1.Introduction to Python and TensorFlow
12 likes2,648 views
![Check TensorFlow
>ipython
…
In [1]: import tensorflow as tf
39](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-39-320.jpg)
![print()
In [1]: print(“Hello World”)
Hello World
In [2]: print(‘Hello World’)
Hello World
In [3]: # comment
49](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-49-320.jpg)
![숫자(number)
In [1]: i = 10
In [2]: print(i)
10
In [3]: f = 10.0
In [4]: print(f)
10.0
50](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-50-320.jpg)
![문자열(string)
In [1]: str1 = “Hello World”
In [2]: print(str1)
Hello World
In [3]: str2 = “안녕 파이썬”
In [4]: print(str2)
안녕 파이썬
51](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-51-320.jpg)
![여러 변수 출력
In [1]: print(str1, str2)
Hello World 안녕 파이썬
In [2]: print(str1+str2)
Hello World안녕 파이썬
In [3]: print(str1+” ”+str2)
Hello World 안녕 파이썬
52](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-52-320.jpg)
![다른 타입의 변수 출력
In [1]: print(i, str1)
10 Hello World
In [2]: print(i+str1)
TypeError: unsupported operand type(s) for +: 'int' and
'str’
In [3]: type(i)
int
53](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-53-320.jpg)
![리스트(list)
In [1]: teams = []
In [2]: teams.append(1)
In [3]: print(teams)
[1]
In [4]: teams.append(2)
In [5]: print(teams)
[1, 2]
54](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-54-320.jpg)
![리스트에 여러 종류의 값
In [1]: teams = []
In [2]: teams.append(”Tottenham”)
In [3]: print(teams)
[1, 2, “Tottenham”]
In [4]: len(teams)
3
55](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-55-320.jpg)
![리스트 요소 선택
In [1]: print(teams[0])
1
In [2]: print(teams[2])
Tottenham
In [3]: print(teams[1:3])
[2, ‘Tottenham’]
In [4]: print(teams[0:2])
[0, 1]
56](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-56-320.jpg)
![문자열 요소 선택
In [1]: print(str1[0])
H
In [2]: print(str1[0:6])
Hello
In [3]: print(str1[-1])
d
In [3]: print(str1[-5:])
World
57](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-57-320.jpg)
![연산자
In [1]: sum = 1 + 2 + 3
In [2]: sum
6
In [3]: 4 * 5 / 2
10.0
In [4]: 4 * 5 // 2
10
58](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-58-320.jpg)
![제곱, 나머지
In [1]: 3 ** 2
9
In [2]: 3 ** 3
27
In [3]: 10 % 3
1
59](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-59-320.jpg)
![if
In [1]: if i == 10:
print(‘test ok’)
test ok
In [2]: if str1 == ‘Hello World’:
print(‘test valid’)
test valid
60](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-60-320.jpg)
![else
In [1]: if i <= 10:
print(‘less than 10’)
else:
print(‘more than 10’)
less than 10
61](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-61-320.jpg)
![elif
In [1]: if i < 10:
print(‘less than 10’)
elif i == 10:
print(‘equal 10’)
else:
print(‘more than 10’)
equal 10
62](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-62-320.jpg)
![if ~ in list
In [1]: if ‘Tottenham’ in teams:
print(‘sonny’)
sonny
In [2]: if ‘Tottenham’ in teams:
idx = teams.index(‘Tottenham’)
print(teams[idx])
Tottenham
63](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-63-320.jpg)
![for
In [1]: for name in teams:
print(name)
1
2
Tottenham
64](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-64-320.jpg)
![for ~ in range()
In [1]: for i in range(5):
print(i)
0
1
2
3
4
65](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-65-320.jpg)
![for ~ in range()
In [1]: for i in range(5):
if i % 2 == 0:
print(i)
continue
if i // 2 >= 1:
break
0
2
66](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-66-320.jpg)
![딕셔너리(dictionary)
In [1]: stat = {‘sonny’: 11, ‘kane’: 19}
