~10 min · shape, dtype, device, introspection
거의 모든 TF 디버깅 세션은 헷갈리는 거에 .shape랑 .dtype 호출하면서 시작해. 이 속성들은 계산 안 돌려 — 메타데이터고 즉시 읽혀.
shape에 None 들어갈 수 있어. dynamic 차원이라는 뜻. model input spec에서 batch size나 sequence length가 graph build 시점에 고정 안 됐을 때 흔해. model.summary() 출력에서 (None, 224, 224, 3)는 "아무 batch size, 224×224 RGB image"라는 뜻.
.device 속성은 tensor가 어디 사는지 — CPU냐 GPU냐. GPU tensor에 .numpy() 부르면 CPU로 암묵적 복사가 일어나. 가끔 inspection엔 괜찮지만 tight loop에서는 비싸.
import tensorflow as tf
t = tf.constant([[1.0, 2.0, 3.0],
[4.0, 5.0, 6.0]])
print(t.shape) # TensorShape([2, 3])
print(t.shape[0]) # 2
print(t.shape[-1]) # 3
print(t.shape.as_list()) # [2, 3] — Python list, useful for math
print(t.ndim) # 2
print(t.dtype) # <dtype: 'float32'>
print(tf.size(t)) # tf.Tensor(6, ...)
print(t.device) # /job:localhost/.../device:CPU:0
arr = t.numpy()
print(type(arr), arr.shape) # <class 'numpy.ndarray'> (2, 3)# Inside a model summary you'll see (None, 224, 224, 3).
# None = dynamic dimension, decided at runtime.
# Frequently the batch dimension — same architecture, any batch size.
# When in doubt, force a fixed shape so error messages are louder
@tf.function(input_signature=[tf.TensorSpec(shape=[None, 784], dtype=tf.float32)])
def predict(x):
return model(x)아직 댓글이 없어요. 첫 댓글을 남겨보세요.