텐서플로우 2.0(새롭게 배우는)
기계학습의 핵심개념을 이해하기 쉽게 설명
Regular price
$12.36
Sale price
Regular price
Shipping calculated at checkout.
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
텐서플로우는 가장 유명한 기계 학습 프레임워크 중에 하나이며 텐서플로우 2.0은 단순성과사용의 편의성을 개선한 새로운 버전이다. 이 책은 최신의 텐서플로우 기능들을 이해하고 활용하는데 도움을 줄 것이다.
What's New in TensorFlow 2.0은 새로운 텐서플로우 Keras API, 즉시 실행 및 여러 GPU와 TPU들에서 기계 학습 모델을 실행하는데 도움이 되는 효율적인 분산 전략들과 같은 고급화된 개념에 초점을 두고 시작한다. 그런 다음에 데이터 공급과 학습 파이프라인을 구축하는 과정을 안내하고, 새로운 tf.keras API로 생성한 모델에 데이터를 공급하는 권장 사항 및 모범 사례를 제공한다. 기본적으로 do-it-yourself AI인 새롭게 출시된 AIY를 알아보기 전에 TensorFlow Serving과 그 밖의 다른 멀티 플랫폼 배포를 사용하여 추론 파이프라인을 구축하는 과정을 학습할 것이다. 이 책은 결합된 컨볼루션과 순환 레이어들을 구축하는데 도움이 되는 핵심 API들과 what-if 분석을 이용하여 딥 러닝 모델들을 시각화 하는 텐서보드를사용하는데 도움이 되는 API들을 자세히 다룬다.
이 책의 끝에서, 텐서플로우 2.0과 텐서플로우 1.x간의 호환성에 대해서 배우게 될 것이고 텐서플로우 2.0으로 원활하게 마이그레이션 할 수 있게 될 것이다.
What's New in TensorFlow 2.0은 새로운 텐서플로우 Keras API, 즉시 실행 및 여러 GPU와 TPU들에서 기계 학습 모델을 실행하는데 도움이 되는 효율적인 분산 전략들과 같은 고급화된 개념에 초점을 두고 시작한다. 그런 다음에 데이터 공급과 학습 파이프라인을 구축하는 과정을 안내하고, 새로운 tf.keras API로 생성한 모델에 데이터를 공급하는 권장 사항 및 모범 사례를 제공한다. 기본적으로 do-it-yourself AI인 새롭게 출시된 AIY를 알아보기 전에 TensorFlow Serving과 그 밖의 다른 멀티 플랫폼 배포를 사용하여 추론 파이프라인을 구축하는 과정을 학습할 것이다. 이 책은 결합된 컨볼루션과 순환 레이어들을 구축하는데 도움이 되는 핵심 API들과 what-if 분석을 이용하여 딥 러닝 모델들을 시각화 하는 텐서보드를사용하는데 도움이 되는 API들을 자세히 다룬다.
이 책의 끝에서, 텐서플로우 2.0과 텐서플로우 1.x간의 호환성에 대해서 배우게 될 것이고 텐서플로우 2.0으로 원활하게 마이그레이션 할 수 있게 될 것이다.
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
| 이 책의 대상이 되는 독자들 |
만일 여러분이 텐서플로우 2.0으로 코드를 마이그래이션하기를 원하고 최신의 기능을 학습
하고자 하는 데이터 과학자, 기계 학습 전문가, 딥 러닝 연구원 또는 AI 애호가라면 이 책은 여러분에게 도움이 될 것이다. 이 책에서 다루는 개념을 이해하려면 텐서플로우와 파이썬 프로그래밍에 대한 사전 경험이 필요하다.
| 이 책에서 다루는 내용들 |
1장, 텐서플로우 2.0 시작하기 에서는 텐서플로우 2.0의 아키텍처의 측면과 API 수준의 변화들에 대한 간략한 조감도를 제공할 것이다. 텐서플로우 2.0 설치 및 설정을 다루고, 텐서플로우 1.x(Keras API 및 레이어 API 등)에 비해 어떻게 변경되었는지 비교하고, 또한 텐서플로우 확률, Tensor2Tensor, Ragged 텐서 및 새롭게 적용된 손실 함수의 맞춤형 학습 로직과 같은 풍부한 확장 기능의 추가에 대해서도 설명한다.