In [2]: stat[‘sonny’]
11
In [3]: type(stat)
dict
In [4]: stat[‘alli’] = 16
In [5]: stat
{‘alli’: 16, ‘kane’: 19, ‘sonny’: 11}
67](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-67-320.jpg)
![복잡한 구조
In [1]: epl = {'team': teams, 'stat': stat}
In [2]: epl
{'stat': {'kane': 19, 'sonny': 11}, 'team': [1, 2]}
In [3]: epl = [teams, stat]
In [4]: epl
[[1, 2], {'kane': 19, 'sonny': 11}]
68](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-68-320.jpg)
![for ~ in dict
In [1]: for k in stat:
print(k, stat[k])
alli 16
sonny 11
kane 19
69](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-69-320.jpg)
![for ~ in dict.items()
In [1]: for k, v in stat.items():
print(k, v)
alli 16
sonny 11
kane 19
70](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-70-320.jpg)
![del()
In [1]: del(teams[2])
In [2]: teams
[1, 2]
In [3]: del(stat[‘alli’])
In [4]: stat
{‘kane’: 19, ‘sonny’: 11}
71](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-71-320.jpg)
![import
In [1]: import tensorflow
In [2]: tensorflow.constant(2)
<tf.Tensor 'Const:0' shape=() dtype=int32>
In [3]: import tensorflow as tf
In [4]: tf.constant(2)
<tf.Tensor 'Const:0' shape=() dtype=int32>
72](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-72-320.jpg)
![텐서(Tensor)
• 다차원 배열, 매트릭스, NumPy 배열
• 텐서플로우에서 사용하는 데이터 표현
a.shape
TensorShape([])
c = tf.constant([2, 2])
c.shape
TensorShape([Dimension(2)])
76](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-76-320.jpg)
![상수(Constant)
d = tf.constant([[0, 1, 2], [3, 4, 5]])
d.shape
TensorShape([Dimension(2), Dimension(3)])
sess = tf.Session()
sess.run(d)
array([[0, 1, 2], [3, 4, 5]], dtype=int32)
77
행렬(matrix) 𝑑 =
0 1 2
3 4 5](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-77-320.jpg)
![zeros(), ones()
• 0으로 채워진 텐서를 만듭니다.
e = tf.zeros([2, 3])
tf.Session().run(e)
array([[ 0., 0., 0.], [ 0., 0., 0.]], dtype=float32)
• 1로 채워진 텐서를 만듭니다.
f = tf.ones([2, 3], dtype=tf.int32)
tf.Session().run(f)
array([[1, 1, 1], [1, 1, 1]], dtype=int32)
78](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-78-320.jpg)
![random_normal()
• 정규 분포(𝜇 = 0, 𝜎 = 1)의 난수를 발생시킵니다
g = tf.random_normal([2, 3])
tf.Session().run(g)
array([[-0.42949361, 2.13715839, -0.73751086],
[-0.56948185, -0.92247707, 0.62523431]],
dtype=float32)
79](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-79-320.jpg)
![truncated_normal()
• 정규 분포의 난수 중 표준편차의 두배 밖의 값은 제외합니다
h = tf.truncated_normal([2, 3])
tf.Session().run(h)
array([[ 1.09942925, -0.31089929, 0.39926037],
[-0.55724454, -0.41932136, -1.33153999]],
dtype=float32)
80](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-80-320.jpg)
![random_uniform()
• 균등 분포(0~1)의 난수를 발생시킵니다
p = tf.random_uniform([2, 3])
tf.Session().run(p)
array([[ 0.53323591, 0.19622314, 0.86946297],
[ 0.04974151, 0.95073402, 0.90066719]],
dtype=float32)
81](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-81-320.jpg)
![tf.add()
• 주어진 두 텐서를 더합니다.
a = tf.constant(10); b = tf.constant(20)
c = tf.add(a, b)
tf.Session().run(c)
30
d = tf.constant([10, 20]); e = tf.constant([20, 10])
f = d + e
tf.Session().run(f)
array([30, 30], dtype=int32)
82](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-82-320.jpg)
![tf.substrct()
• 주어진 두 텐서를 뺍니다.
a = tf.constant(10); b = tf.constant(20)
c = tf.subtract(a, b)
tf.Session().run(c)
-10
d = tf.constant([10, 20]); e = tf.constant([20, 10])
f = d - e
tf.Session().run(f)
array([-10, 10], dtype=int32)
83](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-83-320.jpg)
![tf.multiply()
• 주어진 두 텐서를 곱합니다.
