±¹³»µµ¼
Àü°øµµ¼/´ëÇб³Àç
°øÇаè¿
ÄÄÇ»ÅÍ°øÇÐ
Á¤°¡ |
11,000¿ø |
---|
11,000¿ø
330P (3%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼
»óÇ°±Ç
ÀÌ»óÇ°ÀÇ ºÐ·ù
Ã¥¼Ò°³
ÅÙ¼Ç÷οì´Â °¡Àå À¯¸íÇÑ ±â°è ÇнÀ ÇÁ·¹ÀÓ¿öÅ© Áß¿¡ ÇϳªÀ̸ç ÅÙ¼Ç÷οì 2.0Àº ´Ü¼ø¼º°ú»ç¿ëÀÇ ÆíÀǼºÀ» °³¼±ÇÑ »õ·Î¿î ¹öÀüÀÌ´Ù. ÀÌ Ã¥Àº ÃÖ½ÅÀÇ ÅÙ¼ÇÃ·Î¿ì ±â´ÉµéÀ» ÀÌÇØÇÏ°í È°¿ëÇϴµ¥ µµ¿òÀ» ÁÙ °ÍÀÌ´Ù.
What's New in TensorFlow 2.0Àº »õ·Î¿î ÅÙ¼Ç÷οì Keras API, Áï½Ã ½ÇÇà ¹× ¿©·¯ GPU¿Í TPUµé¿¡¼ ±â°è ÇнÀ ¸ðµ¨À» ½ÇÇàÇϴµ¥ µµ¿òÀÌ µÇ´Â È¿À²ÀûÀÎ ºÐ»ê Àü·«µé°ú °°Àº °í±ÞÈµÈ °³³ä¿¡ ÃÊÁ¡À» µÎ°í ½ÃÀÛÇÑ´Ù. ±×·± ´ÙÀ½¿¡ µ¥ÀÌÅÍ °ø±Þ°ú ÇнÀ ÆÄÀÌÇÁ¶óÀÎÀ» ±¸ÃàÇÏ´Â °úÁ¤À» ¾È³»ÇÏ°í, »õ·Î¿î tf.keras API·Î »ý¼ºÇÑ ¸ðµ¨¿¡ µ¥ÀÌÅ͸¦ °ø±ÞÇÏ´Â ±ÇÀå »çÇ× ¹× ¸ð¹ü »ç·Ê¸¦ Á¦°øÇÑ´Ù. ±âº»ÀûÀ¸·Î do-it-yourself AIÀÎ »õ·Ó°Ô Ãâ½ÃµÈ AIY¸¦ ¾Ë¾Æº¸±â Àü¿¡ TensorFlow Serving°ú ±× ¹ÛÀÇ ´Ù¸¥ ¸ÖƼ Ç÷§Æû ¹èÆ÷¸¦ »ç¿ëÇÏ¿© Ãß·Ð ÆÄÀÌÇÁ¶óÀÎÀ» ±¸ÃàÇÏ´Â °úÁ¤À» ÇнÀÇÒ °ÍÀÌ´Ù. ÀÌ Ã¥Àº °áÇÕµÈ ÄÁº¼·ç¼Ç°ú ¼øȯ ·¹À̾îµéÀ» ±¸ÃàÇϴµ¥ µµ¿òÀÌ µÇ´Â ÇÙ½É APIµé°ú what-if ºÐ¼®À» ÀÌ¿ëÇÏ¿© µö ·¯´× ¸ðµ¨µéÀ» ½Ã°¢È ÇÏ´Â ÅÙ¼º¸µå¸¦»ç¿ëÇϴµ¥ µµ¿òÀÌ µÇ´Â APIµéÀ» ÀÚ¼¼È÷ ´Ù·é´Ù.
ÀÌ Ã¥ÀÇ ³¡¿¡¼, ÅÙ¼Ç÷οì 2.0°ú ÅÙ¼Ç÷οì 1.x°£ÀÇ È£È¯¼º¿¡ ´ëÇؼ ¹è¿ì°Ô µÉ °ÍÀÌ°í ÅÙ¼Ç÷οì 2.0À¸·Î ¿øÈ°ÇÏ°Ô ¸¶À̱׷¹ÀÌ¼Ç ÇÒ ¼ö ÀÖ°Ô µÉ °ÍÀÌ´Ù.
