텐서플로 (TensorFlow)

# 1. 텐서플로 설치 (터미널)
$ pip install tensorflow

# 2. 텐서 생성 및 기본 수치 연산 (Python)
import tensorflow as tf

# 스칼라와 2차원 행렬 텐서 생성
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[5.0, 6.0], [7.0, 8.0]])

# 고속 행렬 곱셈 (Matrix Multiplication) 수행
c = tf.matmul(a, b)
print("결과 텐서 shape:", c.shape)  # TensorShape([2, 2])
print("연산 결과:\n", c.numpy())     # 파이썬 NumPy 배열로 즉시 변환

import tensorflow as tf
from tensorflow.keras import layers, models

# 1. 데이터셋 로드 및 전처리 (0~255 픽셀값을 0~1.0 범위로 정규화)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 2. Sequential API를 이용한 심층 신경망 모델 정의
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),               # 28x28 이미지를 784차원 1D 벡터로 평탄화
    layers.Dense(256, activation='relu'),             # 256개 뉴런의 은닉층 + ReLU 비선형 활성화
    layers.Dropout(0.2),                                # 과적합 방지를 위한 20% 드롭아웃
    layers.Dense(10, activation='softmax')             # 0~9 숫자 분류를 위한 10개 출력 뉴런
])

# 3. 모델 컴파일 (옵티마이저, 손실 함수, 평가 지표 설정)
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 4. 모델 학습 수행 (5 에포크)
model.fit(x_train, y_train, epochs=5, batch_size=64)

# 5. 테스트 데이터셋 기반 정확도 평가
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f"최종 테스트 정확도: {test_acc * 100:.2f}%")

import tensorflow as tf

optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy()

# @tf.function을 붙여 순수 파이썬 루프를 초고속 C++ 정적 그래프로 JIT 컴파일
@tf.function
def train_step(model, x_batch, y_batch):
    with tf.GradientTape() as tape:
        predictions = model(x_batch, training=True)    # 순방향 전파 (Forward Pass)
        loss = loss_fn(y_batch, predictions)            # 손실값 산출
    
    # 가중치에 대한 손실 함수의 미분계수(Gradients) 역전파 계산
    gradients = tape.gradient(loss, model.trainable_variables)
    
    # 옵티마이저를 통해 가중치 업데이트 (Weight Update)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    return loss