KO: add site/ko/guide/tensor.md

site/ko/guide/tensor.md

@@ -0,0 +1,303 @@
+# 텐서플로 텐서
+
+이름에서 알 수 있듯이, 텐서플로는 텐서를 포함한 계산을 정의하고 실행하는 프레임워크입니다.
+*텐서*는 벡터(vector)와 행렬(matrix)을 일반화한 것이고 고차원으로 확장 가능합니다.
+내부적으로 텐서플로는 텐서를 기본 데이터 타입의 n-차원 배열로 나타냅니다.
+
+텐서플로 프로그램을 작성할 때, 조작하고 전달하는 중요 객체는 `tf.Tensor` 입니다.
+`tf.Tensor` 객체는 결과적으로는 값으로 변환될 수 있는 부분적으로 정의된 계산으로 표현됩니다.
+텐서플로 프로그램은 `tf.Tensor` 객체 그래프를 만드는 것으로 먼저 시작하고,
+각각의 텐서가 다른 텐서를 기반으로 어떤 식으로 계산될 수 있는지 구체화하고,
+그 다음 그래프를 실행해서 원하는 결과를 얻게 됩니다.
+
+`tf.Tensor`는 다음과 같은 속성을 가지고 있습니다:
+
+ * 데이터 타입(data type) (예를 들어, `float32` 또는 `int32`, `string`)
+ * 쉐이프(shape)
+
+
+텐서안의 각각 원소(element)는 동일한 데이터 타입이고 항상 그 데이터 타입을 알 수 있습니다.
+쉐이프(즉, 차원 수와 각 차원마다 길이(size))는 일부만 알 수 있습니다.
+대부분 연산은 입력값 쉐이프를 알 수 있다면 모든 정보를 알 수 있는 텐서를 만들지만,
+일부 경우에서는 그래프를 실행한 이후에 텐서 쉐이프를 알 수 있기도 합니다.
+
+일부 특별한 텐서는 텐서플로 가이드문서의 다른 부분에서 다뤄질 것입니다.
+핵심인 텐서는 다음과 같습니다:
+
+ * `tf.Variable`
+ * `tf.constant`
+ * `tf.placeholder`
+ * `tf.SparseTensor`
+
+예외인 `tf.Variable`을 제외한다면, 텐서 값은 변경불가능(immutable)합니다.
+즉, 텐서를 한번 실행시킨 경우에는 오직 하나의 값만을 가집니다.
+그러나, 동일한 텐서를 다시 실행시킨다면 다른 값을 가질 수 있습니다;
+예를 들어 텐서가 디스크로부터 데이터를 읽어들인 결과이거나,
+무작위 숫자를 생성하는 경우입니다.
+
+## 랭크(Rank)
+
+`tf.Tensor` 객체의 **랭크**는 그 차원의 수입니다.
+랭크의 동의어는 **order** 또는 **degree**, **n-차원**입니다.
+텐서플로의 랭크는 수학에서 사용하는 행렬의 랭크와는 다릅니다.
+다음 표에서 알 수 있는 것처럼, 텐서플로의 각 랭크는 각각 다른 수학 개체(entity)에 해당됩니다.
+
+랭크 | 수학 개체(entity)
+--- | ---
+0 | 스칼라(Scalar) (크기(magnitude)만)
+1 | 벡터(Vector) (크기와 방향(direction))
+2 | 행렬(Matrix) (숫자 표)
+3 | 3-텐서 (숫자 큐브(cube))
+n | n-텐서 (알 수 있을겁니다(you get the idea))
+
+
+### 랭크 0
+
+다음은 랭크 0 변수 생성 예의 일부입니다:
+
+```python
+mammal = tf.Variable("코끼리", tf.string)
+ignition = tf.Variable(451, tf.int16)
+floating = tf.Variable(3.14159265359, tf.float64)
+its_complicated = tf.Variable(12.3 - 4.85j, tf.complex64)
+```
+
+Note: 문자열은 텐서에서 문자 시퀀스(sequence)가 아니라 단일 객체로 다뤄집니다.
+객체는 단일 문자열과 문자열 벡터 등 모두 가능합니다.
+
+### 랭크 1
+
+랭크 1 `tf.Tensor` 객체를 생성하기 위해서 초기값으로 리스트를 사용할 수 있습니다.
