그래프 실행하기

[TOC]

이 라이브러리는 그래프를 시작하고 연산을 실행하기 위한 클래스를 포함하고 있습니다.

basic usage가이드에는 tf.Session에서 그래프가 어떻게 시작되는지에 대한 예시들이 있습니다.

세션 관리

class tf.Session

TensorFlow 연산들을 실행하기 위한 클래스입니다.

Session 객체는 Operation 객체가 실행되고 Tensor 객체가 계산되는 환경을 캡슐화합니다. 예를 들면

# 그래프를 만듭니다.
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b

# 세션에서 그래프를 시작합니다.
sess = tf.Session()

# 텐서 `c`를 계산합니다.
print(sess.run(c))

세션은 변수, 큐그리고 리더같은 자체 리소스를 가질 것입니다. 이 리소스들이 더 이상 필요하지 않을 때 이를 해제시키는건 중요합니다. 이를 위해선, 세션에서 close()메서드를 실행하거나 컨텍스트 매니저로써 세션을 사용해야합니다. 다음의 두 예시는 동일합니다.

# `close()`메서드를 사용합니다.
sess = tf.Session()
sess.run(...)
sess.close()

# 컨텍스트 매니저를 사용합니다.
with tf.Session() as sess:
  sess.run(...)

[ConfigProto] (https://www.tensorflow.org/code/tensorflow/core/protobuf/config.proto) 프로토콜 버퍼는 세션을 위한 여러가지 설정 옵션을 제공합니다. 예를 들면, 디바이스 위치에 대해 유연한 제약 조건을 사용하고 위치 결정 결과를 로깅하기위해 다음과 같이 세션을 생성합니다:

# 유연한 디바이스 위치와 위치 결정 로깅을 사용하는 세션에서 그래프를 시작합니다.
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
                                        log_device_placement=True))

tf.Session.__init__(target='', graph=None, config=None)

새로운 TensorFlow 세션을 생성합니다.

세션을 생성할 때 graph 인자가 지정되지 않으면, 세션에선 기본 그래프가 시작됩니다. 만약 같은 프로세스에서 tf.Graph()로 생성되는 그래프를 하나 이상 사용한다면, 각 그래프에 대해서 서로 다른 세션을 사용해야 할 것입니다. 그러나 각 그래프는 여러 세션에서 사용될 수 있습니다. 이 경우에는 때때로 세션 생성자에 그래프가 시작된다는걸 명시적으로 전달하는게 깔끔합니다.

인자:
  • target: (선택) 접속을 위한 실행 엔진. 기본값으로 프로세스 내부 엔진을 사용합니다. 지금은, 빈 문자열 이외의 값은 지원되지 않습니다.
  • graph: (선택) 시작되는 Graph (위에서 설명됨).
  • config: (선택) 세션을 위한 설정 옵션을 가진 ConfigProto 프로토콜 버퍼.

tf.Session.run(fetches, feed_dict=None, options=None, run_metadata=None)

fetches에서 연산과 텐서를 실행합니다.

이 메서드는 모든 Operation들과 fetches에 있는 모든 Tensor들을 실행하기위해 꼭 필요한 그래프 단편을 실행하면서 TensorFlow 계산을 한 스텝씩 실행하고, 입력값들에 대한 feed_dict의 값들을 교체합니다.

fetches인자는 단일 그래프 요소, 그래프 요소들의 리스트 또는 위의 값들의 딕셔너리가 될 수 있습니다. fetches의 타입은 이 메서드의 반환값들 결정합니다. 그래프 요소는 다음 타입중 하나가 될 수 있습니다.

  • fetches의 요소가 Operation일 때, 해당 패치값은 None이 될 것입니다.
  • fetches의 요소가 Tensor일 때, 해당 패치값은 텐서값을 포함하는 numpy ndarray가 될 것입니다.
  • fetches의 요소가 SparseTensor일 때, 해당 패치값은 희소 텐서의 값을 포함하는 SparseTensorValue가 될 것입니다.
  • fetches의 요소가 get_tensor_handle 연산에의해 생성되었을 경우, 해당 패치값은 텐서의 처리를 포함하는 numpy ndarray가 될 것 입니다.