a = tf.constant(10); b = tf.constant(20)
c = tf.multiply(a, b)
tf.Session().run(c)
200
d = tf.constant([10, 20]); e = tf.constant([20, 10])
f = d * e
tf.Session().run(f)
array([200, 200], dtype=int32)
84](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-84-320.jpg)
![tf.divide()
• 주어진 두 텐서를 곱합니다.
a = tf.constant(10); b = tf.constant(20)
c = tf.divide(a, b)
tf.Session().run(c)
0.5
d = tf.constant([10, 20]); e = tf.constant([20, 10])
f = d / e
tf.Session().run(f)
array([0.5, 2.], dtype=int32)
85](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-85-320.jpg)
![tf.Variable(tf.random_normal())
• 변수를 생성할 때 랜덤한 값으로 초기화를 많이 합니다.
• random_normal(), truncated_normal(), random_uniform()
a = tf.Variable(tf.random_normal([2,3]))
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(a)
array([[-1.4886378 , 0.28386045, 0.48322374],
[-1.92303669, -0.40773764, -0.11247366]],
dtype=float32)
88](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-88-320.jpg)
![행렬(matrix)
• 2×3 행렬
1 −2 2
3 −1 1
a = tf.Variable([[1, -2, 2], [3, -1, 1]])
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(a[1][2])
1
89
행
(row)
열(column)
열(column)행(row)](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-89-320.jpg)
![tf.reduce_sum(a, 0)
• 행렬의 행방향으로 합을 계산합니다.
a = tf.Variable([[1, -2, 2], [3, -1, 1]])
asum = tf.reduce_sum(a, 0)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(asum)
array([ 4, -3, 3], dtype=int32)
90
1 −2 2
3 −1 1
4 −3 3](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-90-320.jpg)
![tf.reduce_sum(a, 1)
• 행렬의 열방향으로 합을 계산합니다.
a = tf.Variable([[1, -2, 2], [3, -1, 1]])
asum = tf.reduce_sum(a, 1)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(asum)
array([ 1, 3], dtype=int32)
asum = tf.reduce_sum(a)
sess.run(asum)
4
91
1 −2 2
3 −1 1
1 3](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-91-320.jpg)
![1 −2 2
3 −1 1
2. −1.5 1.5
tf.reduce_mean()
• 행렬의 행, 열방향으로 합을 계산합니다.
a = tf.Variable([[1., -2., 2.], [3., -1., 1.]])
amean = tf.reduce_mean(a, 0)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(amean)
array([ 2. , -1.5, 1.5], dtype=float32)
92](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-92-320.jpg)
![행렬 내적
• 행렬의 덧셈
• 2×3 + 2×3 = [2×3]
1 −2 2
3 −1 1
+
−1 3 2
2 4 1
=
0 1 4
5 3 2
• 행렬의 곱셈: 내적, 점곱(dot product)
• 2×3 ⋅ 3×2 = [2×2]
1 −2 2
3 −1 1
2 −1
4 3
1 2
=
−4 −3
3 −4
93
행
(row)
열(column)](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-93-320.jpg)
![tf.matmul()
• 두개의 텐서를 입력 받아 행렬 내적을 계산합니다.
a = tf.Variable([[1, -2, 2], [3, -1, 1]])
b = tf.Variable([[2, -1], [4, 3], [1, 2]])
dot = tf.matmul(a, b)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(dot)
array([[-4, -3],
[ 3, -4]], dtype=int32)
94
1 −2 2
3 −1 1
2 −1
4 3
1 2
−4 −3
3 −4](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-94-320.jpg)
![tf.placeholder() & feed_dict
• 값을 지정하지 않은 플레이스 홀더를 만든 후 실행시에 값을 주입합니다.