2장, Keras 기본 통합 및 즉시 실행에서는 Keras를 사용하는 고수준의 텐서플로우 2.0 API들을 깊이 있게 알아본다. 텐서플로우 2.0과 비교하여 텐서플로우 1.x에서 그래프를 평가하는 방법에 대한 자세한 관점을 제시한다. 느긋한 연산과 즉시 실행에 대해 설명하고 텐서플로우 2.0에서 그것들의 차이점을 설명하며, 또한 Keras 모델 서브클래싱(subclassing)을 사용하여 커스텀으로 구축된 모델을 위해 텐서플로우 2.0 하위 API들을 결합하는 방법을 보여줄 것이다.
3장, 입력 데이터 파이프라인 설계 및 구성하기 에서는 TFRecords와 tf.data.Dataset을 이용하여 CSV, 이미지 및 텍스트와 같은 가장 일반적인 형식의 대규모 학습 및 추론 데이터 셋을 입력하기 위한 복잡한 입력 데이터 파이프라인을 구축하는 방법에 대한 개요를 제공한다.
프로토콜 버퍼와 프로토콜 메시지에 대한 일반적인 설명과 그것들을 tf.Example을 이용하여 구현하는 방법을 설명한다. 또한 셔플링(shuffling), 프리패치(prefetching) 및 데이터 배치(batching)와 관련하여 tf.data.Dataset을 사용하는 최고의 방법을 설명하고 데이터 파이프라인을 구축하기 위한 권장하는 방법을 제시한다.
4장, 모델 학습 및 텐서보드 사용하기 에서는 최신의 모델을 구축, 학습 및 검증할 수 있는 전체적인 모델 학습 파이프라인을 다룬다. 입력 데이터 파이프라인을 결합하고, tf.keras 모델을 생성하고, 분산된 방법으로 학습을 수행하고, 하이퍼파라메터 파인튜닝을 위해 검증을 수행하는 방법에 대해 설명한다. 배포 또는 추론을 위해 텐서플로우 모델을 내보내는 방법을 설명하고 텐서보드 사용법, 텐서플로우 2.0에서 텐서보드가 변화된 점 및 모델의 속도와 성능을 디버깅 하고 프로파일링하기 위해 텐서보드를 사용하는 방법에 대해서 설명한다.
5장, 모델 추론 파이프라인-멀티 플랫폼 배포에서는 실제 상용 환경에서 대규모 소프트웨어 어플리케이션을 구축하기 위해 학습된 모델을 사용하기 위한 몇 가지 배포 전략을 소개한다. 텐서플로우 2.0에서 학습된 모델을 파이썬 자바스크립트와 같은 다양한 프로그래밍 언어를 사용하는 서버와 웹 브라우저 같은 플랫폼에 배포할 수 있다.
6장, AIY 프로젝트 및 텐서플로우 라이트 에서는 안드로이드, iOS, 라즈베리 파이, 엣지 TPU 및 NVIDIA Jetson Nano를 포함하는 엣지 디바이스 및 모바일 시스템과 같은 저전력 임베디드 시스템에 텐서플로우 2.0으로 학습된 모델을 배포하는 방법을 설명한다. 또한 Google's AIY kit에서 모델을 학습하고 배포하는 것에 관한 자세한 내용이 포함되어 있다.
7장, 텐서플로우 1.x에서 텐서플로우 2.0으로 마이그레이션하기 에서는 텐서플로우 1.x와 텐서플로우 2.0간의 개념상의 차이점, 그것들 간의 호환성의 기준, 그것들 간에 구문적으로 그리고 의미적으로 마이그레이션 하는 방법을 설명한다. 또한 텐서플로우 1.x에서 텐서플로우 2.0으로 구문적 및 의미적 마이그레이션 하는 몇 가지 방법을 보여주고 참고 자료와 앞으로에 대한 정보가 포함되어 있다.
