TensorFlow는 구글(Google)이 제공하는 머신러닝 프레임워크입니다. 오픈소스 기반으로 Python과 함께 사용되어 다양한 알고리즘, 딥러닝 애플리케이션 등을 구현할 수 있으며, 연구 목적과 실제 프로덕션 환경 모두에서 널리 활용됩니다.
Windows 환경에서는 아래 명령어 한 줄로 'tensorflow' 패키지를 설치할 수 있습니다.
pip install tensorflow
텐서(Tensor)는 TensorFlow에서 사용되는 핵심 데이터 구조입니다. 플로우 다이어그램의 엣지(edge)를 연결하는 역할을 하며, 이러한 다이어그램을 '데이터 플로우 그래프(Data flow graph)'라고 부릅니다. 텐서란 결국 다차원 배열 또는 리스트를 의미합니다.
회귀(regression) 문제의 목표는 가격, 확률, 비가 올지 여부 등과 같은 연속형 또는 이산형 변수의 출력값을 예측하는 것입니다.
이번 예제에서 사용하는 데이터셋은 'Auto MPG'입니다. 이 데이터셋에는 1970년대와 1980년대 자동차의 연비 정보가 담겨 있으며, 무게(weight), 마력(horsepower), 배기량(displacement) 등의 특성이 포함되어 있습니다. 우리의 목표는 이러한 특성들을 바탕으로 특정 자동차의 연비를 예측하는 것입니다.
아래 코드는 Google Colaboratory(Colab)에서 실행됩니다. Colab은 브라우저에서 바로 Python 코드를 실행할 수 있도록 도와주며, 별도의 설정이 필요 없고 GPU(그래픽 처리 장치)를 무료로 사용할 수 있다는 장점이 있습니다. Colaboratory는 Jupyter Notebook을 기반으로 만들어졌습니다. 다음은 코드 스니펫입니다.
예제 코드
print("모델에 학습 데이터를 피팅합니다 ")
history = hrspwr_model.fit(
train_features['Horsepower'], train_labels,
epochs=150,
verbose=0,
validation_split = 0.3)
hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch
hist.tail()코드 출처 − https://www.tensorflow.org/tutorials/keras/regression
실행 결과
코드 설명
'fit' 함수를 사용하여 데이터를 모델에 피팅(fitting)합니다.
'epochs' 속성으로 전체 데이터셋을 반복 학습할 횟수(스텝 수)를 지정합니다. 여기서는 150 에포크로 설정했습니다.
'history' 객체는 입력 데이터와 관련된 통계치의 학습 진행 과정을 저장합니다.
저장된 학습 이력은 pandas의 DataFrame 형태로 변환됩니다.
변환된 데이터의 일부 샘플이 콘솔에 출력됩니다.
또한 데이터를 시각화하여 학습 추이를 한눈에 확인할 수 있습니다.