a = tf.Variable([[1, -2, 2], [3, -1, 1]])
b = tf.placeholder(tf.int32, [3, 2])
dot = tf.matmul(a, b)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(dot, feed_dict={b: [[2, -1], [4, 3], [1, 2]]})
array([[-4, -3],
[ 3, -4]], dtype=int32)
97](https://image.slidesharecdn.com/1-170411114621/85/1-Introduction-to-Python-and-TensorFlow-97-320.jpg)
1.Introduction to Python and TensorFlow
- 1. Introduction to Python and TensorFlow
- 2. Contacts • Haesun Park • email : [email protected] • facebook : facebook.com/haesunrpark • blog : tensorflow.blog 2
- 3. Book • 텐서플로 첫걸음 • First Contact with TensorFlow, Jordie Torres. • 온라인 : tensorflow.blog/2016/04/28/first- contact-with-tensorflow/ • Yes24 : yes24.com/24/goods/30547754 3
- 4. Outlook • Part 1: 파이썬과 텐서플로우 소개 • Part 2: 회귀 분석과 로지스틱 회귀 • Part 3: 뉴럴 네트워크 알고리즘 • Part 4: 콘볼루션 뉴럴 네트워크 4
- 5. 머신 러닝 소개 5
- 6. 머신 러닝이란 “머신 러닝 또는 기계 학습은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다.” - 위키피디아 “Field of study that gives computers the ability to learn without being explicitly programmed.” - Arthur Samuel, 1959 6
- 7. AI ⊃ 머신러닝 ⊃ 딥러닝 • 딥러닝이란 인공신경망(Artificial Neural Network) 알고리즘을 사용한 머 신러닝의 한 분야이다. 7
- 8. 머신 러닝 역사 8
- 10. 연구 분야 10
- 11. 머신 러닝 분류 • 감독 여부나 주어지는 정보에 따라 • 지도 학습(supervised learning) • 알고있는 샘플과 정답(레이블)을 이용한 학습 • 스팸필터, 붓꽃 품종, 암진단 • 비지도 학습(unsupervised learning) • 정답이 없는 샘플을 이용하여 데이터를 재표현 • 차원축소, 군집 • 강화 학습(reinforcement learning) • 환경으로부터 받은 보상을 이용하여 학습 • 게임, 로봇 11
- 12. 딥 러닝의 분야 • 음성인식(Speech Recognition) • Google Assistant • Amazon Echo • SKT NUGU • 이미지인식(Image Recognition) • Google Photo • 자율주행 자동차 • 자연어처리(Natural Language Processing, NLP) • 기계번역(Machine Translation) • 챗봇(chatbot) • 게임, 그림, 음악, 로봇, ... 12
- 13. 손글씨 숫자 인식 • MNIST handwritten digits database • http://yann.lecun.com/exdb/mnist/ 13
- 14. 텐서플로우 소개 14
- 15. 머신 러닝 라이브러리 • scikit-learn (http://scikit-learn.org) • 파이썬이 머신러닝 분야의 표준 언어 • Weka http://www.cs.waikato.ac.nz/ml/weka/ • Apache Mahout, Spark ML, ... 15
- 16. 딥 러닝 라이브러리 • TensorFlow(https://tensorflow.org) • 2015년 11월 공개 • 구글이 개발, 지원 • 파이썬 API / 윈도우, 맥, 리눅스 지원 • 다양한 인공신경망 알고리즘 제공 • 계산 그래프 정의, 실행 • PyTorch(http://pytorch.org/) • 페이스북 개발, 지원 • 다이나믹 계산 그래프 • MXNet, CNTK, Theano, Deeplearning4j, DyNet • Torch, Caffe, Chainer 16
- 17. 텐서플로우 리소스 • 텐서플로우 웹사이트 http://tensorflow.org • 텐서플로우 깃허브 https://github.com/tensorflow/tensorflow • 텐서플로우 커뮤니티 https://www.facebook.com/groups/TensorFlowKR/ • 텐서플로우 한글 문서 https://tensorflowkorea.gitbooks.io/tensorflow-kr/ • 텐서플로우 블로그 https://tensorflow.blog/ 17
