딥러닝 및 기계학습을 위한 오픈소스 머신러닝 프레임워크입니다.
여기서 Tensor는 다차원의 배열로, 딥러닝에서 이미지, 텍스트, 오디오 등 데이터를 나타내는 주요한 개념입니다.
Flow는 데이터가 그래프 형태로 흐른다는 개념을 나타냅니다.
이렇게 TensorFlow는 다차원 데이터인 텐서를 다루며 그 데이터의 흐름을 그래프 형태로 관리하는 딥러닝 및 머신러닝 라이브러리의 핵심 특징을 반영합니다.
즉 그래프 기반의 계산을 사용한다는 특징을 강조하는 것입니다.
2. TensorFlow의 개발환경 및 셋업
TensorFlow는 Python과 호환되며 Windows, macOS, Linux 등 다양한 운영체제에서 사용할 수 있습니다.
설치 및 개발환경 설정에 크게 세 가지의 방법이 있습니다.
(1) Python 개발환경 사용
pip install tensorflow
코드를 입력하여 Python 개발환경에서 TensorFlow 라이브러리를 설치합니다.
설치가 정상적으로 되었는 지 확인하기 위해서는 Python 인터프리터를 열고
import tensorflow as tf print(tf.__version__) 를 입력하면 됩니다.
설치된 TensorFlow 버전이 출력되면 정상적으로 설치된 것입니다!
(2) TensorFlow 컨테이너
설치가 완료되면 bash 셸 창에
docker pull tensorflow/tensorflow
코드를 입력해서 TensorFlow 공식 Docker 이미지를 다운로드하고,
docker run -it --rm tensorflow/tensorflow
코드를 입력해서 TensorFlow 컨테이너를 실행합니다.
이를 통해 TensorFlow 컨테이너를 대화형 쉘 모드로 실행할 수 있습니다.
(3) Google Colab 사용
Google Colab은 웹 브라우저에서 Python 코드를 실행할 수 있는 클라우드 기반 노트북 환경을 제공합니다.
따라서 Google Colab 웹사이트에 접속하여 새 노트북을 생성한 후, TensorFlow를 설치할 필요 없이 바로 사용 가능합니다.
3. TensorFlow의 활용 분야
TensorFlow는 다양한 분야의 모델 작업을 위한 강력한 플랫폼을 제공합니다.
TensorFlow를 활용한 대표적인 예시에 대해 알아봅시다.
(1) 딥러닝 모델
다층퍼셉트론(MLP)이나 컨볼루션신경망(CNN)을 생성하고 훈련함으로써 이미지 분류, 객체 감지, 텍스트 분류 등의 작업을 수행할 수 있습니다.특히 TensorFlow의 고수준 API 중 하나인 Keras를 사용하면 더 쉽게 모델을 구축하여 훈련할 수 있습니다.
Keras는 TensorFlow 2.0부터 TensorFlow의 일부로 통합된 사용자 친화적인 API입니다. 따라서 사용이 간단하고 직관적입니다.
또한 계층(layer)으로 구성되어 있어 조합에 따라 쉽게 모델을 생성 및 확장할 수 있으며 모델 시각화가 용이하고,
분산 및 병렬 처리가 가능하며 디버깅 기능을 제공한다는 장점이 있습니다.
(2) 자연어처리 (NLP)
자연어처리란 자연어를 컴퓨터가 이해하고 처리하는 분야로, 정보 추출, 번역, 감정 분석 등의 기술을 다룹니다.특히 OpenAI에서 개발한 사전 훈련된 자연어 처리 모델의 한 종류인 GPT(Generative Pre-trained Transformer)를 통해 자연어처리를 용이하게 할 수 있습니다.
Fine-tuning은 GPT와 같은 사전 훈련된 모델을 특정 작업에 맞게 조정하는 과정입니다.
예를 들어, 기존에 훈련된 GPT 모델을 가져와서 특정 언어 모델링, 감정 분석, 텍스트 생성 또는 기계 번역과 같은 작업에 맞게 추가 훈련하는 것을 의미합니다.
(3) 이미지처리
컨볼루션신경망(CNN)을 통해 이미지 분석, 스타일 변환, 객체 검출, 세분화, 이미지 생성 등의 작업을 수행할 수 있습니다.TensorFlow의 고급모듈 중 하나인 TensorFlow Hub를 통해 사전 훈련된 이미지 처리 모델을 가져온 후 작업을 수행할 수 있습니다.
TensorFlow Hub는 TensorFlow와 호환되는 사전 훈련된 모델 및 모델 구성 요소를 공유하고 재사용할 수 있는 플랫폼입니다.
이 저장소에는 이미지 분류모델이 포함되어 있으며, 이 외에도 다양한 머신러닝 작업에 유연하게 구성된다는 장점이 있습니다.
(4) TensorFlow Serving
TensorFlow Serving은 TensorFlow 모델을 서빙하기 위한 프레임워크입니다.이를 사용하면 훈련된 모델을 배포하고 REST API 또는 gRPC를 통해 모델에 접근할 수 있습니다.
이를 활용하여 실시간 추론, 모델 버전 관리, 모델 로드 및 언로드, 스케일링, 모델 모니터링 등을 수행할 수 있습니다.