+예를 들어:
+
+```python
+mystr = tf.Variable(["안녕하세요"], tf.string)
+cool_numbers = tf.Variable([3.14159, 2.71828], tf.float32)
+first_primes = tf.Variable([2, 3, 5, 7, 11], tf.int32)
+its_very_complicated = tf.Variable([12.3 - 4.85j, 7.5 - 6.23j], tf.complex64)
+```
+
+
+### 고차원 랭크
+
+랭크 2 `tf.Tensor` 객체는 최소 한 개 이상의 열(column)과 행(row)으로 구성됩니다:
+
+```python
+mymat = tf.Variable([[7],[11]], tf.int16)
+myxor = tf.Variable([[False, True],[True, False]], tf.bool)
+linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)
+squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)
+rank_of_squares = tf.rank(squarish_squares)
+mymatC = tf.Variable([[7],[11]], tf.int32)
+```
+
+유사하게, 고차원 랭크 텐서는 n-차원 배열로 구성됩니다.
+예를 들어, 이미지 처리에서는 각각 배치 수와 이미지 높이, 이미지 너비, 색상 채널에 해당하는 4차원 랭크 텐서가 사용됩니다.
+
+``` python
+my_image = tf.zeros([10, 299, 299, 3]) # 배치 x 높이 x 너비 x 색상
+```
+
+### `tf.Tensor` 객체 랭크 구하기
+
+`tf.Tensor` 객체의 랭크를 알기 위해서는 `tf.rank` 메서드를 호출합니다.
+예를 들어, 다음 메서드는 프로그램적으로 이전 섹션에서 정의된 `tf.Tensor`의 랭크를 알려줍니다.
+
+```python
+r = tf.rank(my_image)
+# 그래프가 실행된 후 r은 4라는 값을 가지게 됩니다.
+```
+
+### `tf.Tensor` 일부분(slice) 참조하기
+
+`tf.Tensor`는 n-차원 배열로 구성된 셀이기 때문에,
+`tf.Tensor`의 셀 하나에 접근하기 위해서는 n개의 인덱스가 필요합니다.
+
+랭크 0 텐서(스칼라)인 경우 그것이 이미 하나의 숫자이기 때문에 인덱스가 필요없습니다.
+
+랭크 1 텐서(벡터)인 경우 숫자 하나에 접근하기 위해서는 인덱스 한 개를 전달해야 합니다:
+
+```python
+my_scalar = my_vector[2]
+```
+
+벡터로부터 원소 한 개를 동적으로 선택하기 위해서
+`[]`안에 스칼라형 `tf.Tensor`를 인덱스로 사용할 수 있습니다.
+
+랭크 2이상의 고차원 텐서인 경우에는 좀 더 흥미롭습니다.
+예상한 것처럼 랭크 2인 `tf.Tensor`를 위해 인덱스로 2개를 전달해야 스칼라 한 개를 반환합니다:
+
+
+```python
+my_scalar = my_matrix[1, 2]
+```
+
+
+그러나, 한 개만 전달한다면 다음과 같이 행렬의 부분 벡터를 반환합니다:
+
+
+```python
+my_row_vector = my_matrix[2]
+my_column_vector = my_matrix[:, 3]
+```
+
+`:` 표기는 "해당 차원를 남겨라"라는 파이썬 슬라이싱(slicing) 문법입니다.
+이러한 표기법은 고차원 텐서에서 부분 벡터와 부분 행렬, 다른 부분 텐서들까지도 접근할 수 있도록 만들어 주기 때문에 유용합니다.
+
+
+## 쉐이프(Shape)
+
+텐서의 **쉐이프**는 각 차원에 있는 원소 개수입니다.
+텐서플로는 그래프 계산 과정에서 자동으로 쉐이프를 추론합니다.
+이렇게 추론된 쉐이프는 랭크를 알고 있는 경우도 있고 그렇지 않는 경우도 있습니다.
+만약에 랭크를 알고 있는 경우라도 각 차원의 개수를 알고 경우도 있고 그렇지 않는 경우도 있습니다.
+
+텐서플로 문서에서 텐서 차원을 표현하기 위해서 3가지 용어를 사용합니다: 랭크, 쉐이프, 차원수.
+다음 표는 각 용어가 다른 용어와 연관되어 있는지를 보여줍니다.
+
+랭크 | 쉐이프 | 차원수 | 예제
+--- | --- | --- | ---
+0 | [] | 0-차원 | 스칼라인 0-차원 텐서.
+1 | [D0] | 1-차원 | 쉐이프 [5]인 1-차원 텐서.
+2 | [D0, D1] | 2-차원 | 쉐이프 [3, 4]인 2-차원 텐서.
+3 | [D0, D1, D2] | 3-차원 | 쉐이프 [1, 4, 3]인 3-차원 텐서.