- 18. 파이썬 소개 18
- 19. History • 네덜란드 개발자 귀도 반 로섬(Guido van Rossum)이 1989년에 개발 시작 • 1994년 1.0 Release, 2000년에 2.0 Release, 2010년에 2.7 Release • 2008년에 3.0 Release, 2015년에 3.5 Release, 2016년에 3.6 Release • Python 2.7 버전은 2020년 까지만 지원 19 Guido van Rossum, Dropbox 2012~ 출처: wikipedia
- 21. Advantage • 오픈소스 범용 인터프리트 언어(no compile) • 배우기 쉽고 코드를 읽기 좋다 • Battery Included • 객체 지향 언어(Object Oriented Programming, OOP) • 대화식 쉘(Interactive Shell): python, ipython • 코드 + 결과 + 문서 : Jupyter notebook • 풍부한 과학 기술 라이브러리(scikit-learn, scipy, numpy, pandas,...) • 아나콘다(https://www.continuum.io/downloads) • 캐노피(https://www.enthought.com/product/canopy) • 더 풍부한 서드파티 라이브러리(pypi.python.org) 21
- 22. Python 2 vs 3 어떤 것을 써야할 지 잘 모르겠다면 파이썬 3이 적절합니다. 이미 파이썬 2로 작성한 코드가 많이 있거나 사용하고 있는 라이브러리가 파이썬 2 밖에 지원하지 않는 경우에는 파이썬 2를 사용합니다. 22
- 23. Comparison 23 Python Java Perl Ruby dynamic type static type dynamic type dynamic type interprete compile script interprete less develop fast execute unreadable code less develop battery included more modules Flask, Django Spring, Struts Rails strict indentation android text processing more object- oriented more object- oriented less object- oriented more object- oriented
- 24. Installer • Mac & Linux • come with python 2.7 out of the box • python.org • windows, mac • linux 배포판 패키지 관리툴 (e.g. yum, apt-get) • ActivaState, Canopy • windows, mac, linux • Anaconda • continuum.io • 720+ for stats, data mining, ml, dl, nlp, … • include Numpy, SciPy, pandas, scikit-learn, Jupyter, NLTK, matplotlib, ... 24
- 25. Package • 서드파티 라이브러리 • pypi.python.org $ pip install package_name $ conda install package_name 25
- 26. Script, Interactive shell $ python script_name.py $ python $ ipython 26 ~~~~~ ~~~
- 27. Jupyter notebook 27 • 코드 + 문서 + 결과 • aka Ipython notebook • julia, R, ruby $ jupyter notebook
- 28. Notebook 28
- 31. 파이썬과 텐서플로우 설치 31
- 36. Python 3.5 Environment >conda create -n tensorflow python=3.5 anaconda 36
- 38. Install TensorFlow (tensorflow)>pip install tensorflow 38
- 39. Check TensorFlow >ipython … In [1]: import tensorflow as tf 39
- 40. Notebook 연결 • 아마존 웹서비스 EC2에 있는 주피터 노트북에 접속하여 실습합니다. • 브라우저로 아래 페이지에 있는 주피터 노트북 서버 주소로 연결하세요. • 서버가 재 시작되면 주피터 노트북 주소가 매번 달라집니다. 40
- 41. 폴더 생성 41 Untitled Folder 하나를 선택해서 각자 생일의 월일로 폴더를 만들어 주세요.
- 42. 노트북 생성 42 자신의 폴더로 들어가 Python3 노트북을 하나 만듭니다.
- 43. 노트북 이름 바꾸기 43 노트북의 이름을 적절한 이름으로 바꾸어 줍니다.
- 44. 텐서플로우 테스트 44 노트북의 첫번째 셀에 ‘import tensorflow as tf’ 란 명령을 기입하고 Shift + Enter 를 눌러서 셀을 실행합니다. 아무런 메세지가 나오지 않으면 성공입니다.