ÃâÆÇ»ç ¼Æò
| ÀÌ Ã¥ÀÇ ´ë»óÀÌ µÇ´Â µ¶ÀÚµé |
¸¸ÀÏ ¿©·¯ºÐÀÌ ÅÙ¼Ç÷οì 2.0À¸·Î Äڵ带 ¸¶À̱׷¡À̼ÇÇϱ⸦ ¿øÇÏ°í ÃÖ½ÅÀÇ ±â´ÉÀ» ÇнÀ
ÇÏ°íÀÚ ÇÏ´Â µ¥ÀÌÅÍ °úÇÐÀÚ, ±â°è ÇнÀ Àü¹®°¡, µö ·¯´× ¿¬±¸¿ø ¶Ç´Â AI ¾ÖÈ£°¡¶ó¸é ÀÌ Ã¥Àº ¿©·¯ºÐ¿¡°Ô µµ¿òÀÌ µÉ °ÍÀÌ´Ù. ÀÌ Ã¥¿¡¼ ´Ù·ç´Â °³³äÀ» ÀÌÇØÇÏ·Á¸é ÅÙ¼Ç÷οì¿Í ÆÄÀ̽ã ÇÁ·Î±×·¡¹Ö¿¡ ´ëÇÑ »çÀü °æÇèÀÌ ÇÊ¿äÇÏ´Ù.
| ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ³»¿ëµé |
1Àå, ÅÙ¼Ç÷οì 2.0 ½ÃÀÛÇϱ⠿¡¼´Â ÅÙ¼Ç÷οì 2.0ÀÇ ¾ÆÅ°ÅØóÀÇ Ãø¸é°ú API ¼öÁØÀÇ º¯Èµé¿¡ ´ëÇÑ °£·«ÇÑ Á¶°¨µµ¸¦ Á¦°øÇÒ °ÍÀÌ´Ù. ÅÙ¼Ç÷οì 2.0 ¼³Ä¡ ¹× ¼³Á¤À» ´Ù·ç°í, ÅÙ¼Ç÷οì 1.x(Keras API ¹× ·¹À̾î API µî)¿¡ ºñÇØ ¾î¶»°Ô º¯°æµÇ¾ú´ÂÁö ºñ±³ÇÏ°í, ¶ÇÇÑ ÅÙ¼Ç÷οì È®·ü, Tensor2Tensor, Ragged ÅÙ¼ ¹× »õ·Ó°Ô Àû¿ëµÈ ¼Õ½Ç ÇÔ¼öÀÇ ¸ÂÃãÇü ÇнÀ ·ÎÁ÷°ú °°Àº dzºÎÇÑ È®Àå ±â´ÉÀÇ Ãß°¡¿¡ ´ëÇؼµµ ¼³¸íÇÑ´Ù.
2Àå, Keras ±âº» ÅëÇÕ ¹× Áï½Ã ½ÇÇà¿¡¼´Â Keras¸¦ »ç¿ëÇÏ´Â °í¼öÁØÀÇ ÅÙ¼Ç÷οì 2.0 APIµéÀ» ±íÀÌ ÀÖ°Ô ¾Ë¾Æº»´Ù. ÅÙ¼Ç÷οì 2.0°ú ºñ±³ÇÏ¿© ÅÙ¼Ç÷οì 1.x¿¡¼ ±×·¡ÇÁ¸¦ Æò°¡ÇÏ´Â ¹æ¹ý¿¡ ´ëÇÑ ÀÚ¼¼ÇÑ °üÁ¡À» Á¦½ÃÇÑ´Ù. ´À±ßÇÑ ¿¬»ê°ú Áï½Ã ½ÇÇà¿¡ ´ëÇØ ¼³¸íÇÏ°í ÅÙ¼Ç÷οì 2.0¿¡¼ ±×°ÍµéÀÇ Â÷ÀÌÁ¡À» ¼³¸íÇϸç, ¶ÇÇÑ Keras ¸ðµ¨ ¼ºêŬ·¡½Ì(subclassing)À» »ç¿ëÇÏ¿© Ä¿½ºÅÒÀ¸·Î ±¸ÃàµÈ ¸ðµ¨À» À§ÇØ ÅÙ¼Ç÷οì 2.0 ÇÏÀ§ APIµéÀ» °áÇÕÇÏ´Â ¹æ¹ýÀ» º¸¿©ÁÙ °ÍÀÌ´Ù.
