[머신러닝] 텐서플로(TensorFlow)란?

텐서플로(TensorFlow)란?

 

출처: 텐서플로 홈페이지

 
텐서플로(TensorFlow)는 구글에서 개발한 오픈소스 머신러닝 프레임워크이다. 주로 딥러닝 모델을 만들고 학습시키는 데 사용되며, 다양한 플랫폼에서 실행이 가능하다. 텐서플로는 직관적인 API와 대화형 코드 샘플을 통해 머신러닝을 쉽게 배울 수 있도록 도와준다.
 
텐서플로는 기계학습 분야를 일반인들도 사용하기 쉽도록 다양한 기능들을 제공한다. 2016년 알파고와 함께 한국에서도 관심이 높아진 추세이며 관련 컨퍼런스들도 개최되고 있다.

고수준 프로그래밍 언어로 알려진 Python을 활용하여 연산처리를 작성할 수 있다. 다른 언어들도 대부분 지원하지만 Python 관련 자료가 가장 많다. 때문에 공개된 지 그리 오래되지 않았음에도 불구하고 다양한 분야에서 활용되고 있다.

---

텐서플로의 주요 특징

 
1. 다양한 플랫폼 지원: 텐서플로는 데스크탑, 서버, 모바일, 웹 등 다양한 환경에서 사용할 수 있다. 이를 통해 개발자는 자신이 원하는 플랫폼에서 쉽게 모델을 배포하고 실행할 수 있다.

2. 풍부한 라이브러리: 텐서플로는 수많은 머신러닝 및 딥러닝 라이브러리를 포함하고 있어 복잡한 모델도 손쉽게 구현할 수 있다.

3. 커뮤니티와 지원: 방대한 커뮤니티와 풍부한 자료가 있어 학습과 문제 해결에 큰 도움이 된다.
[텐서플로 커뮤니티]

TensorFlow 글로벌 커뮤니티에 오신 것을 환영합니다

 
4. 데이터플로 그래프를 통한 풍부한 표현력
 
5. 아이디어 테스트에서 서비스 단계까지 이용 가능
 
6. 계산 구조와 목표 함수만 정의하면 자동으로 미분 계산을 처리
 

---

텐서플로를 사용해야 하는 이유
(출처: 텐서플로 공식 홈페이지)

머신러닝을 통해 까다로운 실생활 문제를 해결하도록 지원하는 전체 생태계

 
1. 손쉬운 모델 빌드
TensorFlow는 다양한 수준의 추상화를 제공하므로 사용자는 자신의 요구에 맞는 수준을 선택할 수 있다. 상위 수준의 Keras API를 사용하여 모델을 빌드하고 학습시키면 TensorFlow 및 머신러닝을 쉽게 시작할 수 있다.

유연성이 더 필요한 경우 즉시 실행 기능을 사용하면 즉각적인 반복 및 직관적인 디버깅이 가능하다. 대규모 ML 학습 작업이 필요한 경우, 모델 정의를 변경하지 않고 서로 다른 하드웨어 구성에서 분산 학습을 진행하려면 Distribution Strategy API를 사용하면 된다.
 
2. 어디서든 강력한 ML 제작
TensorFlow는 항상 프로덕션에 바로 배포할 방법을 제공해왔다. 서버, 에지 기기 또는 웹 등 어디서나 TensorFlow를 사용하면 언어나 플랫폼에 관계없이 모델을 쉽게 학습시키고 배포할 수 있다.

전체 프로덕션 ML 파이프라인이 필요한 경우 TFX를 사용하면 된다. 모바일 및 에지 기기에서 추론을 실행하려면 TensorFlow Lite를 사용하면 된다. TensorFlow.js를 사용하면 자바스크립트 환경에서 모델을 학습시키고 배포할 수 있다.
 
3. 연구를 위한 강력한 실험
속도나 성능 저하 없이 최첨단 모델을 빌드하고 학습시킬 수 있다. TensorFlow에서는 Keras Functional API 및 Model Subclassing API와 같은 기능을 사용하여 유연하고 긴밀하게 복잡한 토폴로지 생성을 제어할 수 있다. 손쉬운 프로토타입 제작과 빠른 디버깅을 구현하려면 즉시 실행 기능을 사용하면 된다.