- 45. 셀(cell) 타입 45
- 46. 기본적인 사용법 46
- 47. 주의해야할 점 • 노트북 셀의 오브젝트(변수)는 노트북이 종료되면 모두 사라집니다. • 다시 노트북을 열었을 때 출력 값은 보이지만 오브젝트는 메모리에 없습 니다. • 오브젝트를 다시 만드려면 해당 셀을 다시 실행해야 합니다. • 노트북 실행중에 상위 셀을 다시 실행하면 그로 인해 하위 오브젝트가 무 효화 될 수 있습니다. 47
- 48. 파이썬 기초 48
- 49. print() In [1]: print(“Hello World”) Hello World In [2]: print(‘Hello World’) Hello World In [3]: # comment 49
- 50. 숫자(number) In [1]: i = 10 In [2]: print(i) 10 In [3]: f = 10.0 In [4]: print(f) 10.0 50
- 51. 문자열(string) In [1]: str1 = “Hello World” In [2]: print(str1) Hello World In [3]: str2 = “안녕 파이썬” In [4]: print(str2) 안녕 파이썬 51
- 52. 여러 변수 출력 In [1]: print(str1, str2) Hello World 안녕 파이썬 In [2]: print(str1+str2) Hello World안녕 파이썬 In [3]: print(str1+” ”+str2) Hello World 안녕 파이썬 52
- 53. 다른 타입의 변수 출력 In [1]: print(i, str1) 10 Hello World In [2]: print(i+str1) TypeError: unsupported operand type(s) for +: 'int' and 'str’ In [3]: type(i) int 53
- 54. 리스트(list) In [1]: teams = [] In [2]: teams.append(1) In [3]: print(teams) [1] In [4]: teams.append(2) In [5]: print(teams) [1, 2] 54
- 55. 리스트에 여러 종류의 값 In [1]: teams = [] In [2]: teams.append(”Tottenham”) In [3]: print(teams) [1, 2, “Tottenham”] In [4]: len(teams) 3 55
- 56. 리스트 요소 선택 In [1]: print(teams[0]) 1 In [2]: print(teams[2]) Tottenham In [3]: print(teams[1:3]) [2, ‘Tottenham’] In [4]: print(teams[0:2]) [0, 1] 56
- 57. 문자열 요소 선택 In [1]: print(str1[0]) H In [2]: print(str1[0:6]) Hello In [3]: print(str1[-1]) d In [3]: print(str1[-5:]) World 57
- 58. 연산자 In [1]: sum = 1 + 2 + 3 In [2]: sum 6 In [3]: 4 * 5 / 2 10.0 In [4]: 4 * 5 // 2 10 58
- 59. 제곱, 나머지 In [1]: 3 ** 2 9 In [2]: 3 ** 3 27 In [3]: 10 % 3 1 59
- 60. if In [1]: if i == 10: print(‘test ok’) test ok In [2]: if str1 == ‘Hello World’: print(‘test valid’) test valid 60
- 61. else In [1]: if i <= 10: print(‘less than 10’) else: print(‘more than 10’) less than 10 61
- 62. elif In [1]: if i < 10: print(‘less than 10’) elif i == 10: print(‘equal 10’) else: print(‘more than 10’) equal 10 62
- 63. if ~ in list In [1]: if ‘Tottenham’ in teams: print(‘sonny’) sonny In [2]: if ‘Tottenham’ in teams: idx = teams.index(‘Tottenham’) print(teams[idx]) Tottenham 63
- 64. for In [1]: for name in teams: print(name) 1 2 Tottenham 64
- 65. for ~ in range() In [1]: for i in range(5): print(i) 0 1 2 3 4 65
- 66. for ~ in range() In [1]: for i in range(5): if i % 2 == 0: print(i) continue if i // 2 >= 1: break 0 2 66
- 67. 딕셔너리(dictionary) In [1]: stat = {‘sonny’: 11, ‘kane’: 19} In [2]: stat[‘sonny’] 11 In [3]: type(stat) dict In [4]: stat[‘alli’] = 16 In [5]: stat {‘alli’: 16, ‘kane’: 19, ‘sonny’: 11} 67
- 68. 복잡한 구조 In [1]: epl = {'team': teams, 'stat': stat} In [2]: epl {'stat': {'kane': 19, 'sonny': 11}, 'team': [1, 2]} In [3]: epl = [teams, stat] In [4]: epl [[1, 2], {'kane': 19, 'sonny': 11}] 68
- 69. for ~ in dict In [1]: for k in stat: print(k, stat[k]) alli 16 sonny 11 kane 19 69
- 70. for ~ in dict.items() In [1]: for k, v in stat.items(): print(k, v) alli 16 sonny 11 kane 19 70
