텐서플로우

텐서플로우 2.0이 나온 것이 매우 요즘 핫하다고 생각합니다 :) 다들 코드 마이그레이션이 걱정되실 것 같은데요! 이 글에서는 텐서플로우 2.0 환경에서 1.x 코드를 실행시키는 방법과 1.x 코드를 2.0 코드로 업그레이드 하는 방법에 대해 소개해드리고자 합니다. 1. 텐서플로우 2.0 환경에서 1.x 코드 실행하기 코드 변환에 아직 어려움이 있으신 분이 있다면, 아래와 같은 방법으로 여전히 1.x 버전의 코드를 실행할 수 있습니다. import tensorflow.compat.v1 as tf tf.disable_v2_behavior() 간단하죠? 하지만, 2.0의 장점을 사용할 수 는 없습니다. 2. 텐서플로우 1.x 코드를 2.0 코드로 업그레이드하기 2.0으로 바꾸시려면 업그레이드 스크립트를 사용..

*update 2020-10-16 - multi_gpu_model -> tf.distribute.MirroredStrategy 필요한건 단 두줄입니다! from tensorflow.keras.utils import multi_gpu_model parallel_model = multi_gpu_model(model, gpus=2) keras의 함수죠! keras 쓰셨던 분은 익숙하실 합수입니다. model을 컴파일 하기 전에 multi_gpu_model로 변환해주고, parallel_model을 컴파일, 그리고 fit 해주면 됩니다! 참 쉽죠?? 위의 함수는 더이상 지원되지 않는 것 같습니다. Warning: THIS FUNCTION IS DEPRECATED. It will be removed after 2..

데이터셋 만들기 (데이터가 있다고 가정했을 때,) 데이터셋을 만드는 과정은 크게 두 단계로 나눌 수 있습니다. subsample split supsample은 갖고 있는 데이터에서 일부를 떼내는 작업입니다. 이 과정을 하는데는 두 가지 이유가 있습니다. 첫번째 이유는 데이터셋이 너무 큰 경우입니다. 학습할 수 있는 최고의 환경이 갖춰져 있다면 문제가 되지 않겠지만, 선행 연구의 단계에서는 일부의 데이터로 빠르게 다양한 모델과 파라미터를 시험해보는 것이 효과적입니다. 두번째 이유는 학습에 필요한 데이터만 사용하기 위함입니다. 학습에 필요 없거나, 방해가 되는 데이터들은 배제하는 것이 좋을 수 있습니다. 여기서 말하는 필요 없는 데이터는 column이나 feature를 의미합니다. 즉, 집값 예측을 위한 화..

CMLE (Cloud ML Engine) 구글 클라우드에서 제공하는 머신러닝 엔진 CMLE는 다양한 레벨(아래 참조)의 텐서플로우 모델을 학습과 배포하는 서비스를 매니징합니다. tf.estimator High-level API for distributed training 머신러닝 모델을 커스텀할 필요가 없음 검증, 체크포인트 생성, 저장 등을 하는 방법을 몰라도 할 수 있음 tf.layers, tf.losses, tf.metrics & Core TensorFlow (Python) Core TensorFlow (C++) & CPU, GPU, TPU, and Android ※ 이 글에서는 위의 1에 해당하는 레벨에서 tensorflow를 사용할 것입니다. 특징 Repeatable Scalable distri..