만일 여러분이 텐서플로우 2.0으로 코드를 마이그래이션하기를 원하고 최신의 기능을 학습
하고자 하는 데이터 과학자, 기계 학습 전문가, 딥 러닝 연구원 또는 AI 애호가라면 이 책은 여러분에게 도움이 될 것이다. 이 책에서 다루는 개념을 이해하려면 텐서플로우와 파이썬 프로그래밍에 대한 사전 경험이 필요하다.
| 이 책에서 다루는 내용들 |
1장, 텐서플로우 2.0 시작하기 에서는 텐서플로우 2.0의 아키텍처의 측면과 API 수준의 변화들에 대한 간략한 조감도를 제공할 것이다. 텐서플로우 2.0 설치 및 설정을 다루고, 텐서플로우 1.x(Keras API 및 레이어 API 등)에 비해 어떻게 변경되었는지 비교하고, 또한 텐서플로우 확률, Tensor2Tensor, Ragged 텐서 및 새롭게 적용된 손실 함수의 맞춤형 학습 로직과 같은 풍부한 확장 기능의 추가에 대해서도 설명한다.
2장, Keras 기본 통합 및 즉시 실행에서는 Keras를 사용하는 고수준의 텐서플로우 2.0 API들을 깊이 있게 알아본다. 텐서플로우 2.0과 비교하여 텐서플로우 1.x에서 그래프를 평가하는 방법에 대한 자세한 관점을 제시한다. 느긋한 연산과 즉시 실행에 대해 설명하고 텐서플로우 2.0에서 그것들의 차이점을 설명하며, 또한 Keras 모델 서브클래싱(subclassing)을 사용하여 커스텀으로 구축된 모델을 위해 텐서플로우 2.0 하위 API들을 결합하는 방법을 보여줄 것이다.
3장, 입력 데이터 파이프라인 설계 및 구성하기 에서는 TFRecords와 tf.data.Dataset을 이용하여 CSV, 이미지 및 텍스트와 같은 가장 일반적인 형식의 대규모 학습 및 추론 데이터 셋을 입력하기 위한 복잡한 입력 데이터 파이프라인을 구축하는 방법에 대한 개요를 제공한다.
프로토콜 버퍼와 프로토콜 메시지에 대한 일반적인 설명과 그것들을 tf.Example을 이용하여 구현하는 방법을 설명한다. 또한 셔플링(shuffling), 프리패치(prefetching) 및 데이터 배치(batching)와 관련하여 tf.data.Dataset을 사용하는 최고의 방법을 설명하고 데이터 파이프라인을 구축하기 위한 권장하는 방법을 제시한다.
4장, 모델 학습 및 텐서보드 사용하기 에서는 최신의 모델을 구축, 학습 및 검증할 수 있는 전체적인 모델 학습 파이프라인을 다룬다. 입력 데이터 파이프라인을 결합하고, tf.keras 모델을 생성하고, 분산된 방법으로 학습을 수행하고, 하이퍼파라메터 파인튜닝을 위해 검증을 수행하는 방법에 대해 설명한다. 배포 또는 추론을 위해 텐서플로우 모델을 내보내는 방법을 설명하고 텐서보드 사용법, 텐서플로우 2.0에서 텐서보드가 변화된 점 및 모델의 속도와 성능을 디버깅 하고 프로파일링하기 위해 텐서보드를 사용하는 방법에 대해서 설명한다.
5장, 모델 추론 파이프라인-멀티 플랫폼 배포에서는 실제 상용 환경에서 대규모 소프트웨어 어플리케이션을 구축하기 위해 학습된 모델을 사용하기 위한 몇 가지 배포 전략을 소개한다. 텐서플로우 2.0에서 학습된 모델을 파이썬 자바스크립트와 같은 다양한 프로그래밍 언어를 사용하는 서버와 웹 브라우저 같은 플랫폼에 배포할 수 있다.
