0, shape=(), dtype=float64)
# tf.Tensor(4, shape=(), dtype=int32)
# tf.Tensor(1.0, shape=(), dtype=float64)


# 서로 다른 타입을 가지는 텐서는 연산이 되지 않고 에러 발생
print(tf.constant(2) + tf.constant(2.2))
# error

# 따라서 타입을 동일하게 변환해주어야 함
print(tf.cast(tf.constant(2), tf.float32) + tf.constant(2.2))
# tf.Tensor(4.2, shape=(), dtype=float32)



# 1차원 텐서 연산
a = tf.constant([1]) 
b = tf.constant([1])
print(a)
print(b)
# tf.Tensor([1], shape=(1,), dtype=int32)
# tf.Tensor([1], shape=(1,), dtype=int32)

print(a+b)
print(a-b)
print(a * b)
print(a / b)
# tf.Tensor([2], shape=(1,), dtype=int32)
# tf.Tensor([0], shape=(1,), dtype=int32)
# tf.Tensor([1], shape=(1,), dtype=int32)
# tf.Tensor([1.], shape=(1,), dtype=float64)



# 2차원 텐서의 연산
a = tf.constant([[1, 2, 3],
                 [4, 5, 6]])
b = tf.constant([[7,8],
                 [9,10],
                 [11,12]])
print(a)
print(b)
# tf.Tensor(
# [[1 2 3]
#  [4 5 6]], shape=(2, 3), dtype=int32)

# tf.Tensor(
# [[ 7  8]
#  [ 9 10]
#  [11 12]], shape=(3, 2), dtype=int32)

print(a @ b) # matrix multiplication
# tf.Tensor(
# [[ 58  64]
#  [139 154]], shape=(2, 2), dtype=int32)

print(tf.matmul(a, b))
# tf.Tensor(
# [[ 58  64]
#  [139 154]], shape=(2, 2), dtype=int32)

c = tf.constant([[4.0, 5.0, 6.0], 
                 [10.0, 9.0, 8.0]])

print(tf.reduce_max(c))
print(tf.argmax(c))
print(tf.nn.softmax(c))
# tf.Tensor(10.0, shape=(), dtype=float32)
# tf.Tensor([1 1 1], shape=(3,), dtype=int64)
# tf.Tensor(
# [[0.09003057 0.24472848 0.6652409 ]
#  [0.6652409  0.24472848 0.09003057]], shape=(2, 3), dtype=float32)

 

 

 

🔥텐서의 다양한 함수들

https://docs.pytorch.org/tutorials/beginner/introyt/tensors_deeper_tutorial.html

함수 / 코드	설명	예시 코드	결과 설명
tf.transpose(tensor)	텐서의 차원 순서를 바꿔서 전치	tf.transpose([[1, 2], [3, 4]])	2x2 행렬을 전치해서 (2,2) 크기 유지
tf.reshape(tensor, shape)	전체 원소 수를 유지한 채 텐서 모양 변경	tf.reshape([1,2,3,4,5,6], (2,3))	1차원 (6,) → 2차원 (2,3)
tf.squeeze(tensor)	차원이 1인 축을 제거 (압축)	tf.squeeze([[[1], [2], [3]]])	(3,1) → (3,)
tf.expand_dims(tensor, axis)	지정한 위치에 1차원 축 추가	tf.expand_dims([1, 2, 3], axis=1)	(3,) → (3,1)
tf.split(tensor, num_or_size_splits, axis)	텐서를 지정한 축을 기준으로 분할	tf.split([1,2,3,4], num_or_size_splits=2, axis=0)	[ [1,2], [3,4] ]
tf.concat(values, axis)	여러 텐서를 지정한 축 기준으로 연결	tf.concat([[1,2], [3,4]], axis=0)	[1,2,3,4]

출처: 모두의 연구소