텐서플로우(Tensorflow) 기본 문법 - Placeholder

다음은 텐서플로우 Placeholder 에 대해서 알아보겠다.

자료형이라고 하는게 맞는지는 모르겠지만.. 어쨌든.. placeholder 자료형은 조금 특이하다. 선언과 동시에 초기화 하는 것이 아니라 일단 선언 후 그 다음 값을 전달한다. 따라서 반드시 실행 시 데이터가 제공되어야 한다. 

여기서 값을 전달한다고 되어 있는데 이는 데이터를 상수값을 전달함과 같이 할당하는 것이 아니라 다른 텐서(Tensor)를 placeholder에 맵핑 시키는 것이라고 보면 된다.

placeholder의 전달 파라미터는 다음과 같다.

placeholder(
    dtype,
    shape=None,
    name=None
)

dtype : 데이터 타입을 의미하며 반드시 적어주어야 한다.

shape : 입력 데이터의 형태를 의미한다. 상수 값이 될 수도 있고 다차원 배열의 정보가 들어올 수도 있다. ( 디폴트 파라미터로 None 지정 )

name : 해당 placeholder의 이름을 부여하는 것으로 적지 않아도 된다.  ( 디폴트 파라미터로 None 지정 )

바로 예제로 들어가보자!

p_holder1 = tf.placeholder(dtype=tf.float32)
p_holder2 = tf.placeholder(dtype=tf.float32)
p_holder3 = tf.placeholder(dtype=tf.float32)
 
val1 = 5
val2 = 10
val3 = 3
 
ret_val = p_holder1 * p_holder2 + p_holder3
 
feed_dict = {p_holder1: val1, p_holder2: val2, p_holder3: val3}
result = sess.run(ret_val, feed_dict=feed_dict)
 
print(result)

위에서도 말했었지만, placeholder는 다른 텐서를 할당하는 것이라고 했다. 이를 할당하기 위해서는 feed dictionary 라는 것을 활용하게 되는데 세션을 생성할때 feed_dict의 키워드 형태로 텐서를 맵핑 할 수 있다.

위와 같이 선언 후 feed_dict 변수를 할당해도 되고 바로 값을 대입시켜도 무방하다.

출력의 결과 값은 다음과 같다

17.0

placeholder는 여러 형태로 사용할 수 있다. 머신러닝에서는 다차원 배열 데이터가 많이 들어오게 되는데 어쨌든 배열의 형태가 값으로 들어가도 무방하다는 것이다.

mat_img = [1,2,3,4,5]
label = [10,20,30,40,50]
 
ph_img = tf.placeholder(dtype=tf.float32)
ph_lb = tf.placeholder(dtype=tf.float32)
 
ret_tensor = ph_img + ph_lb
 
result = sess.run(ret_tensor, feed_dict={ph_img:mat_img, ph_lb:label})
print(result)

'

허접하지만 이와 같이 Image Matrix(영상)의 정보와 각 라벨이 들어가 있다고 가정해보자..

크게 의미가 있는 코드는 아니지만 이와 같이 연산을 수행할 수 있다.

보통 데이터셋(DataSet) 정도의 거대 데이터 정보를 feed로 많이 주는 것으로 활용된다.

결과 값은 다음과 같다.

[ 11.  22.  33.  44.  55.]