선택적인 feed_dict 인자는 그래프의 텐서의 값들을 덮어씌울 수 있도록 해줍니다. feed_dict의 각 키들은 다음 타입중 하나가 될 수 있습니다.

  • 키가 Tensor라면, 값은 텐서와 같은 dtype으로 변환될 수 있는 Python 스칼라, 문자열, 리스트 또는 numpy ndarray가 될 것입니다. 추가적으로, 키가 placeholder라면, 값의 구조(shape)가 플레이스홀더(placeholder)와 호환되는지 확인될 것입니다.
  • 키가 SparseTensor라면, 값은 SparseTensorValue이어야합니다.

feed_dict의 각 값들은 해당하는 키의 dtype의 numpy 배열로 변환이 가능해야합니다.

선택적인 options 인자는 [RunOptions] 프로토콜 버퍼를 받습니다. 옵션은 이 특정한 단계의 행동을 컨트롤할 수 있도록합니다. (예로, 추적을 가능하게함)

선택적인 run_metadata 인자는 [RunMetadata] 프로토콜 버퍼를 인자로 받습니다. 적절한 때에, 이 단계의 텐서가 아닌 출력값은 수집될 것입니다. 예를 들면, 사용자가 options에서 추적을 활성화할 때, 프로파일 정보는 이 인자로 수집될 것이며 역으로 전달될 것입니다.

인자:
  • fetches: 단일 그래프 요소, 그래프 요소의 리스트 또는 이들의 값을 갖는 딕셔너리. (위에서 설명함.)
  • feed_dict: 값들에 매핑되는 그래프 요소들의 딕셔너리.
  • options: [RunOptions] 프로토콜 버퍼.
  • run_metadata: [RunMetadata] 프로토콜 버퍼.
반환값:

fetches가 단일 그래프 요소일 때에는 단일값, fetches가 리스트일 경우엔 값 리스트, 또는 딕셔너리일 경우엔 fetches와 같은 키값들을 가진 딕셔너리. (위에서 설명함)

예외:
  • RuntimeError: Session이 유효하지 않은 상태일 경우 발생. (예로, 닫혀진 경우)
  • TypeError: fetches 또는 feed_dict키들이 적절하지 않은 타입일 경우 발생.
  • ValueError: fetches 또는 feed_dict키들이 잘못되거나 존재하지 않는 Tensor를 참조할 경우 발생.

tf.Session.close()

세션을 닫습니다.

이 메서드를 실행하면 세션과 관련된 모든 리소스를 해제합니다.

예외:

tf.errors.OpError: TensorFlow 세션을 닫는 도중에 에러가 발생할 경우 이 예외 또는 이 예외의 서브클래스중 하나가 발생합니다.

tf.Session.graph

세션에서 시작된 그래프.

tf.Session.as_default()

이 객체를 기본 세션으로 만드는 컨텍스트 매니저를 반환합니다.

Operation.run() 또는 Tensor.run()가 이 세션에서 실행되도록하는 호출을 지정하기위해 with 키워드와 함께 사용합니다. 

c = tf.constant(..)
sess = tf.Session()

with sess.as_default():
  assert tf.get_default_session() is sess
  print(c.eval())

현재 기본 세션을 얻기위해 tf.get_default_session()을 사용합니다.

주의 as_default 컨텍스트 매니저는 컨텍스트를 빠져나왔을 때 세션을 닫지 않으며, 명시적으로 세션을 닫아줘야합니다.

c = tf.constant(...)
sess = tf.Session()
with sess.as_default():
  print(c.eval())
# ...
with sess.as_default():
  print(c.eval())

sess.close()

대안으로는, 잡을 수 없는 예외가 발생하는 경우를 포함해서, 컨텍스트를 빠져나갈 때 자동으로 닫히는 세션을 생성하기 위해서는 with tf.Session()을 사용할 수 있습니다.