6장, AIY 프로젝트 및 텐서플로우 라이트 에서는 안드로이드, iOS, 라즈베리 파이, 엣지 TPU 및 NVIDIA Jetson Nano를 포함하는 엣지 디바이스 및 모바일 시스템과 같은 저전력 임베디드 시스템에 텐서플로우 2.0으로 학습된 모델을 배포하는 방법을 설명한다. 또한 Google's AIY kit에서 모델을 학습하고 배포하는 것에 관한 자세한 내용이 포함되어 있다.
7장, 텐서플로우 1.x에서 텐서플로우 2.0으로 마이그레이션하기 에서는 텐서플로우 1.x와 텐서플로우 2.0간의 개념상의 차이점, 그것들 간의 호환성의 기준, 그것들 간에 구문적으로 그리고 의미적으로 마이그레이션 하는 방법을 설명한다. 또한 텐서플로우 1.x에서 텐서플로우 2.0으로 구문적 및 의미적 마이그레이션 하는 몇 가지 방법을 보여주고 참고 자료와 앞으로에 대한 정보가 포함되어 있다.
목차
목차
제1부 텐서플로우 2.0-구조 및 API 변화
제1장 텐서플로우 2.0 시작하기
기술적인 요구 사항 03
새로 변화된 내용 04
TF 1.x와 달라진 점들 05
TF 2.0 설치 및 셋업 06
설치하기와 pip 사용하기 06
Docker 사용하기 07
GPU 설치 08
TF 2.0 사용하기 10
풍부한 확장기능 13
Ragged 텐서 13
Ragged 텐서의 구성 14
새롭고 중요한 패키지들 17
요약 18
제2장 Keras 기본 통합 및 즉시 실행
기술적인 요구 사항 19
TF 2.0에서 새로운 추상화 20
Keras API에 대해서 자세히 알아보기 20
Keras는 무엇인가? 21
모델 구축 21
모델 학습 29
모델 저장 및 로딩 30
다른 특징들 35
종단-대-종단 순차형 예제 37
추정기 40
텐서플로우 그래프 평가하기 42
지연된 로딩 VS 즉시 실행 42
요약 44
제2부 텐서플로우 2.0-데이터 및 모델 학습 파이프라인
제3장 입력 데이터 파이프라인 설계 및 구성하기
기술적인 요구 사항 50
데이터 파이프라인 설계 및 구성하기 50
로우(Raw) 데이터 52
학습, 검증 및 테스트 데이터로 분할하기 53
TFRecords 생성 56
tf.data 데이터셋 객체 생성 61
데이터셋 변형 67
map 함수 69
flat_map 함수 70
zip 함수 70
연결 함수 70
interleave 함수 71
take(count) 함수 72
filter(predicate) 함수 72
tf.data.Dataset을 이용하여 셔플링 및 반복 72
배치(Batching) 74
프리패치(Prefetching) 75
모델 입력 전 데이터 파이프라인 출력 유효성 검사 75
생성된 데이터셋을 모델에 입력 76
전체적인 종단-대-종단 데이터 파이프라인 예제 77
pickle 파일을 이용한 tfrecords 생성 78
TF 2.0에서 데이터 파이프라인의 모범 사례 및 성능 최적화 81
TF 2.0에 내장된 데이터셋 81
요약 84
추가 자료 84
제4장 모델 학습 및 텐서보드 사용하기
기술적인 요구 사항 86
Keras와 tf.keras 비교 86
추정기와 tf.keras 비교 87
머신 러닝 분류 및 TF 지원에 대한 간단한 리뷰 88
tf.keras 2.0을 이용한 모델 생성 89
순차형 API 91
함수형 API 92
모델 서브클래싱 API 93
모델 컴파일 및 학습 95
compile() API 96
fit() API 96
모델 저장 및 복원 97
커스텀 학습 논리 99
분산 학습 103
텐서보드 105
콜백 및 호출로 텐서보드 후킹 105
스칼라, 측정, 텐서 및 이미지 데이터의 시각화 107
그래프 대쉬보드 109
하이퍼파라메터 튜닝 112
What-If 도구 115
Profiling 도구 115
요약 116
질문 116
추가 자료 117