3Àå, ÀÔ·Â µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎ ¼³°è ¹× ±¸¼ºÇϱ⠿¡¼´Â TFRecords¿Í tf.data.DatasetÀ» ÀÌ¿ëÇÏ¿© CSV, À̹ÌÁö ¹× ÅؽºÆ®¿Í °°Àº °¡Àå ÀϹÝÀûÀÎ Çü½ÄÀÇ ´ë±Ô¸ð ÇнÀ ¹× Ãß·Ð µ¥ÀÌÅÍ ¼ÂÀ» ÀÔ·ÂÇϱâ À§ÇÑ º¹ÀâÇÑ ÀÔ·Â µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎÀ» ±¸ÃàÇÏ´Â ¹æ¹ý¿¡ ´ëÇÑ °³¿ä¸¦ Á¦°øÇÑ´Ù.
ÇÁ·ÎÅäÄÝ ¹öÆÛ¿Í ÇÁ·ÎÅäÄÝ ¸Þ½ÃÁö¿¡ ´ëÇÑ ÀϹÝÀûÀÎ ¼³¸í°ú ±×°ÍµéÀ» tf.ExampleÀ» ÀÌ¿ëÇÏ¿© ±¸ÇöÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. ¶ÇÇÑ ¼ÅÇøµ(shuffling), ÇÁ¸®ÆÐÄ¡(prefetching) ¹× µ¥ÀÌÅÍ ¹èÄ¡(batching)¿Í °ü·ÃÇÏ¿© tf.data.DatasetÀ» »ç¿ëÇÏ´Â ÃÖ°íÀÇ ¹æ¹ýÀ» ¼³¸íÇÏ°í µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎÀ» ±¸ÃàÇϱâ À§ÇÑ ±ÇÀåÇÏ´Â ¹æ¹ýÀ» Á¦½ÃÇÑ´Ù.
4Àå, ¸ðµ¨ ÇнÀ ¹× ÅÙ¼º¸µå »ç¿ëÇϱ⠿¡¼´Â ÃÖ½ÅÀÇ ¸ðµ¨À» ±¸Ãà, ÇнÀ ¹× °ËÁõÇÒ ¼ö ÀÖ´Â ÀüüÀûÀÎ ¸ðµ¨ ÇнÀ ÆÄÀÌÇÁ¶óÀÎÀ» ´Ù·é´Ù. ÀÔ·Â µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎÀ» °áÇÕÇÏ°í, tf.keras ¸ðµ¨À» »ý¼ºÇÏ°í, ºÐ»êµÈ ¹æ¹ýÀ¸·Î ÇнÀÀ» ¼öÇàÇÏ°í, ÇÏÀÌÆÛÆĶó¸ÞÅÍ ÆÄÀÎÆ©´×À» À§ÇØ °ËÁõÀ» ¼öÇàÇÏ´Â ¹æ¹ý¿¡ ´ëÇØ ¼³¸íÇÑ´Ù. ¹èÆ÷ ¶Ç´Â Ãß·ÐÀ» À§ÇØ ÅÙ¼ÇÃ·Î¿ì ¸ðµ¨À» ³»º¸³»´Â ¹æ¹ýÀ» ¼³¸íÇÏ°í ÅÙ¼º¸µå »ç¿ë¹ý, ÅÙ¼Ç÷οì 2.0¿¡¼ ÅÙ¼º¸µå°¡ º¯ÈµÈ Á¡ ¹× ¸ðµ¨ÀÇ ¼Óµµ¿Í ¼º´ÉÀ» µð¹ö±ë ÇÏ°í ÇÁ·ÎÆÄÀϸµÇϱâ À§ÇØ ÅÙ¼º¸µå¸¦ »ç¿ëÇÏ´Â ¹æ¹ý¿¡ ´ëÇؼ ¼³¸íÇÑ´Ù.
