Tensor?

Tensor(텐서)?

PyTorch에서 Tensor는 기본적으로 데이터의 컨테이너 역할을 하며, 대부분의 경우 수치 데이터를 담는 데 사용됩니다. PyTorch 텐서는 NumPy의 배열과 매우 유사하지만, GPU를 사용하여 수치 연산을 가속화할 수 있다는 점에서 큰 차이가 있습니다. PyTorch는 특히 심층 학습에 많이 사용되기 때문에, 텐서를 사용하여 모델의 입력, 출력, 가중치 등을 효과적으로 처리할 수 있습니다.

PyTorch 텐서의 주요 특징: GPU 지원: PyTorch 텐서는 CPU 뿐만 아니라 NVIDIA GPU에서도 연산을 수행할 수 있습니다. .cuda() 메소드를 사용하여 텐서를 GPU로 이동시킬 수 있으며, 이는 대규모 데이터 처리와 복잡한 모델 학습을 가속화합니다. 다양한 데이터 타입 지원: PyTorch 텐서는 다양한 데이터 타입을 지원합니다(torch.float32, torch.int64, torch.bool 등). 이는 다양한 수치 계산 요구 사항에 맞게 텐서를 최적화할 수 있게 해줍니다. 자동 미분 지원: PyTorch의 autograd 시스템을 사용하여 모델을 학습할 때 필요한 미분 계산을 자동으로 처리할 수 있습니다. 텐서에 .requires_grad=True를 설정하면 PyTorch가 해당 텐서에 대한 모든 연산을 추적하고, 그라디언트를 자동으로 계산합니다. 다양한 생성 및 조작 함수: PyTorch는 텐서를 생성하고 조작하는 다양한 함수를 제공합니다. 예를 들어 torch.zeros(), torch.ones(), torch.rand(), torch.randn() 등의 함수로 특정 형태와 값으로 텐서를 초기화할 수 있습니다. 또한, torch.reshape(), torch.squeeze(), torch.stack() 같은 함수를 통해 텐서의 형태를 변경할 수 있습니다.

텐서의 생성 예시:

Copy code
import torch

# 0차원 텐서 생성
scalar = torch.tensor(5)

# 1차원 텐서 생성
vector = torch.tensor([1, 2, 3])

# 2차원 텐서 생성
matrix = torch.tensor([[1, 2], [3, 4]])

# GPU에 텐서를 할당
if torch.cuda.is_available():
    matrix = matrix.cuda()

PyTorch의 텐서는 딥러닝 연산을 효과적으로 지원하면서도 NumPy와의 호환성을 유지하여, 학습 전 데이터 처리나 연산 결과의 분석에도 용이합니다.