제3부 텐서플로우 2.0-모델 추론 및 배포 및 AIY
제5장 모델 추론 파이프라인-멀티플랫폼 배포
기술적인 요구 사항 122
머신 러닝 워크플로우-추론 단계 122
추론 관점에서 모델 이해하기 123
모델 산출물-SavedModel 형식 124
핵심 데이터플로우 모델 이해하기 124
tf.function API 126
SavedModel 모델 내보내기 130
SavedModel 산출물 분석하기 132
백엔드 서버에서의 추론 136
텐서플로우 서빙 137
TensorFlow.js와 Node.js의 통합 140
브라우저에서 추론 140
모바일 및 IoT 장치에서 추론 142
요약 143
제6장 AIY 프로젝트 및 텐서플로우 라이트
TFLite 소개 146
TFLite로 시작하기 146
모바일 장치에서 TFLite 실행하기 149
안드로이드에서 TFLite 149
iOS에서 TFLite 150
저전력 장치에서 TFLite 실행하기 151
엣지 TPU 프로세서에서 TFLite 실행하기 151
NVIDIA Jetson Nano에서 TF 실행하기 154
TFLite와 TF 비교하기 155
AIY 156
요약 159
제4부 텐서플로우 2.0-텐서플로우 1.x에서
2.0으로 마이그레이션하기
제7장 텐서플로우 1.x에서 2.0으로 마이그레이션하기
TF 2.0의 주된 변화 164
관용적 TF 2.0에 권장되는 기술 164
TF 2.0 네이티브 코드 만들기 167
TF 1.x model을 변경하기 168
학습 루프 업그레이드하기 173
변환할 때 그 밖의 참고 사항 177
자주하는 질문 178
TF 2.0의 미래 180
더 참고 해야할 사항 180
요약 181
Index 181
제1장 텐서플로우 2.0 시작하기
기술적인 요구 사항 03
새로 변화된 내용 04
TF 1.x와 달라진 점들 05
TF 2.0 설치 및 셋업 06
설치하기와 pip 사용하기 06
Docker 사용하기 07
GPU 설치 08
TF 2.0 사용하기 10
풍부한 확장기능 13
Ragged 텐서 13
Ragged 텐서의 구성 14
새롭고 중요한 패키지들 17
요약 18
제2장 Keras 기본 통합 및 즉시 실행
기술적인 요구 사항 19
TF 2.0에서 새로운 추상화 20
Keras API에 대해서 자세히 알아보기 20
Keras는 무엇인가? 21
모델 구축 21
모델 학습 29
모델 저장 및 로딩 30
다른 특징들 35
종단-대-종단 순차형 예제 37
추정기 40
텐서플로우 그래프 평가하기 42
지연된 로딩 VS 즉시 실행 42
요약 44
제2부 텐서플로우 2.0-데이터 및 모델 학습 파이프라인
제3장 입력 데이터 파이프라인 설계 및 구성하기
기술적인 요구 사항 50
데이터 파이프라인 설계 및 구성하기 50
로우(Raw) 데이터 52
학습, 검증 및 테스트 데이터로 분할하기 53
TFRecords 생성 56
tf.data 데이터셋 객체 생성 61
데이터셋 변형 67
map 함수 69
flat_map 함수 70
zip 함수 70
연결 함수 70
interleave 함수 71
take(count) 함수 72
filter(predicate) 함수 72
tf.data.Dataset을 이용하여 셔플링 및 반복 72
배치(Batching) 74
프리패치(Prefetching) 75
모델 입력 전 데이터 파이프라인 출력 유효성 검사 75
생성된 데이터셋을 모델에 입력 76
전체적인 종단-대-종단 데이터 파이프라인 예제 77
pickle 파일을 이용한 tfrecords 생성 78
TF 2.0에서 데이터 파이프라인의 모범 사례 및 성능 최적화 81
TF 2.0에 내장된 데이터셋 81
요약 84
추가 자료 84
제4장 모델 학습 및 텐서보드 사용하기
기술적인 요구 사항 86