5Àå, ¸ðµ¨ Ãß·Ð ÆÄÀÌÇÁ¶óÀÎ-¸ÖƼ Ç÷§Æû ¹èÆ÷¿¡¼´Â ½ÇÁ¦ »ó¿ë ȯ°æ¿¡¼ ´ë±Ô¸ð ¼ÒÇÁÆ®¿þ¾î ¾îÇø®ÄÉÀ̼ÇÀ» ±¸ÃàÇϱâ À§ÇØ ÇнÀµÈ ¸ðµ¨À» »ç¿ëÇϱâ À§ÇÑ ¸î °¡Áö ¹èÆ÷ Àü·«À» ¼Ò°³ÇÑ´Ù. ÅÙ¼Ç÷οì 2.0¿¡¼ ÇнÀµÈ ¸ðµ¨À» ÆÄÀ̽ã ÀÚ¹Ù½ºÅ©¸³Æ®¿Í °°Àº ´Ù¾çÇÑ ÇÁ·Î±×·¡¹Ö ¾ð¾î¸¦ »ç¿ëÇÏ´Â ¼¹ö¿Í À¥ ºê¶ó¿ìÀú °°Àº Ç÷§Æû¿¡ ¹èÆ÷ÇÒ ¼ö ÀÖ´Ù.
6Àå, AIY ÇÁ·ÎÁ§Æ® ¹× ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ® ¿¡¼´Â ¾Èµå·ÎÀ̵å, iOS, ¶óÁ¸® ÆÄÀÌ, ¿§Áö TPU ¹× NVIDIA Jetson Nano¸¦ Æ÷ÇÔÇÏ´Â ¿§Áö µð¹ÙÀ̽º ¹× ¸ð¹ÙÀÏ ½Ã½ºÅÛ°ú °°Àº ÀúÀü·Â ÀÓº£µðµå ½Ã½ºÅÛ¿¡ ÅÙ¼Ç÷οì 2.0À¸·Î ÇнÀµÈ ¸ðµ¨À» ¹èÆ÷ÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. ¶ÇÇÑ Google's AIY kit¿¡¼ ¸ðµ¨À» ÇнÀÇÏ°í ¹èÆ÷ÇÏ´Â °Í¿¡ °üÇÑ ÀÚ¼¼ÇÑ ³»¿ëÀÌ Æ÷ÇԵǾî ÀÖ´Ù.
7Àå, ÅÙ¼Ç÷οì 1.x¿¡¼ ÅÙ¼Ç÷οì 2.0À¸·Î ¸¶À̱׷¹À̼ÇÇϱ⠿¡¼´Â ÅÙ¼Ç÷οì 1.x¿Í ÅÙ¼Ç÷οì 2.0°£ÀÇ °³³ä»óÀÇ Â÷ÀÌÁ¡, ±×°Íµé °£ÀÇ È£È¯¼ºÀÇ ±âÁØ, ±×°Íµé °£¿¡ ±¸¹®ÀûÀ¸·Î ±×¸®°í ÀǹÌÀûÀ¸·Î ¸¶À̱׷¹ÀÌ¼Ç ÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. ¶ÇÇÑ ÅÙ¼Ç÷οì 1.x¿¡¼ ÅÙ¼Ç÷οì 2.0À¸·Î ±¸¹®Àû ¹× ÀǹÌÀû ¸¶À̱׷¹ÀÌ¼Ç ÇÏ´Â ¸î °¡Áö ¹æ¹ýÀ» º¸¿©ÁÖ°í Âü°í ÀÚ·á¿Í ¾ÕÀ¸·Î¿¡ ´ëÇÑ Á¤º¸°¡ Æ÷ÇԵǾî ÀÖ´Ù.
