TensorFlow를 사용해야 하는 이유

전문가이든 초보자이든, TensorFlow는 ML 모델을 쉽게 빌드 및 배포할 수 있게 해주는 엔드 투 엔드 플랫폼입니다.

Continue

머신러닝을 통해 실질적인 까다로운 문제를 해결하도록 지원하는 전체 생태계

손쉬운 모델 빌드

TensorFlow는 다양한 수준의 추상화를 제공하므로 사용자는 자신의 요구에 맞는 수준을 선택할 수 있습니다. 상위 수준의 Keras API를 사용하여 모델을 빌드하고 학습시키세요. 그러면 TensorFlow 및 머신러닝을 쉽게 시작할 수 있습니다.

유연성이 더 필요한 경우 즉시 실행 기능을 사용하면 즉각적인 반복 및 직관적인 디버깅이 가능합니다. 대규모 ML 학습 작업이 필요한 경우, 모델 정의를 변경하지 않고 서로 다른 하드웨어 구성에서 분산 학습을 수행하려면 Distribution Strategy API를 사용하세요.

Continue

어디서든 강력한 ML 제작

TensorFlow는 항상 바로 프로덕션에 배포할 수 있는 방법을 제공해왔습니다. 서버, 에지 기기 또는 웹 등 어디서나 TensorFlow를 사용하면 언어나 플랫폼에 관계없이 모델을 쉽게 학습시키고 배포할 수 있습니다.

전체 프로덕션 ML 파이프라인이 필요한 경우 TensorFlow Extended(TFX)를 사용하세요. 모바일 및 에지 기기에서 추론을 실행하려면 TensorFlow Lite를 사용하세요. TensorFlow.js를 사용하여 자바스크립트 환경에서 모델을 학습시키고 배포하세요.

Continue

연구를 위한 강력한 실험

속도나 성능 저하 없이 최첨단 모델을 빌드하고 학습시키세요. TensorFlow에서는 Keras Functional API 및 Model Subclassing API와 같은 기능을 사용하여 유연하고 긴밀하게 복잡한 토폴로지 생성을 제어할 수 있습니다. 손쉬운 프로토타이핑과 빠른 디버깅을 구현하려면 즉시 실행 기능을 사용하세요.

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

Continue

머신러닝 작동 방법 알아보기

신경망의 작동 방식을 알고 싶었던 적이 있으신가요? ML 문제를 해결하려면 어떤 단계를 거쳐야 할까요? 걱정하지 마세요. 궁금증을 해결해 드리겠습니다. 다음은 머신러닝의 기본 내용에 대한 간단한 개요입니다.

ML 소개

머신러닝은 소프트웨어가 명시적인 프로그래밍이나 규칙 없이 작업을 수행하도록 돕는 방식입니다. 기존의 컴퓨터 프로그래밍에서는 프로그래머가 컴퓨터가 사용해야 할 규칙을 지정하지만, ML에서는 다른 사고방식이 필요합니다. 실제 ML은 코딩보다 데이터 분석에 훨씬 더 중점을 둡니다. 프로그래머는 일련의 예제를 제공하고 컴퓨터는 데이터로부터 패턴을 학습합니다. 머신러닝은 '데이터를 이용한 프로그래밍'이라고 생각할 수 있습니다.

ML 문제를 해결하는 단계

There are multiple steps in the process of getting answers from data using ML. For a step-by-step overview, check out this guide that shows the complete workflow for text classification, and describes important steps like collecting a dataset, and training and evaluating a model with TensorFlow.

신경망의 해부학적 구조

신경망은 패턴을 인식하도록 학습시킬 수 있는 모델 유형으로서, 입력 및 출력 레이어, 하나 이상의 히든 레이어를 비롯한 다양한 레이어로 구성됩니다. 각 레이어의 뉴런은 추상화 수준이 점점 높아지는 데이터 표현을 학습합니다. 예를 들어, 이 시각적 다이어그램에는 선, 모양, 텍스처를 감지하는 뉴런이 있습니다. 이러한 표현(또는 학습된 특성)을 사용하여 데이터를 분류할 수 있습니다.

신경망 학습시키기

신경망은 경사하강법을 통해 학습합니다. 각 레이어의 가중치는 임의의 값으로 시작하며, 시간이 지남에 따라 반복적으로 개선되어 신경망의 정확도를 높입니다. 손실 함수는 신경망의 부정확성을 정량화하는 데 사용되며, 손실을 줄이기 위해 각 가중치를 늘리거나 줄여야 하는지를 결정하기 위해 역전파라는 절차가 사용됩니다.

ML의 기본 내용 학습

기계 번역, 영상 인식, 게임 플레이 등의 애플리케이션을 이용한 딥 러닝 방법에 대한 MIT의 공식 입문 코스에 등록하세요. 딥 러닝 알고리즘에 대한 기본 지식을 습득하고 TensorFlow에서 신경망을 구축하는 실무 경험을 쌓을 수 있습니다.

이 과정은 Google과 Udacity가 소프트웨어 개발자를 위해 실용적인 딥 러닝 접근 방식으로 개발했습니다. TensorFlow를 사용하여 딥 러닝 애플리케이션을 빌드하는 방법에 관해 알아보세요.

deeplearning.ai의 TensorFlow Specialization 과정 1에서는 TensorFlow에 관해 소개하고, Keras를 비롯한 고급 API를 사용하여 컴퓨터 비전을 위한 신경망을 구축하는 방법을 알려줍니다. 또한 신경망을 개선하기 위한 컨볼루셔널 신경망에 관해서도 설명합니다.

커뮤니티

TensorFlow 커뮤니티는 개발자, 연구원, 비전 제시자, 초보자 및 문제 해결사로 구성된 활발한 그룹입니다. 참여하고 협력하고 아이디어를 공유할 수 있도록 항상 문이 열려 있습니다.