TensorFlow는 Ragged Tensors, TensorFlow Probability, Tensor2Tensor, BERT를 비롯한 강력한 부가기능 라이브러리 및 모델을 실험해 볼 수 있는 생태계를 지원한다.

---

기업에서의 텐서플로 활용 사례
출처: 텐서플로 공식 홈페이지

 
1. 에어비앤비(Airbnb) - DNN 훈련 + 텐서플로를 활용한 훈련의 병렬화
텐서플로를 사용하여 이미지를 분류하고 객체를 감지함으로써 게스트에게 더 나은 경험 제공
▶ 에어비앤비 엔지니어링 및 데이터 과학팀은 이미지를 분류하고 대규모로 객체를 감지하여 게스트 환경을 개선하기 위해 텐서플로로 머신러닝 활용
 
2. 코카콜라
Coca-Cola의 모바일 구매 증명을 지원하는 기술 구현
▶ 인공지능의 발전과 TensorFlow의 성숙으로 코카콜라는 포인트 제도를 위해 오랫동안 추구했던 원활한 구매 증빙 자료 기능 구현
 
3. 구글
구글은 누구나 머신러닝을 사용할 수 있도록 돕기 위해 텐서플로를 빌드
▶ 구글은 텐서플로를 사용하여 검색, Gmail 및 번역과 같은 제품에서 머신러닝 구현을 강화하고, 연구원들의 새로운 발견을 지원하고, 인도주의 및 환경 문제의 해결을 도모
 
4. 카카오 (모빌리티)
카카오는 텐서플로를 사용하여 승차 요청의 완료율 예측
▶ 카카오모빌리티는 승차 요청을 이행하기 위해 운전자를 파견할 때 텐서플로와 텐서플로 서빙을 사용하여 운행 완료율을 예측
※ TensorFlow Serving은 운영 환경을 위해 설계되었으며 머신러닝 모델을 고성능으로 적용하는 유연한 시스템이다. TensorFlow Serving을 사용하면 동일한 서버 아키텍처와 API를 유지하면서 새로운 알고리즘과 실험을 쉽게 배포할 수 있다. TensorFlow Serving은 TensorFlow 모델과의 기본적인 통합을 제공하면서도 다른 유형의 모델 및 데이터를 제공하도록 쉽게 확장할 수 있다.
 
5. 네이버 쇼핑
텐서플로를 사용하여 네이버 쇼핑 제품 카테고리 자동 분류
▶ 네이버 쇼핑은 제품을 체계적으로 구성하고 사용자가 더 쉽게 검색할 수 있도록, 하루에 등록되는 2,000만 개 이상의 제품을 텐서플로를 사용하여 약 5,000개의 카테고리에 자동으로 매칭

---

텐서플로 시작하기

 
1. 설치: 텐서플로는 Python을 기반으로 하며, 간단한 명령어로 설치할 수 있다. 예를 들어, pip install tensorflow 명령어로 설치가 가능하다.

2. 기본 튜토리얼: 초보자는 텐서플로 공식 사이트의 초보자용 튜토리얼을 통해 학습을 시작하는 것이 좋다. 구글 코랩(Colab) 노트북 파일을 이용하면 브라우저에서 직접 파이썬 코드를 실행하며 배울 수 있다.

---

간단한 예제

 
다음은 텐서플로를 이용한 간단한 선형 회귀 예제이다.

import tensorflow as tf
import numpy as np

# 데이터셋 생성
X = np.array([1.0, 2.0, 3.0, 4.0], dtype=np.float32)
Y = np.array([2.0, 4.0, 6.0, 8.0], dtype=np.float32)

# 모델 정의
model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])])

# 모델 컴파일
model.compile(optimizer='sgd', loss='mean_squared_error')

# 모델 학습
model.fit(X, Y, epochs=500)

# 예측
print(model.predict([5.0]))

▶ 이 예제는 간단한 선형 회귀 모델을 정의하고 학습시키며, 새로운 입력 값(5.0)에 대한 예측 값을 출력한다.

---

[출처: 텐서플로 공식 홈페이지, 구글, 나무위키]