- 71. del() In [1]: del(teams[2]) In [2]: teams [1, 2] In [3]: del(stat[‘alli’]) In [4]: stat {‘kane’: 19, ‘sonny’: 11} 71
- 72. import In [1]: import tensorflow In [2]: tensorflow.constant(2) <tf.Tensor 'Const:0' shape=() dtype=int32> In [3]: import tensorflow as tf In [4]: tf.constant(2) <tf.Tensor 'Const:0' shape=() dtype=int32> 72
- 73. Python 온라인 문서 • 점프 투 파이썬: https://wikidocs.net/book/1 • Think Python: http://www.flowdas.com/thinkpython/ • A Byte of Python: http://byteofpython-korean.sourceforge.net/byte_of_python.html 73
- 74. 텐서플로우 기초 74
- 75. Graph 정의 + Session() • 텐서플로우의 연산자를 사용하여 계산 구조를 정의합니다. a = tf.constant(2) b = tf.constant(3) x = tf.add(a, b) • 세션 객체를 만들어 만들어진 계산 그래프를 실행합니다. x <tf.Tensor 'Add:0' shape=() dtype=int32> tf.Session().run(x) 5 75
- 76. 텐서(Tensor) • 다차원 배열, 매트릭스, NumPy 배열 • 텐서플로우에서 사용하는 데이터 표현 a.shape TensorShape([]) c = tf.constant([2, 2]) c.shape TensorShape([Dimension(2)]) 76
- 77. 상수(Constant) d = tf.constant([[0, 1, 2], [3, 4, 5]]) d.shape TensorShape([Dimension(2), Dimension(3)]) sess = tf.Session() sess.run(d) array([[0, 1, 2], [3, 4, 5]], dtype=int32) 77 행렬(matrix) 𝑑 = 0 1 2 3 4 5
- 78. zeros(), ones() • 0으로 채워진 텐서를 만듭니다. e = tf.zeros([2, 3]) tf.Session().run(e) array([[ 0., 0., 0.], [ 0., 0., 0.]], dtype=float32) • 1로 채워진 텐서를 만듭니다. f = tf.ones([2, 3], dtype=tf.int32) tf.Session().run(f) array([[1, 1, 1], [1, 1, 1]], dtype=int32) 78
- 79. random_normal() • 정규 분포(𝜇 = 0, 𝜎 = 1)의 난수를 발생시킵니다 g = tf.random_normal([2, 3]) tf.Session().run(g) array([[-0.42949361, 2.13715839, -0.73751086], [-0.56948185, -0.92247707, 0.62523431]], dtype=float32) 79
- 80. truncated_normal() • 정규 분포의 난수 중 표준편차의 두배 밖의 값은 제외합니다 h = tf.truncated_normal([2, 3]) tf.Session().run(h) array([[ 1.09942925, -0.31089929, 0.39926037], [-0.55724454, -0.41932136, -1.33153999]], dtype=float32) 80
- 81. random_uniform() • 균등 분포(0~1)의 난수를 발생시킵니다 p = tf.random_uniform([2, 3]) tf.Session().run(p) array([[ 0.53323591, 0.19622314, 0.86946297], [ 0.04974151, 0.95073402, 0.90066719]], dtype=float32) 81
- 82. tf.add() • 주어진 두 텐서를 더합니다. a = tf.constant(10); b = tf.constant(20) c = tf.add(a, b) tf.Session().run(c) 30 d = tf.constant([10, 20]); e = tf.constant([20, 10]) f = d + e tf.Session().run(f) array([30, 30], dtype=int32) 82
- 83. tf.substrct() • 주어진 두 텐서를 뺍니다. a = tf.constant(10); b = tf.constant(20) c = tf.subtract(a, b) tf.Session().run(c) -10 d = tf.constant([10, 20]); e = tf.constant([20, 10]) f = d - e tf.Session().run(f) array([-10, 10], dtype=int32) 83
- 84. tf.multiply() • 주어진 두 텐서를 곱합니다. a = tf.constant(10); b = tf.constant(20) c = tf.multiply(a, b) tf.Session().run(c) 200 d = tf.constant([10, 20]); e = tf.constant([20, 10]) f = d * e tf.Session().run(f) array([200, 200], dtype=int32) 84
- 85. tf.divide() • 주어진 두 텐서를 곱합니다. a = tf.constant(10); b = tf.constant(20) c = tf.divide(a, b) tf.Session().run(c) 0.5 d = tf.constant([10, 20]); e = tf.constant([20, 10]) f = d / e tf.Session().run(f) array([0.5, 2.], dtype=int32) 85