¸ñÂ÷
Á¦1ºÎ ÅÙ¼Ç÷οì 2.0-±¸Á¶ ¹× API º¯È
Á¦1Àå ÅÙ¼Ç÷οì 2.0 ½ÃÀÛÇϱâ
±â¼úÀûÀÎ ¿ä±¸ »çÇ× 03
»õ·Î º¯ÈµÈ ³»¿ë 04
TF 1.x¿Í ´Þ¶óÁø Á¡µé 05
TF 2.0 ¼³Ä¡ ¹× ¼Â¾÷ 06
¼³Ä¡Çϱâ¿Í pip »ç¿ëÇϱâ 06
Docker »ç¿ëÇϱâ 07
GPU ¼³Ä¡ 08
TF 2.0 »ç¿ëÇϱâ 10
dzºÎÇÑ È®Àå±â´É 13
Ragged ÅÙ¼ 13
Ragged ÅÙ¼ÀÇ ±¸¼º 14
»õ·Ó°í Áß¿äÇÑ ÆÐÅ°Áöµé 17
¿ä¾à 18
Á¦2Àå Keras ±âº» ÅëÇÕ ¹× Áï½Ã ½ÇÇà
±â¼úÀûÀÎ ¿ä±¸ »çÇ× 19
TF 2.0¿¡¼ »õ·Î¿î Ãß»óÈ 20
Keras API¿¡ ´ëÇؼ ÀÚ¼¼È÷ ¾Ë¾Æº¸±â 20
Keras´Â ¹«¾ùÀΰ¡? 21
¸ðµ¨ ±¸Ãà 21
¸ðµ¨ ÇнÀ 29
¸ðµ¨ ÀúÀå ¹× ·Îµù 30
´Ù¸¥ Ư¡µé 35
Á¾´Ü-´ë-Á¾´Ü ¼øÂ÷Çü ¿¹Á¦ 37
ÃßÁ¤±â 40
ÅÙ¼ÇÃ·Î¿ì ±×·¡ÇÁ Æò°¡Çϱâ 42
Áö¿¬µÈ ·Îµù VS Áï½Ã ½ÇÇà 42
¿ä¾à 44
Á¦2ºÎ ÅÙ¼Ç÷οì 2.0-µ¥ÀÌÅÍ ¹× ¸ðµ¨ ÇнÀ ÆÄÀÌÇÁ¶óÀÎ
Á¦3Àå ÀÔ·Â µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎ ¼³°è ¹× ±¸¼ºÇϱâ
±â¼úÀûÀÎ ¿ä±¸ »çÇ× 50
µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎ ¼³°è ¹× ±¸¼ºÇϱâ 50
·Î¿ì(Raw) µ¥ÀÌÅÍ 52
ÇнÀ, °ËÁõ ¹× Å×½ºÆ® µ¥ÀÌÅÍ·Î ºÐÇÒÇϱâ 53
TFRecords »ý¼º 56
tf.data µ¥ÀÌÅͼ °´Ã¼ »ý¼º 61
µ¥ÀÌÅͼ º¯Çü 67
map ÇÔ¼ö 69
flat_map ÇÔ¼ö 70
zip ÇÔ¼ö 70
¿¬°á ÇÔ¼ö 70
interleave ÇÔ¼ö 71
take(count) ÇÔ¼ö 72
filter(predicate) ÇÔ¼ö 72
tf.data.DatasetÀ» ÀÌ¿ëÇÏ¿© ¼ÅÇøµ ¹× ¹Ýº¹ 72
¹èÄ¡(Batching) 74
ÇÁ¸®ÆÐÄ¡(Prefetching) 75
¸ðµ¨ ÀÔ·Â Àü µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎ Ãâ·Â À¯È¿¼º °Ë»ç 75
»ý¼ºµÈ µ¥ÀÌÅͼÂÀ» ¸ðµ¨¿¡ ÀÔ·Â 76
ÀüüÀûÀÎ Á¾´Ü-´ë-Á¾´Ü µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎ ¿¹Á¦ 77
pickle ÆÄÀÏÀ» ÀÌ¿ëÇÑ tfrecords »ý¼º 78
TF 2.0¿¡¼ µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎÀÇ ¸ð¹ü »ç·Ê ¹× ¼º´É ÃÖÀûÈ 81
TF 2.0¿¡ ³»ÀåµÈ µ¥ÀÌÅͼ 81
¿ä¾à 84
Ãß°¡ ÀÚ·á 84
Á¦4Àå ¸ðµ¨ ÇнÀ ¹× ÅÙ¼º¸µå »ç¿ëÇϱâ
±â¼úÀûÀÎ ¿ä±¸ »çÇ× 86
Keras¿Í tf.keras ºñ±³ 86
ÃßÁ¤±â¿Í tf.keras ºñ±³ 87
