다음 그림은 텐서플로우 도구함의 현재 계층구조를 보여줍니다.
다음 표에는 여러 레이어의 목적이 요약되어 있습니다.
| 도구함 | 설명 |
| 에스티메이터(tf.estimator) | 높은 수준의 OOP API |
| tf.layers / tf.losses / tf.metrics | 일반 모델 구성요소용 라이브러리 |
| 텐서플로우 | 낮은 수준의 API |
텐서플로우는 다음 두 요소로 구성됩니다.
- 그래프 프로토콜 버퍼
- 분산된 그래프를 실행하는 런타임
이 두 구서용소는 자바 컴파일러 및 JVM과 유사합니다. JVM이 여러 하드웨어 플랫폼에서 구현되는 것과 마찬가기로 텐서플로우도 여러 CPU와 GPU에서 구현됩니다.
어느 API를 사용해야 하나요? 문제를 해결하는 최고 수준의 추상화를 사용해야 합니다. 추상화 수준이 높을수록 더 사용하기 쉽지만 (설계상) 유연성이 떨어집니다. 먼저 최고 수준의 API로 시작하여 모든 작업을 실행하는 것이 좋습니다. 특별한 모델링 문제를 해결하기 위해 더 유연한 추상화가 필요하면 한 수준 아래로 이동합니다. 각 수준은 낮은 수준의 API를 사용하여 제작되므로 계층구조를 낮추는 것이 합리적입니다.
tf.estimator API
머신러닝 단기집중과정 내 대부분의 실습에서 tf.estimator를 사용합니다. 낮은 수준의(원시) 텐서플로우를 사용해도 실습의 모든 작업을 실행할 수 있지만 tf.estimator를 사용하면 코드 행 수가 크게 줄어듭니다.
tf.estimator는 sckit-learn API와 호환됩니다. scikit-learn은 Python의 매우 인기있는 오픈소스 ML 라이브러리로, Google 직원을 비롯하여 100,000명이 넘는 사람들이 이용하고 있습니다.
tf.estimator로 구현된 선형 회귀 프로그램의 형식은 대체로 다음과 같습니다.
import tensorflow as tf
# Set up a linear classifier.
classifier = tf.estimator.LinearClassifier()
# Train the model on some example data.
classifier.train(input_fn=train_input_fn, steps = 2000)
# Use it to predict
predictions = classifier.predict(input_fn=predict_input_fn)
