[딥러닝] 텐서의 개념

텐서의 개념

---

텐서의 개념

---

들어가며

---

이 글에서는 머신러닝의 기본 구성 요소인 텐서에 대해 설명합니다. 구글이 개발한 오픈소스 딥러닝 라이브러리인 텐서플로 이름 또한 Tensor(텐서)와 Flow(데이터의 흐름)이라는 의미를 담고 있습니다. 이 글에서는 텐서의 종류를 중점적으로 소개합니다.

텐서는 데이터를 위한 컨테이너로 다차원 넘파이 배열입니다. 텐서는 축의 개수를 기준으로 다음 표와 같이 랭크-0, 랭크-1 등으로 나누어집니다. 보통 랭크 0에서 4까지의 텐서를 다루지만, 동영상은 랭크-5 텐서까지 다루기도 합니다. 각각의 텐서에 대한 자세한 내용은 아래 글에서 이어집니다.

축의 개수	구분
0	랭크-0 텐서, 스칼라
1	랭크-1 텐서, 벡터
2	랭크-2 텐서, 행렬
3	랭크-3 텐서
4	랭크-4 텐서
5	랭크-5 텐서

---

• 랭크-0 텐서
• 랭크-1 텐서
• 랭크-2 텐서
• 랭크-3 텐서

---

랭크-0 텐서

---

다음과 같이 하나의 숫자만을 담고있는  x 배열을 생성하고, ndim을 활용하여 넘파이 배열의 축 개수를 확인하겠습니다. x는 오직 1개의 숫자인 12를 배열로 갖고 있습니다.

x.ndim으로 확인한 x의 넘파이 배열의 축 개수는 0개입니다. 이를 랭크-0 텐서, 스칼라라고 합니다.

import numpy as np

x = np.array(12)
print('x: ',x)
print('ndim: ',x.ndim)

x.ndim

---

랭크-1 텐서

---

다음과 같이 여러 개의 숫자를 담고 있는  x1 배열을 생성하고, ndim을 활용하여 넘파이 배열의 축 개수를 확인하겠습니다. x1는 4개의 숫자들을 배열로 갖고 있습니다.

x1.ndim으로 확인한 x1의 넘파이 배열의 축 개수는 1개입니다. 이를 랭크-1 텐서, 벡터라고 합니다. 또한, x1 벡터는 4개의 원소를 갖고 있기 때문에 4차원 벡터입니다. ** 여기서 주의할 점은 4차원 벡터와 4차원 텐서를 혼동하면 안 됩니다. 4차원 벡터(4개의 차원)와 4차원 텐서(4개의 축)는 다른 개념입니다.

x1 = np.array([12,3,6,7])
print('x1: ',x1)
print('ndim: ',x1.ndim)

x1.ndim

---

랭크-2 텐서

---

다음과 같이  x2 배열을 생성하고, ndim을 활용하여 넘파이 배열의 축 개수를 확인하겠습니다. 아래 그림과 같이 x2는 3개의 행과 2개의 열을 가진 배열입니다.

x2 = np.array([[5,78,2,34,0],
               [6,79,3,35,1],
               [7,80,4,36,2]])
x2

x2

---

행렬

---

x2.ndim으로 확인한 x2의 넘파이 배열의 축 개수는 2개입니다. 이를 랭크-2 텐서, 행렬이라고 합니다.

print('ndim: ',x2.ndim)

x2.ndim

---

랭크-3 텐서

---

위의 랭크-2 텐서인 행렬들을 하나의 새로운 배열로 합치면 랭크-3 텐서를 생성할 수 있습니다. 다음과 같이  x3 배열을 생성하고, ndim을 활용하여 넘파이 배열의 축 개수를 확인하겠습니다. 

x3 = np.array([[[5,78,2,34,0],
               [6,79,3,35,1],
               [7,80,4,36,2]],
               [[5,78,2,34,0],
               [6,79,3,35,1],
               [7,80,4,36,2]],
               [[5,78,2,34,0],
               [6,79,3,35,1],
               [7,80,4,36,2]]])
x3

x3

---

print('ndim: ',x3.ndim)

x3.ndim

---

참고 도서:

케라스 창시자에게 배우는 딥러닝

---