Keras와 tf.keras 비교 86
추정기와 tf.keras 비교 87
머신 러닝 분류 및 TF 지원에 대한 간단한 리뷰 88
tf.keras 2.0을 이용한 모델 생성 89
순차형 API 91
함수형 API 92
모델 서브클래싱 API 93
모델 컴파일 및 학습 95
compile() API 96
fit() API 96
모델 저장 및 복원 97
커스텀 학습 논리 99
분산 학습 103
텐서보드 105
콜백 및 호출로 텐서보드 후킹 105
스칼라, 측정, 텐서 및 이미지 데이터의 시각화 107
그래프 대쉬보드 109
하이퍼파라메터 튜닝 112
What-If 도구 115
Profiling 도구 115
요약 116
질문 116
추가 자료 117
제3부 텐서플로우 2.0-모델 추론 및 배포 및 AIY
제5장 모델 추론 파이프라인-멀티플랫폼 배포
기술적인 요구 사항 122
머신 러닝 워크플로우-추론 단계 122
추론 관점에서 모델 이해하기 123
모델 산출물-SavedModel 형식 124
핵심 데이터플로우 모델 이해하기 124
tf.function API 126
SavedModel 모델 내보내기 130
SavedModel 산출물 분석하기 132
백엔드 서버에서의 추론 136
텐서플로우 서빙 137
TensorFlow.js와 Node.js의 통합 140
브라우저에서 추론 140
모바일 및 IoT 장치에서 추론 142
요약 143
제6장 AIY 프로젝트 및 텐서플로우 라이트
TFLite 소개 146
TFLite로 시작하기 146
모바일 장치에서 TFLite 실행하기 149
안드로이드에서 TFLite 149
iOS에서 TFLite 150
저전력 장치에서 TFLite 실행하기 151
엣지 TPU 프로세서에서 TFLite 실행하기 151
NVIDIA Jetson Nano에서 TF 실행하기 154
TFLite와 TF 비교하기 155
AIY 156
요약 159
제4부 텐서플로우 2.0-텐서플로우 1.x에서
2.0으로 마이그레이션하기
제7장 텐서플로우 1.x에서 2.0으로 마이그레이션하기
TF 2.0의 주된 변화 164
관용적 TF 2.0에 권장되는 기술 164
TF 2.0 네이티브 코드 만들기 167
TF 1.x model을 변경하기 168
학습 루프 업그레이드하기 173
변환할 때 그 밖의 참고 사항 177
자주하는 질문 178
TF 2.0의 미래 180
더 참고 해야할 사항 180
요약 181
Index 181
저자
저자
Ajay Baranwal
Ajay Baranwal은 전자 제조 분야의 딥 러닝 센터 총괄을 맡고 있으며, 반도체 및 전자 제조 산업에서 텐서플로우 기반의 딥 러닝 응용 프로그램을 연구하고 개발하는 일을 담당하고 있다. 또한 전문가들에게 딥러닝 기술들을 가르치고 훈련하는 일을 해오고 있다.
그는 딥 러닝에 매료되어 소프트웨어 공학과 운영에 관한 탄탄한 경력을 쌓아왔다. Abzoob에서 딥 러닝을 더 깊이 연구하기 위해 자연어 이해(NLU) 분야로 옮겨서 금융 분야의 정보 검색 시스템을 구축했다. 또한 그는 Ansys Inc. 에서 선임 관리자(엔지니어링) 및 기술 담당자(데이터 과학)로 근무하였으며 여러가지 ML 응용 프로그램들을 개발하였다.
그는 딥 러닝에 매료되어 소프트웨어 공학과 운영에 관한 탄탄한 경력을 쌓아왔다. Abzoob에서 딥 러닝을 더 깊이 연구하기 위해 자연어 이해(NLU) 분야로 옮겨서 금융 분야의 정보 검색 시스템을 구축했다. 또한 그는 Ansys Inc. 에서 선임 관리자(엔지니어링) 및 기술 담당자(데이터 과학)로 근무하였으며 여러가지 ML 응용 프로그램들을 개발하였다.
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.
