# TensorFlow

**TensorFlow**(텐서플로우)는 구글(Google)의 브레인 팀에서 개발한 오픈 소수 머신러닝(Machine Learning) 및 딥러닝(Deep Learning) 프레임워크입니다. 수학적 계산을 그래프(Graph) 구조로 표현하여 효율적으로 처리할 수 있도록 설계되었으며, 대규모 데이터셋을 학습하고 예측 모델을 구축하는 데 널리 사용됩니다. TensorFlow는 Python, C++, Java, JavaScript 등 다양한 프로그래밍 언어를 지원하며, 특히 Python API인 `tf.keras`를 통해 직관적인 모델 개발이 가능합니다.

## 개요 및 역사

TensorFlow는 2011년 구글 브레인 팀에서 시작되어 2015년 11월 Apache 2.0 라이선스로 오픈 소스화되었습니다. 초기 버전인 TensorFlow 1.x는 정적 계산 그래프(Static Computation Graph)를 사용하여 모델을 정의하고 실행하는 방식이었으나, 이는 디버깅이 어렵고 학습 곡사가 가파른 단점이 있었습니다.

2019년 출시된 **TensorFlow 2.x**는 동적 계산 그래프(Eager Execution)를 기본값으로 채택하여 코드의 실행 순서대로 즉각적인 결과를 반환하도록 변경했습니다. 이로 인해 모델 개발 과정이 더 직관적이고 파이썬 친화적으로 개선되었으며, Keras가 TensorFlow의 공식 고수준 API로 통합되면서 모델 구축의 편의성이 크게 향상되었습니다.

## 주요 특징

TensorFlow가 산업계와 연구계에서 널리 채택된 이유는 다음과 같은 강력한 특징들 때문입니다.

### 1. 다중 플랫폼 지원 및 확장성
TensorFlow는 데스크톱, 서버, 모바일, 엣지 디바이스 등 다양한 환경에서 실행될 수 있습니다.
*   **TensorFlow Lite**: 모바일 및 임베디드 장치에서 모델이 효율적으로 작동하도록 최적화합니다.
*   **TensorFlow.js**: 웹 브라우저나 Node.js 환경에서 자바스크립트로 직접 모델을 학습하거나 실행할 수 있게 합니다.
*   **TensorFlow Serving**: 대규모 생산 환경에서 모델 서빙(Model Serving)을 위한 고성능 서버입니다.

### 2. 자동 미분(Automatic Differentiation)
딥러닝 모델 학습의 핵심인 역전파(Backpropagation) 알고리즘을 자동으로 계산해 줍니다. 사용자가 수동으로 미분 공식을 유도할 필요 없이, `tf.GradientTape`와 같은 도구를 통해 가중치 업데이트를 효율적으로 수행할 수 있습니다.

### 3. 풍부한 생태계 및 도구
TensorFlow는 다음과 같은 부가 도구들을 제공합니다.
*   **TensorBoard**: 모델의 학습 과정, 성능 지표, 그래프 구조 등을 시각화하여 분석할 수 있는 도구입니다.
*   **TensorFlow Hub**: 사전 학습된 모델과 임베딩을 공유하고 재사용할 수 있는 플랫폼입니다.
*   **TensorFlow Extended (TFX)**: 프로덕션 환경에서 머신러닝 파이프라인을 구축하기 위한 엔드투엔드 플랫폼입니다.

## 핵심 개념

TensorFlow를 이해하기 위해 다음 세 가지 핵심 개념을 파악하는 것이 중요합니다.

| 개념 | 설명 |
| :--- | :--- |
| **Tensor**(텐서) | 다차원 배열(Array)로, 스칼라(0차원), 벡터(1차원), 행렬(2차원) 등을 포함하는 데이터 구조입니다. TensorFlow의 모든 데이터는 텐서 형태로 처리됩니다. |
| **Graph**(그래프) | 계산 과정을 노드(Node)와 간선(Edge)으로 표현한 것입니다. 노드는 연산(Operation)을, 간선은 연산 간 데이터 흐름을 나타냅니다. |
| **Session**(세션) | TensorFlow 1.x에서 그래프를 실행하기 위한 컨텍스트였습니다. TensorFlow 2.x에서는 Eager Execution이 기본이므로 세션 관리가 대부분 자동화되었습니다. |

## 사용 예시

TensorFlow 2.x에서 간단한 선형 회귀 모델을 구축하는 예시는 다음과 같습니다. 이 코드는 Keras API를 사용하여 모델을 정의하고 학습시키는 과정을 보여줍니다.

```python
import tensorflow as tf
from tensorflow import keras

# 1. 데이터 준비 (예시: x와 y의 간단한 관계)
x_train = tf.constant([[1.0], [2.0], [3.0], [4.0]])
y_train = tf.constant([[2.0], [4.0], [6.0], [8.0]])

# 2. 모델 정의 (Keras Sequential API 사용)
model = keras.Sequential([
    keras.layers.Dense(units=1, input_shape=[1])
])

# 3. 컴파일 (손실 함수 및 최적자 지정)
model.compile(optimizer='sgd', loss='mean_squared_error')

# 4. 학습 (Fit)
history = model.fit(x_train, y_train, epochs=1000, verbose=0)

# 5. 예측
prediction = model.predict([[5.0]])
print(f"예측 결과: {prediction[0][0]}")
```

## 관련 기술 및 경쟁 프레임워크

TensorFlow와 유사한 주요 딥러닝 프레임워크로는 **PyTorch**, **JAX**, **Keras**(TensorFlow의 일부로 통합됨) 등이 있습니다.

*   **PyTorch**: 페이스북(현 메타)에서 개발했으며, 동적 그래프 실행 방식의 선구자로서 연구 분야에서 높은 인기를 끌고 있습니다.
*   **JAX**: NumPy와 유사한 문법을 제공하며, 자동 미분과 JIT 컴파일을 결합하여 고성능 계산을 지원합니다.

TensorFlow는 여전히 산업계에서의 배포(Deployment)와 대규모 시스템 통합에서 강점을 가지고 있으며, PyTorch와 함께 현재 가장 널리 사용되는 두 개의 주요 딥러닝 프레임워크로 자리 잡고 있습니다.

## 참고 자료

*   [TensorFlow 공식 문서](https://www.tensorflow.org/)
*   [Google Developers - TensorFlow](https://developers.google.com/machine-learning)
*   TensorFlow GitHub Repository: [https://github.com/tensorflow/tensorflow](https://github.com/tensorflow/tensorflow)