주의 기본 그래프는 현재 스레드의 프로퍼티입니다. 새로운 스레드를 생성하고, 스레드 안에서 기본 스레드를 사용하고 싶을 경우엔 반드시 그 스레드의 함수에 with sess.as_default()를 명시적으로 추가해 주어야합니다.

반환값:

이 세션을 기본 세션으로 사용하는 컨텍스트 매니저.

class tf.InteractiveSession

쉘과 같은 인터랙티브 컨텍스트에서 사용하기 위한 TensorFlow Session

일반 Session과의 유일한 차이점은 InteractiveSession은 생성시 자기 자신을 기본 세션으로 설치한다는 것입니다. Tensor.eval()메서드와 Operation.run()메서드는 연산을 실행하기위해 그 세션을 사용할 것입니다.

이는 인터랙티브 쉘과 IPythonnotebooks에서 편리하며, 연산을 실행하기 위한 Session 객체를 명시적으로 전달하지 않아도됩니다.

예시:

sess = tf.InteractiveSession()
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b
# 'sess'의 전달없이도 'c.eval()'를 실행할 수 있습니다.
print(c.eval())
sess.close()

일반 세션은 with문 안에서 생성될 경우 자기 자신을 기본 세션으로 설치합니다. 인터랙티브 프로그램이 아닌 경우의 일반적인 사용법은 다음 패턴을 따르는 것입니다.

a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b
with tf.Session():
  # 'c.eval()'을 여기에서도 사용할 수 있습니다.
  print(c.eval())

tf.InteractiveSession.__init__(target='', graph=None, config=None)

새로운 인터랙티브 TensorFlow 세션을 생성합니다.

세션을 생성할 때 graph 인자가 지정되지 않으면, 세션에선 디폴트 그래프가 시작됩니다. 만약 같은 프로세스에서 tf.Graph()로 생성되는 그래프를 하나 이상 사용한다면, 각 그래프에 대해서 서로 다른 세션을 사용해야 할 것입니다. 그러나 각 그래프는 여러 세션에서 사용될 수 있습니다. 이 경우에는 때때로 세션 생성자에 그래프가 시작된다는걸 명시적으로 전달하는게 깔끔합니다.

인자:
  • target: (선택) 접속을 위한 실행 엔진. 기본값으로 프로세스 내부 엔진을 사용합니다. 지금은, 빈 문자열 이외의 값은 지원되지 않습니다.
  • graph: (선택) 시작되는 Graph. (위에서 설명됨.)
  • config: (선택) 세션을 위한 설정 옵션을 가진 ConfigProto 프로토콜 버퍼.

tf.InteractiveSession.close()

InteractiveSession을 닫습니다.

tf.get_default_session()

현재 스레드에 대한 기본 세션을 반환합니다.

반환된 Session은 입력된 Session 또는 Session.as_default() 컨텍스트에서 가장 안 쪽의 세션이 될 것입니다.

참고 : 기본 그래프는 현재 스레드의 프로퍼티입니다. 새로운 스레드를 생성하고, 스레드 안에서 기본 스레드를 사용하고 싶을 경우엔 반드시 그 스레드의 함수에 with sess.as_default():를 명시적으로 추가해 주어야합니다.

반환값:

기본 Session은 현재 스레드에서 사용됩니다.

에러 클래스

class tf.OpError

TensorFlow 실행이 실패할 때 발생하는 일반적인 에러.

세션은 언제든지 tf.errors 모듈에 있는 더 많은 OpError의 특정한 서브클래스 예외를 발생시킬 수 있습니다.

tf.OpError.op

알려진 실패한 연산.

