텐서플로우 간단한 예제

GAN은 특정 표현에서 새로운 사실적인 샘플을 생성하는 데 최적화된 교육 네트워크를 위한 프레임워크입니다. 가장 간단한 형태로 교육 프로세스에는 두 개의 네트워크가 포함됩니다. 생성기라고 하는 한 네트워크는 이미지를 실제 또는 가짜로 분류하는 다른 네트워크인 판별기를 속이려고 새 데이터 인스턴스를 생성합니다. 먼저 TensorFlow가 위의 작은 예제 계산을 수행하도록 $a = (b + c) * (c + 2)$을 수행하도록 합시다. 먼저 우리는 TensorFlow 변수와 상수에 자신을 소개해야합니다. 다음 구문을 설명 합니다 몇 가지 선언 하자: 세션에, 작업에 할당 된 GPU 또는 CPU 장치를 기록 해야 합니다. 그런 다음 각 작업에 대해 세션에서 사용되는 장치를 정보를 얻을 수 있습니다. 예를 들어 장치 배치에 소프트 제약 조건을 사용하는 경우와 같은 구성 세션을 사용할 수 있습니다. 첫째, 우리는 훈련 기능을 정의합니다. 이 함수는 신경망을 확장하고 여러 일괄 처리를 만들어 학습 집합의 데이터를 제공해야 합니다.

교육 예제가 임의 순서인 경우 교육이 가장 효과적입니다. 셔플 함수가 호출된 이유입니다. 요약하면 train_function은 전달된 학습 데이터 집합을 사용하여 데이터를 임의로 선택하고 DNNClassifier의 학습 메서드에 다시 제공하여 데이터 일괄 처리를 만듭니다. 아직 수행하지 않은 경우 기존 별칭 tf에서 텐서플로를 작업 공간으로 가져옵니다. 그런 다음 Graph()를 통해 그래프를 초기화할 수 있습니다. 이 함수를 사용하여 계산을 정의합니다. 그래프에서는 값을 보유하지 않으므로 아무 것도 계산하지 않습니다. 나중에 실행하려는 작업을 정의합니다.

참고: 스칼라의 예는 „5미터“ 또는 „60m/sec“이며 벡터는 „북쪽 5미터“ 또는 „60m/초 동쪽“입니다. 이 두 가지 의 차이점은 벡터에 방향이 있다는 것입니다. 그럼에도 불구하고 지금까지 보았던 이러한 예제는 기계 학습 문제로 작업할 때 발생할 수 있는 벡터와는 거리가 먼 것처럼 보일 수 있습니다. 이것은 정상입니다. 수학 벡터의 길이는 순수한 숫자입니다. 반면 방향은 상대적입니다: 일부 기준 방향을 기준으로 측정되고 라디안 또는 도 단위가 있습니다. 일반적으로 방향이 양수이고 참조 방향에서 시계 반대 방향으로 회전한다고 가정합니다. 예를 들어, 3차원 공간에서 3개의 숫자로 시퀀스가 있는 단일 숫자와 벡터를 가진 스칼라를 나타내는 것처럼 텐서는 3차원 공간에서 3R 숫자의 배열로 표현될 수 있습니다. 자동 엔코더는 인코더-디코더 아키텍처를 사용하여 입력 데이터의 정확한 복사본을 생성하는 학습의 간단한 형태 중 하나입니다. 인코딩된 표현은 입력 데이터보다 훨씬 작기 때문에 네트워크는 가장 의미 있는 표현을 형성하는 방법을 배워야 합니다. 이것은 바보 같은 예처럼 보일 수 있지만 이 방법으로 방정식을 표현하는 강력한 아이디어를 알 수 있습니다 : 두 계산 ($d = b + c $ 및 $e = c + 2 $)을 병렬로 수행 할 수 있습니다.

이러한 계산을 CPU 또는 GPU 간에 분할하면 계산 시간에 상당한 이점의 이가 제공될 수 있습니다. 이러한 이결과는 빅 데이터 애플리케이션 및 딥 러닝에서 필수이며, 특히 CNN(컨볼루션 신경망) 및 RECURRENT 신경망(RNN)과 같은 복잡한 신경망 아키텍처의 경우 이러한 이윤이 있어야 합니다.