- 86. tf.Variable() • 상수가 아니라 계산 그래프에서 변하는 값을 담는 도구입니다. • 변수는 초깃값이 주어져야 하고 사용하기 전에 초기화 되어야 합니다. a = tf.Variable(tf.constant(2)) a <tensorflow.python.ops.variables.Variable at ...> init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) sess.run(a) 2 86
- 87. assign() • 변수의 값을 바꿉니다 a = tf.Variable(tf.constant(2)) upd = a.assign_add(tf.constant(3)) init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) sess.run(upd) 5 sess.run(upd) 8 87
- 88. tf.Variable(tf.random_normal()) • 변수를 생성할 때 랜덤한 값으로 초기화를 많이 합니다. • random_normal(), truncated_normal(), random_uniform() a = tf.Variable(tf.random_normal([2,3])) sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run(a) array([[-1.4886378 , 0.28386045, 0.48322374], [-1.92303669, -0.40773764, -0.11247366]], dtype=float32) 88
- 89. 행렬(matrix) • 2×3 행렬 1 −2 2 3 −1 1 a = tf.Variable([[1, -2, 2], [3, -1, 1]]) sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run(a[1][2]) 1 89 행 (row) 열(column) 열(column)행(row)
- 90. tf.reduce_sum(a, 0) • 행렬의 행방향으로 합을 계산합니다. a = tf.Variable([[1, -2, 2], [3, -1, 1]]) asum = tf.reduce_sum(a, 0) sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run(asum) array([ 4, -3, 3], dtype=int32) 90 1 −2 2 3 −1 1 4 −3 3
- 91. tf.reduce_sum(a, 1) • 행렬의 열방향으로 합을 계산합니다. a = tf.Variable([[1, -2, 2], [3, -1, 1]]) asum = tf.reduce_sum(a, 1) sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run(asum) array([ 1, 3], dtype=int32) asum = tf.reduce_sum(a) sess.run(asum) 4 91 1 −2 2 3 −1 1 1 3
- 92. 1 −2 2 3 −1 1 2. −1.5 1.5 tf.reduce_mean() • 행렬의 행, 열방향으로 합을 계산합니다. a = tf.Variable([[1., -2., 2.], [3., -1., 1.]]) amean = tf.reduce_mean(a, 0) sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run(amean) array([ 2. , -1.5, 1.5], dtype=float32) 92
- 93. 행렬 내적 • 행렬의 덧셈 • 2×3 + 2×3 = [2×3] 1 −2 2 3 −1 1 + −1 3 2 2 4 1 = 0 1 4 5 3 2 • 행렬의 곱셈: 내적, 점곱(dot product) • 2×3 ⋅ 3×2 = [2×2] 1 −2 2 3 −1 1 2 −1 4 3 1 2 = −4 −3 3 −4 93 행 (row) 열(column)
- 94. tf.matmul() • 두개의 텐서를 입력 받아 행렬 내적을 계산합니다. a = tf.Variable([[1, -2, 2], [3, -1, 1]]) b = tf.Variable([[2, -1], [4, 3], [1, 2]]) dot = tf.matmul(a, b) sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run(dot) array([[-4, -3], [ 3, -4]], dtype=int32) 94 1 −2 2 3 −1 1 2 −1 4 3 1 2 −4 −3 3 −4
- 95. 신경망 학습은 반복된 과정 95
- 96. 플레이스홀더 • 상수를 바꾸려면 그래프를 다시 만들어야 합니다. • 변수는 그래프 내부의 계산에 의해 변경되는 값을 저장합니다. • 그래프는 보통 반복적으로 실행되므로 그래프를 실행할 때 프로그래머가 데이터를 주입할 방법이 필요합니다. 96 상수 상수 계산 변수데이터 계산 그래프
- 97. tf.placeholder() & feed_dict • 값을 지정하지 않은 플레이스 홀더를 만든 후 실행시에 값을 주입합니다. a = tf.Variable([[1, -2, 2], [3, -1, 1]]) b = tf.placeholder(tf.int32, [3, 2]) dot = tf.matmul(a, b) sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run(dot, feed_dict={b: [[2, -1], [4, 3], [1, 2]]}) array([[-4, -3], [ 3, -4]], dtype=int32) 97
- 98. Materials • Github : https://github.com/rickiepark/tfk-notebooks/tree/master/tensorflow_for_beginners • Slideshare : https://www.slideshare.net/RickyPark3/1introduction-to-python-and- tensorflow 98
- 99. 감사합니다. 99