docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,158 @@
|
||||
---
|
||||
id: wiki-2026-0508-tensorflow-foundations
|
||||
title: TensorFlow Foundations
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [TensorFlow, TF2, Keras]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [tensorflow, deep-learning, keras]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: TensorFlow 2.x / Keras 3
|
||||
---
|
||||
|
||||
# TensorFlow Foundations
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 production-first ML framework"**. Google이 2015년에 release한 graph-based deep learning framework. TF 2.x는 eager-by-default + Keras integration으로 PyTorch-like UX를 제공하지만, 매 핵심 강점은 mobile (TFLite) / web (TF.js) / production serving (TF Serving) 의 cross-platform deployment.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 TF 2.x 의 essence
|
||||
- **Eager execution** default — 매 `tf.function` 으로 graph compile (XLA / autograph).
|
||||
- **Keras** 가 high-level API — 매 `tf.keras.Model` / `Sequential` / Functional API.
|
||||
- **`tf.data`** — 매 efficient input pipeline (prefetch, parallel map, sharding).
|
||||
- **`tf.distribute`** — 매 multi-GPU / TPU strategy (`MirroredStrategy`, `TPUStrategy`).
|
||||
|
||||
### 매 PyTorch 와 의 비교 (2026)
|
||||
- **연구 share**: PyTorch ~85%, TF ~10%. JAX growing.
|
||||
- **Production share**: TF still dominant (TFLite mobile, TF.js web, TF Serving) thanks to mature deployment.
|
||||
- **Keras 3 (2024+)**: 매 backend-agnostic — TF / JAX / PyTorch 모두 backend로 사용 가능.
|
||||
|
||||
### 매 응용
|
||||
1. Mobile inference (Android / iOS via TFLite).
|
||||
2. Browser ML (TF.js — pose detection, on-device LLM).
|
||||
3. Recommender systems (TFRS, large embedding tables).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Sequential model
|
||||
```python
|
||||
import tensorflow as tf
|
||||
|
||||
model = tf.keras.Sequential([
|
||||
tf.keras.layers.Dense(128, activation="relu"),
|
||||
tf.keras.layers.Dropout(0.2),
|
||||
tf.keras.layers.Dense(10),
|
||||
])
|
||||
model.compile(optimizer="adam",
|
||||
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
|
||||
metrics=["accuracy"])
|
||||
model.fit(x_train, y_train, epochs=5, validation_split=0.1)
|
||||
```
|
||||
|
||||
### Functional API (multi-input)
|
||||
```python
|
||||
img_in = tf.keras.Input(shape=(224, 224, 3))
|
||||
txt_in = tf.keras.Input(shape=(128,), dtype="int32")
|
||||
|
||||
img_feat = tf.keras.applications.EfficientNetV2B0(include_top=False, pooling="avg")(img_in)
|
||||
txt_feat = tf.keras.layers.Embedding(10000, 64)(txt_in)
|
||||
txt_feat = tf.keras.layers.GlobalAveragePooling1D()(txt_feat)
|
||||
|
||||
x = tf.keras.layers.Concatenate()([img_feat, txt_feat])
|
||||
out = tf.keras.layers.Dense(1, activation="sigmoid")(x)
|
||||
|
||||
model = tf.keras.Model([img_in, txt_in], out)
|
||||
```
|
||||
|
||||
### tf.function (graph compile)
|
||||
```python
|
||||
@tf.function(jit_compile=True) # XLA
|
||||
def train_step(x, y):
|
||||
with tf.GradientTape() as tape:
|
||||
logits = model(x, training=True)
|
||||
loss = loss_fn(y, logits)
|
||||
grads = tape.gradient(loss, model.trainable_variables)
|
||||
optimizer.apply_gradients(zip(grads, model.trainable_variables))
|
||||
return loss
|
||||
```
|
||||
|
||||
### tf.data input pipeline
|
||||
```python
|
||||
ds = (tf.data.Dataset.from_tensor_slices((x, y))
|
||||
.shuffle(10000)
|
||||
.map(preprocess, num_parallel_calls=tf.data.AUTOTUNE)
|
||||
.batch(64)
|
||||
.prefetch(tf.data.AUTOTUNE))
|
||||
```
|
||||
|
||||
### Multi-GPU
|
||||
```python
|
||||
strategy = tf.distribute.MirroredStrategy()
|
||||
with strategy.scope():
|
||||
model = build_model()
|
||||
model.compile(...)
|
||||
model.fit(ds, epochs=10)
|
||||
```
|
||||
|
||||
### TFLite export
|
||||
```python
|
||||
converter = tf.lite.TFLiteConverter.from_keras_model(model)
|
||||
converter.optimizations = [tf.lite.Optimize.DEFAULT] # int8 quantization
|
||||
tflite_model = converter.convert()
|
||||
open("model.tflite", "wb").write(tflite_model)
|
||||
```
|
||||
|
||||
### Keras 3 backend swap
|
||||
```python
|
||||
import os
|
||||
os.environ["KERAS_BACKEND"] = "jax" # or "torch", "tensorflow"
|
||||
import keras
|
||||
model = keras.Sequential([keras.layers.Dense(10)])
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Mobile/edge deployment | TF + TFLite (mature) |
|
||||
| Browser inference | TF.js |
|
||||
| Production serving at scale | TF Serving / TFX |
|
||||
| Research / new architectures | PyTorch (ecosystem) |
|
||||
| Backend-agnostic code | Keras 3 |
|
||||
| TPU training | TF or JAX |
|
||||
|
||||
**기본값**: 매 research 는 PyTorch, deployment 는 TF or ONNX export.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Deep Learning]]
|
||||
- 변형: [[PyTorch-Foundations]] · [[Keras]]
|
||||
- 응용: [[Recommender-Systems]]
|
||||
- Adjacent: [[Model-Serving]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: mobile/web deployment target, TPU access, legacy TF1 codebase migration, TFX pipeline.
|
||||
**언제 X**: 매 cutting-edge research model 의 reproduce — 매 PyTorch reference impl 의 dominant.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **TF1 graph mode 의 cling**: 매 `tf.compat.v1.Session` 의 use 를 새 code 에서 X — 매 TF2 eager + tf.function.
|
||||
- **Custom training loop 의 unnecessary use**: 매 `model.fit` 으로 충분한 case 에 manual loop 작성.
|
||||
- **`tf.py_function` overuse**: 매 graph 밖 fallback — 매 performance kill.
|
||||
- **No `prefetch`**: 매 input pipeline 이 GPU 의 starve.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (TensorFlow official docs, Keras 3 release notes, 2024-2026 tracking).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — TF2/Keras3 modern usage + deployment focus |
|
||||
Reference in New Issue
Block a user