[머신러닝] Tensor 데이터 처리하기 Part.3

Reduce mean

평균을 구하는 방법도 있다. 그런데 함수의 이름이 그냥 mean이 아니라 reduce_mean이다. 사실 차원을 감소하며 평균을 구한다는 의미다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_mean([1, 2], axis=0)))

1과 2의 평균을 구하니 1이 나왔다. 숫자의 형태가 float이 아닌 integer이기 때문이다.

x = [[1., 2.],
     [3., 4.]]

with tf.Session() as sess:
    print(sess.run(tf.reduce_mean(x)))

2.5

데이터의 형태를 float으로 바꿔주면 결과값도 float으로 나오게 된다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_mean(x, axis=0)))

axis, 즉 축을 바꿔서 계산해보자. reduce_mean에서 axis의 기본값은 지정되어 있지 않고 모든 요소를 하나의 결과값으로 계산한다. 하지만 axis = 0으로 지정해주면 아래와 같은 결과가 나온다.

[2. 3.]

이 경우, 결과적으로 행렬의 세로축을 기준으로 계산을 하게 된다. 즉, 1과 3, 2와 4끼리 계산을 하는 것이다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_mean(x, axis=1)))

axis = 1일 경우는 어떨가.

[1.5 3.5]

행렬의 가로축을 기준으로 계산을 한다. 숫자 1과 2, 3과 4끼리 계산을 한다. 결과적으로 axis = 0 = 세로, axis = 1 =가로라고 외울 수도 있겠지만, 앞서 배운 개념에 따라 가장 안쪽 차원이 될 수록 축의 숫자가 올라가게 된다. 더 복잡한 차원의 행렬을 위해 개념을 익히는 것이 가장 좋다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_mean(x, axis=-1)))

역시 앞에서 배운 내용과 같이, 가장 안쪽 차원의 축을 axis = -1이라고 하므로,

[1.5 3.5]

가장 안쪽 축인 axis = 1과 같은 결과값이 나올 것으로 기대할 수 있다.

Reduce sum

reduce_mean의 이름과 마찬가지로 reduce_sum도 차원을 줄여나가며 합을 구한다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_sum(x)))

10.0

axis를 지정하지 않으면 모든 값을 더하는 것도 똑같다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_sum(x, axis=0)))

[4. 6.]

마찬가지로 axis = 0을 지정하면 가장 바깥쪽 차원을 기준으로 계산을 한다. 결과적으로는 세로축을 기준으로.

with tf.Session() as sess:
    print(sess.run(tf.reduce_sum(x, axis=1)))

axis = 1을 기준으로 하면,

[3. 7.]

가장 안쪽 차원을 기준으로 계산을 한다. 현재로는 가로축 기준이다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_sum(x, axis=-1)))

[3. 7.]

axis = -1로 지정해서 가장 안쪽 차원을 계산하는 개념도 똑같다.

with tf.Session() as sess:
    print(sess.run(tf.reduce_mean(tf.reduce_sum(x, axis=-1))))

5.0

그동안 Session을 실행시킬 때 먼저 합을 구한 후 평균을 구했던 이유도 이런 이유에서다. 가장 안쪽 차원 단위의 숫자들끼리 합을 구한 후, 해당 값을 모아서 평균을 구한다.

Argmax

Tensor 안에서 가장 큰 값의 위치를 구하는 방법도 사용했었다. Argmax가 그 역할을 해준다.

x = [[0, 1, 2],
     [2, 1, 0]]

with tf.Session() as sess:
    print(sess.run(tf.argmax(x, axis=0)))

0과 2 사이에서, 1과 1 사이에서, 2와 0 사이에서 어느 값이 큰지 구해주는 코드다. axis = 0이기 때문에 결과적으로 세로축끼리 비교를 한 것이다.

[1 0 0]

기본적으로 0이라는 순서부터 큰 값의 위치를 알려주고, 같은 값일 경우 먼저 나오는 큰 값의 위치를 알려준다.

with tf.Session() as sess:
    print(sess.run(tf.argmax(x, axis=1)))

[2 0]

axis = 1일 경우 가장 안쪽의 숫자들끼리, 즉 행렬의 가로축을 기준으로 계산을 하기 때문에 위와 같은 결과값이 도출된다. 각각 2번째, 0번째 숫자가 가장 큰 값이라는 의미다.

with tf.Session() as sess:
    print(sess.run(tf.argmax(x, axis=-1)))

[2 0]

가장 안쪽 차원을 찾는 방법이기에 앞선 결과값과 똑같은 결과가 나온다.

Reshape

우리가 가장 많이 사용할 함수가 아닌가 싶다. 어떤 복잡한 차원의 벡터가 들어와도 우리가 학습을 시키기 위해서는 차원 정리가 필요하다. 이때 사용하는 함수가 reshape다.

t = np.array([[[0, 1, 2],
               [3, 4, 5]],
              
              [[6, 7, 8],
               [9, 10, 11]]])

t.shape

(2, 2, 3)

위와 같은 차원의 벡터가 있을 경우 우리가 한 눈에 파악하기 어렵다. 차원을 하나 낮춰서 2차원으로 만들어보자.

with tf.Session() as sess:
    print(sess.run(tf.reshape(t, shape=[-1, 3])))

함수 안의 파라미터 shape 자체로 차원을 설정할 수 있다. 2개의 숫자가 들어가므로 2차원으로 만들 수 있는 것이다. 뒤의 숫자부터 살펴보면, 3은 기존 벡터의 가장 안쪽 차원 숫자 개수와 같다. 가장 근본이 되는 숫자 데이터는 그대로 놔두는 것이다.

그 앞의 -1은 TensorFlow가 나름대로 차원을 구성하라는 의미다. 정확한 의미로는 가장 마지막 차원 하나만 더 만들고 끝내라는 의미이므로 마지막 차원을 구성한 후 결과물을 나타내게 된다.

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]

앞선 벡터보다 훨씬 보기에 편한 모습으로 reshape된 결과물을 볼 수 있다.

with tf.Session() as sess:
    print(sess.run(tf.reshape(t, shape=[-1, 1, 3])))

차원을 그대로 유지한 채 다른 모양으로도 바꿀 수 있다. 3차원 상태는 유지한 채로 중간중간 형태를 바꾸도록 했다.

[[[ 0  1  2]]

 [[ 3  4  5]]

 [[ 6  7  8]]

 [[ 9 10 11]]]

같은 3차원의 벡터이지만 다른 형태로 표현된 것을 확인할 수 있다.