+n | [D0, D1, ... Dn-1] | n-차원 | 쉐이프 [D0, D1, ... Dn-1]인 텐서.
+
+쉐이프는 파이썬 리스트 / 정수형 튜플 또는 `tf.TensorShape`으로 표현될 수 있습니다.
+
+### `tf.Tensor` 객체 쉐이프 얻기
+
+`tf.Tensor`의 쉐이프를 알기 위한 2가지 방법이 있습니다.
+그래프를 생성하는 동안 텐서의 쉐이프를 알 수 있는 것은 종종 유용합니다.
+쉐이프는 `tf.Tensor`객체의 `shape` 속성으로 알 수 있습니다.
+이 메서드는 `TensorShape`를 반환하고, 이러한 방식은 전체가 알려지지 않는 쉐이프를 표현하는데 편리한 방법입니다
+(그래프를 생성할 때 모든 쉐이프를 알 수 없기 때문에).
+
+`tf.Tensor`를 얻는 것은 실행 시점에 쉐이프를 알고 있는 다른 `tf.Tensor`로 표현할 수 있습니다.
+이것은 `tf.shape` 연산을 통해서 확인할 수 있습니다.
+이를 통해, 입력 `tf.Tensor`의 동적인 쉐이프에 연동된 다른 텐서를 생성함으로써
+텐서 쉐이프를 변경하는 그래프를 생성할 수 있습니다.
+
+예를 들어 다음은 주어진 행렬의 열 개수와 동일한 크기의 0으로 구성된 벡터를 만드는 예입니다.
+
+``` python
+zeros = tf.zeros(my_matrix.shape[1])
+```
+
+### `tf.Tensor` 쉐이프 변경
+
+텐서의 **원소 개수**는 모든 쉐이프의 크기를 곱한 것입니다.
+스칼라의 원소 개수는 항상 `1`입니다.
+원소 개수가 같은 경우라도 쉐이프는 다양할 수 있기 때문에,
+그 원소 개수를 유지하면서 `tf.Tensor`의 쉐이프를 변경할 수 있는 것은 유용합니다.
+이것은 `tf.reshape`으로 처리할 수 있습니다.
+
+다음은 텐서 쉐이프를 변경하는 예입니다:
+
+```python
+rank_three_tensor = tf.ones([3, 4, 5])
+matrix = tf.reshape(rank_three_tensor, [6, 10]) # 기존 내용을 6x10 행렬로
+ # 쉐이프 변경
+matrixB = tf.reshape(matrix, [3, -1]) # 기존 내용을 3x20 행렬로 쉐이프 변경
+ # -1은 차원 크기를 계산한 후에
+ # 쉐이프를 변경하라는 의미
+matrixAlt = tf.reshape(matrixB, [4, 3, -1]) # 기존 내용을 4x3x5 텐서로
+ # 쉐이프 변경
+
+# 쉐이프가 변경된 텐서의 원소 개수는
+# 원래 텐서의 원소 개수와 같습니다.
+# 그러므로 다음은 원소 개수를 유지하면서
+# 마지막 차원에 사용 가능한 수가 없기 때문에 에러를 발생합니다.
+yet_another = tf.reshape(matrixAlt, [13, 2, -1]) # 에러!
+```
+
+## 데이터 타입(type)
+
+차원뿐만 아니라, 텐서는 테이터 타입도 가지고 있습니다.
+전체 데이터 타입을 확인하려면 `tf.DType`를 참고하세요.
+
+`tf.Tensor`가 한 개이상의 데이터 타입을 가지는 것은 불가능합니다.
+임의의 데이터 구조를 직렬화한 `string`를 저장한 `tf.Tensor`는 예외입니다.
+
+`tf.cast`를 이용해서 `tf.Tensor`의 데이터 타입을 다른 것으로 변경하는 것은 가능합니다:
+
+``` python
+# 정수형 텐서를 실수형으로 변환.
+float_tensor = tf.cast(tf.constant([1, 2, 3]), dtype=tf.float32)
+```
+
+`tf.Tensor`의 데이터 타입을 확인하기 위해서는 `Tensor.dtype` 속성을 활용하세요.
+
+파이썬 객체를 이용해서 `tf.Tensor`를 생성할 때 데이터 타입을 선택적으로 명시할 수 있습니다.
+그렇지 않으면 텐서플로가 데이터 표현에 적합한 데이터 타입을 선택합니다.
+텐서플로는 파이썬 정수를 `tf.int32`로 변환하고 파이썬 실수는 `tf.float32`으로 변환합니다.