주의 실패한 연산이 런타임때 합쳐진 경우엔, 예를 들면, Send 또는 Recv 연산, 해당하는 Operation 객체가 없을 것입니다. 이 경우, 이는 None을 반환할 것이며, 연산에 대한 정보를 찾으려면OpError.node_def를 대신 사용해야합니다.

반환값:

실패한 Operation 또는 None.

tf.OpError.node_def

실패한 연산을 나타내는 NodeDef 프로토콜 버퍼.

그 외 메서드

tf.OpError.__init__(node_def, op, message, error_code)

특정한 실패한 연산을 가리키는 새로운 OpError를 생성합니다.

인자:
  • node_def: 알려진 연산의 경우 실패한 연산을 나타내는 graph_pb2.NodeDef 프로토콜 버퍼, 이 외에는 None.
  • op: 알려진 연산의 경우 실패한 ops.Operation, 이 외에는 None.
  • message: 실패를 설명하는 메시지 문자열.
  • error_code: 에러를 나타내는 error_codes_pb2.Code.

tf.OpError.error_code

에러를 나타내는 정수 에러 코드.

tf.OpError.message

에러를 설명하는 에러 메시지.

class tf.errors.CancelledError

연산이나 단계가 취소되었을 때 발생합니다.

예를 들면, 장시간 실행하는 연산 (예로, queue.enqueue())는 또 다른 연산 (예로, queue.close(cancel_pending_enqueues=True)) 또는 closing the session을 실행함으로써 취소될 수 있습니다. 장기 실행 연산을 실행하는 단계는 CancelledError를 발생시키며 실패할 것입니다.

tf.errors.CancelledError.__init__(node_def, op, message)

CancelledError를 생성합니다.

class tf.errors.UnknownError

알려지지 않은 에러.

이 에러가 반환될 수 있는 한 예는 상태값을 현재 주소 공간에서는 알려지지 않은 에러 공간에 속한 다른 주소 공간으로부터 받는 경우입니다. 또한 충분한 에러 정보를 반환하지 않는 API에 의해 발생하는 에러도 이 에러로 변환될 수 있습니다.

tf.errors.UnknownError.__init__(node_def, op, message, error_code=2)

UnknownError를 생성합니다.

class tf.errors.InvalidArgumentError

연산이 잘못된 인자를 받는 경우 발생합니다.

이 에러는, 예를 들면, 만약 연산이 잘못된 값이나 구조(shape)를 가진 입력 텐서를 받을 경우에 발생할 수 있습니다. tf.matmul() 연산은 행렬이 아닌 입력을 받을 경우에 이 에러를 발생시킬 것이며, tf.reshape() 연산은 새로운 구조(shape)가 입력 텐서의 요소들의 갯수와 매칭이 안될 경우 이 에러를 발생시킬 것입니다.

tf.errors.InvalidArgumentError.__init__(node_def, op, message)

InvalidArgumentError를 생성합니다.

class tf.errors.DeadlineExceededError

연산이 완료되기 전에 기한이 만료될 경우 발생합니다.

이 예외는 현재 사용되지 않습니다.

tf.errors.DeadlineExceededError.__init__(node_def, op, message)

DeadlineExceededError를 생성합니다.

class tf.errors.NotFoundError

요청된 엔티티 (예로, 파일이나 디렉토리)를 찾을 수 없는 경우 발생합니다.

예를 들면, tf.WholeFileReader.read() 연산을 실행하는데 존재하지 않는 파일의 이름을 받게되면 NotFoundError을 발생시킬 수 있습니다.

tf.errors.NotFoundError.__init__(node_def, op, message)

NotFoundError를 생성합니다.

class tf.errors.AlreadyExistsError

이미 존재하는 엔티티를 생성하려고 할 경우 발생합니다.

예를 들면, 파일을 저장하는 연산 (예로, tf.train.Saver.save())을 실행할 때 존재하는 파일의 파일명을 명시적으로 전달할 경우 잠재적으로 이 에러를 발생시킬 수 있습니다.

tf.errors.AlreadyExistsError.__init__(node_def, op, message)

AlreadyExistsError를 생성합니다.

class tf.errors.PermissionDeniedError

호출자가 연산 실행에 대한 권한이 없을 경우 발생합니다.