¸Ó½Å ·¯´× ºÐ·ù ¹× TF Áö¿ø¿¡ ´ëÇÑ °£´ÜÇÑ ¸®ºä 88
tf.keras 2.0À» ÀÌ¿ëÇÑ ¸ðµ¨ »ý¼º 89
¼øÂ÷Çü API 91
ÇÔ¼öÇü API 92
¸ðµ¨ ¼ºêŬ·¡½Ì API 93
¸ðµ¨ ÄÄÆÄÀÏ ¹× ÇнÀ 95
compile() API 96
fit() API 96
¸ðµ¨ ÀúÀå ¹× º¹¿ø 97
Ä¿½ºÅÒ ÇнÀ ³í¸® 99
ºÐ»ê ÇнÀ 103
ÅÙ¼º¸µå 105
ÄÝ¹é ¹× È£Ãâ·Î ÅÙ¼º¸µå ÈÄÅ· 105
½ºÄ®¶ó, ÃøÁ¤, ÅÙ¼ ¹× À̹ÌÁö µ¥ÀÌÅÍÀÇ ½Ã°¢È 107
±×·¡ÇÁ ´ë½¬º¸µå 109
ÇÏÀÌÆÛÆĶó¸ÞÅÍ Æ©´× 112
What-If µµ±¸ 115
Profiling µµ±¸ 115
¿ä¾à 116
Áú¹® 116
Ãß°¡ ÀÚ·á 117
Á¦3ºÎ ÅÙ¼Ç÷οì 2.0-¸ðµ¨ Ãß·Ð ¹× ¹èÆ÷ ¹× AIY
Á¦5Àå ¸ðµ¨ Ãß·Ð ÆÄÀÌÇÁ¶óÀÎ-¸ÖƼÇ÷§Æû ¹èÆ÷
±â¼úÀûÀÎ ¿ä±¸ »çÇ× 122
¸Ó½Å ·¯´× ¿öÅ©Ç÷οì-Ãß·Ð ´Ü°è 122
Ãß·Ð °üÁ¡¿¡¼ ¸ðµ¨ ÀÌÇØÇϱâ 123
¸ðµ¨ »êÃâ¹°-SavedModel Çü½Ä 124
ÇÙ½É µ¥ÀÌÅÍÇÃ·Î¿ì ¸ðµ¨ ÀÌÇØÇϱâ 124
tf.function API 126
SavedModel ¸ðµ¨ ³»º¸³»±â 130
SavedModel »êÃâ¹° ºÐ¼®Çϱâ 132
¹é¿£µå ¼¹ö¿¡¼ÀÇ Ãß·Ð 136
ÅÙ¼ÇÃ·Î¿ì ¼ºù 137
TensorFlow.js¿Í Node.jsÀÇ ÅëÇÕ 140
ºê¶ó¿ìÀú¿¡¼ Ãß·Ð 140
¸ð¹ÙÀÏ ¹× IoT ÀåÄ¡¿¡¼ Ãß·Ð 142
¿ä¾à 143
Á¦6Àå AIY ÇÁ·ÎÁ§Æ® ¹× ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ®
TFLite ¼Ò°³ 146
TFLite·Î ½ÃÀÛÇϱâ 146
¸ð¹ÙÀÏ ÀåÄ¡¿¡¼ TFLite ½ÇÇàÇϱâ 149
¾Èµå·ÎÀ̵忡¼ TFLite 149
iOS¿¡¼ TFLite 150
ÀúÀü·Â ÀåÄ¡¿¡¼ TFLite ½ÇÇàÇϱâ 151
¿§Áö TPU ÇÁ·Î¼¼¼¿¡¼ TFLite ½ÇÇàÇϱâ 151
NVIDIA Jetson Nano¿¡¼ TF ½ÇÇàÇϱâ 154
TFLite¿Í TF ºñ±³Çϱâ 155
AIY 156
¿ä¾à 159
Á¦4ºÎ ÅÙ¼Ç÷οì 2.0-ÅÙ¼Ç÷οì 1.x¿¡¼
2.0À¸·Î ¸¶À̱׷¹À̼ÇÇϱâ
Á¦7Àå ÅÙ¼Ç÷οì 1.x¿¡¼ 2.0À¸·Î ¸¶À̱׷¹À̼ÇÇϱâ
TF 2.0ÀÇ ÁÖµÈ º¯È 164
°ü¿ëÀû TF 2.0¿¡ ±ÇÀåµÇ´Â ±â¼ú 164
TF 2.0 ³×ÀÌƼºê ÄÚµå ¸¸µé±â 167
TF 1.x modelÀ» º¯°æÇϱâ 168
ÇнÀ ·çÇÁ ¾÷±×·¹À̵åÇϱâ 173
º¯È¯ÇÒ ¶§ ±× ¹ÛÀÇ Âü°í »çÇ× 177
ÀÚÁÖÇÏ´Â Áú¹® 178
TF 2.0ÀÇ ¹Ì·¡ 180
´õ Âü°í ÇؾßÇÒ »çÇ× 180
¿ä¾à 181
Index 181
°ü·ÃÀ̹ÌÁö
ÀúÀÚ¼Ò°³
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
ÁÖ°£·©Å·
´õº¸±â»óÇ°Á¤º¸Á¦°ø°í½Ã
À̺¥Æ® ±âȹÀü