+그외에 동일한 규칙을 numpy를 배열로 변경할 때 사용합니다.
+
+## 텐서 계산하기(evaluate)
+
+일단 계산 그래프를 만들었다면, 특정 `tf.Tensor`를 생성하고 그것에 지정된 값을 가져오는 계산을 실행할 수 있습니다.
+이것은 대부분의 텐서플로가 작업하는데 필요할 뿐 아니라 디버깅에 종종 유용합니다.
+
+텐서를 계산하는 가장 간단한 방법은 `Tensor.eval` 메서드를 사용하는 것입니다. 예를 들어:
+
+```python
+constant = tf.constant([1, 2, 3])
+tensor = constant * constant
+print(tensor.eval())
+```
+
+`eval` 메서드는 기본 `tf.Session`이 활성화된 경우에만 작동합니다
+(자세한 내용은 [그래프와 세션](./graphs.md)에서 확인하세요).
+
+`Tensor.eval`은 텐서와 같은 내용을 가지는 numpy 배열을 반환합니다.
+
+때때로 그 값이 이용할 수 없는 동적인 정보에 의존하기 때문에
+컨텍스트(context)가 없는 `tf.Tensor`는 계산할 수 없는 경우가 있습니다.
+예를 들어, `placeholder`인 텐서는 그 `placeholder`에 해당하는 값이 제공되지 않으면 계산할 수 없습니다.
+
+``` python
+p = tf.placeholder(tf.float32)
+t = p + 1.0
+t.eval() # 플레이스홀더(placeholder)가 값을 가지고 있지 않기 때문에, 이것은 실패할 것입니다.
+t.eval(feed_dict={p:2.0}) # 플레이스홀더에 해당하는 값을 제공받기 때문에
+ # 이것은 성공할 것입니다.
+```
+
+플레이스홀더뿐만 아니라 어떤 `tf.Tensor`도 값을 제공받는 것이 가능하다는 것에 유의하세요.
+
+다른 모델 구조는 `tf.Tensor`를 계산하는 것을 복잡하게 만들 수 있습니다.
+텐서플로는 함수안이나 제어 흐름안에 정의된 `tf.Tensor`를 직접 계산할 수 없습니다.
+만약에 `tf.Tensor`가 큐(queue)에 있는 값을 사용한다면,
+무언가가 큐에 들어간 후에 만 `tf.Tensor` 계산을 할 수 있습니다; 그렇지 않으면 계산은 중단될 것입니다.
+큐와 같이 작업할 때, `tf.Tensor`를 계산하기 전 `tf.train.start_queue_runners`를 호출하세요.
+
+## 텐서 출력하기
+
+디버깅을 위해서 `tf.Tensor` 값을 출력하고 싶을 것입니다.
+고급 디버깅에 대해 [tfdbg](../guide/debugger.md)에서 가이드를 제공하지만,
+텐서플로는 `tf.Tensor`값을 직접 출력할 수 있는 연산자를 가지고 있습니다.
+
+`tf.Tensor`를 출력할 때 다음과 같은 패턴을 쓰고자 하는 경우는 거의 없습니다:
+
+``` python
+t = <<some tensorflow operation>>
+print(t) # 이것은 그래프가 생성되어질 때 기호화된 텐서(symbolic tensor)를 출력할 것입니다.
+ # 이 텐서는 이 컨텍스트(context)안에서 값을 가지고 있지 않습니다.
+```
+
+이 코드는 `tf.Tensor`의 값이 아닌 객체(지연 계산으로 표현)를 출력합니다.
+실제로 텐서플로는 두번째 인수로 전달된 `tf.Tensor` 집합을 출력하는 동안
+변경되지 않는 첫번째 텐서 인수를 반환하는 `tf.Print` 연산을 제공합니다.
+
+`tf.Print`을 제대로 사용하기 위해서는 반환된 값을 사용해야 합니다. 아래 예를 보면
+
+``` python
+t = <<some tensorflow operation>>
+tf.Print(t, [t]) # 어떤 일도 하지 않습니다
+t = tf.Print(t, [t]) # 여기서 tf.Print에 의해 반환된 값을 사용할 수 있습니다.
+result = t + 1 # 이제 결과를 계산할 때 `t` 값이 출력될 것입니다.
+```
+
+`result`를 계산할 때 `result`이 관련된 모든 것이 계산될 것입니다.
+`result`는 `t`와 의존성이 있고, `t`를 계산하는 것이 그 입력(`t`의 이전 값)을 출력하는 부가 효과가 있기 때문에 `t`는 출력됩니다.
+