예를 들면, tf.WholeFileReader.read() 연산을 실행할 때 사용자가 읽기 권한을 갖고 있지 않는 파일명을 받을 경우 PermissionDeniedError를 발생시킬 수 있습니다.

tf.errors.PermissionDeniedError.__init__(node_def, op, message)

PermissionDeniedError를 생성합니다.

class tf.errors.UnauthenticatedError

요청이 유효한 인증 자격 증명을 가지지 않은 경우.

이 예외는 현재 사용되지 않습니다.

tf.errors.UnauthenticatedError.__init__(node_def, op, message)

UnauthenticatedError를 생성합니다.

class tf.errors.ResourceExhaustedError

리소스가 소진된 경우.

예를 들면, 사용자별 할당량(quota)이 소진되거나 전 파일 시스템에 공간이 부족할 경우 이 에러가 발생할 수 있습니다.

tf.errors.ResourceExhaustedError.__init__(node_def, op, message)

ResourceExhaustedError를 생성합니다.

class tf.errors.FailedPreconditionError

시스템이 연산을 실행시킬 수 있는 상태가 아니라 연산이 거부됨.

이 예외는 tf.Variable를 읽는 연산을 초기화 전에 실행할 경우에 발생하는 가장 빈번한 예외입니다.

tf.errors.FailedPreconditionError.__init__(node_def, op, message)

FailedPreconditionError를 생성합니다.

class tf.errors.AbortedError

보통 동시 작업때문에 연산이 중단됨.

예를 들면, queue.close()이 이전에 실행된 상태에서 queue.enqueue() 연산을 실행하면 AbortedError가 발생할 수 있습니다.

tf.errors.AbortedError.__init__(node_def, op, message)

AbortError를 생성합니다.

class tf.errors.OutOfRangeError

연산이 유효한 입력 범위를 지나쳐 순회할 경우 발생합니다.

이 예외는 queue.dequeue() 연산이 빈 큐에서 블로킹 되고 queue.close() 연산이 실행되는 경우와 같은 "파일의 끝(end-of-file)"이라는 조건에서 발생합니다.

tf.errors.OutOfRangeError.__init__(node_def, op, message)

OutOfRangeError를 생성합니다.

class tf.errors.UnimplementedError

연산이 구현되지 않은 경우 발생합니다.

몇가지 연산은 유효하지만 현재 지원되지 않는 인자들을 전달할 경우 이 에러를 발생시킬 수 있습니다. tf.nn.max_pool() 연산을 실행할 때 배치 차원에 풀링이 요청된 경우 이는 아직 지원되지 않기 때문에 이 에러를 발생시킬 것입니다.

tf.errors.UnimplementedError.__init__(node_def, op, message)

UnimplementedError를 생성합니다.

class tf.errors.InternalError

시스템 내부 에러가 생길 경우 발생.

망가진 런타임에 의해 몇가지 불변이 예상될 경우 발생하는 예외입니다. 이 예외를 잡는것은 추천하지 않습니다.

tf.errors.InternalError.__init__(node_def, op, message)

InternalError를 생성합니다.

class tf.errors.UnavailableError

런타임이 현재 이용불가능할 때 발생합니다.

이 예외는 현재 사용되지 않습니다.

tf.errors.UnavailableError.__init__(node_def, op, message)

UnavailableError를 생성합니다.

class tf.errors.DataLossError

복구불가능한 데이터를 잃거나 손상이 생겼을 때 발생합니다.

예를 들면, 이는tf.WholeFileReader.read()연산을 실행하는데, 읽는 도중에 파일이 잘릴 경우 발생할 수 있습니다.

tf.errors.DataLossError.__init__(node_def, op, message)

DataLossError를 생성합니다.

results matching ""

    No results matching ""