Àü°øµµ¼/´ëÇб³Àç ºÐ¾ß¿¡¼ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥
ÆǸÅÀÚÁ¤º¸
»óÈ£ |
(ÁÖ)±³º¸¹®°í |
---|---|
´ëÇ¥ÀÚ¸í |
¾Èº´Çö |
»ç¾÷ÀÚµî·Ï¹øÈ£ |
102-81-11670 |
¿¬¶ôó |
1544-1900 |
ÀüÀÚ¿ìÆíÁÖ¼Ò |
callcenter@kyobobook.co.kr |
Åë½ÅÆǸž÷½Å°í¹øÈ£ |
01-0653 |
¿µ¾÷¼ÒÀçÁö |
¼¿ïƯº°½Ã Á¾·Î±¸ Á¾·Î 1(Á¾·Î1°¡,±³º¸ºôµù) |
±³È¯/ȯºÒ
¹ÝÇ°/±³È¯ ¹æ¹ý |
¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹ÝÇ°/±³È¯/ȯºÒ¡¯ ¿¡¼ ½Åû ¶Ç´Â 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¹× °í°´¼¾ÅÍ(1577-2555)¿¡¼ ½Åû °¡´É |
---|---|
¹ÝÇ°/±³È¯°¡´É ±â°£ |
º¯½É ¹ÝÇ°ÀÇ °æ¿ì Ãâ°í¿Ï·á ÈÄ 6ÀÏ(¿µ¾÷ÀÏ ±âÁØ) À̳»±îÁö¸¸ °¡´É |
¹ÝÇ°/±³È¯ ºñ¿ë |
º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã |
¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯ |
·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì ·½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆǸŰ¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡ ÇØ´çµÇ´Â °æ¿ì |
»óÇ° Ç°Àý |
°ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ Ç°Àý/Áö¿¬µÉ ¼ö ÀÖÀ½ |
¼ÒºñÀÚ ÇÇÇغ¸»ó |
·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© ó¸®µÊ ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀǼҺñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ |
(ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º´Â ȸ¿ø´ÔµéÀÇ ¾ÈÀü°Å·¡¸¦ À§ÇØ ±¸¸Å±Ý¾×, °áÁ¦¼ö´Ü¿¡ »ó°ü¾øÀÌ (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º¸¦ ÅëÇÑ ¸ðµç °Å·¡¿¡ ´ëÇÏ¿©
(ÁÖ)KGÀ̴Ͻýº°¡ Á¦°øÇÏ´Â ±¸¸Å¾ÈÀü¼ºñ½º¸¦ Àû¿ëÇÏ°í ÀÖ½À´Ï´Ù.
¹è¼Û¾È³»
±³º¸¹®°í »óÇ°Àº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óÇ°À» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óÇ°À» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÕ´Ï´Ù.
¹è¼Ûºñ´Â ¾÷ü ¹è¼Ûºñ Á¤Ã¥¿¡ µû¸¨´Ï´Ù.