关于TensorFlow简单例子

关于TensorFlow简单例子

在本文中,我们将看一些 TensorFlow 的例子,并从中感受到在定义张量tensor和使用张量做数学计算方面有多么容易,我还会举些别的机器学习相关的例子。

TensorFlow 是什么?

TensorFlow 是 Google 为了解决复杂的数学计算耗时过久的问题而开发的一个库。

事实上,TensorFlow 能干许多事。比如:

  • 求解复杂数学表达式
  • 机器学习技术。你往其中输入一组数据样本用以训练,接着给出另一组数据样本基于训练的数据而预测结果。这就是人工智能了!
  • 支持 GPU 。你可以使用 GPU(图像处理单元)替代 CPU 以更快的运算。TensorFlow 有两个版本: CPU 版本和 GPU 版本。

开始写例子前,需要了解一些基本知识。

什么是张量?

张量tensor是 TensorFlow 使用的主要的数据块,它类似于变量,TensorFlow 使用它来处理数据。张量拥有维度和类型的属性。

维度指张量的行和列数,读到后面你就知道了,我们可以定义一维张量、二维张量和三维张量。

类型指张量元素的数据类型。

定义一维张量

可以这样来定义一个张量:创建一个 NumPy 数组(LCTT 译注:NumPy 系统是 Python 的一种开源数字扩展,包含一个强大的 N 维数组对象 Array,用来存储和处理大型矩阵 )或者一个 Python 列表 ,然后使用 tf_convert_to_tensor 函数将其转化成张量。

可以像下面这样,使用 NumPy 创建一个数组:

import numpy as np arr = np.array([1, 5.5, 3, 15, 20])


arr = np.array([1, 5.5, 3, 15, 20])

运行结果显示了这个数组的维度和形状。

import numpy as np


arr = np.array([1, 5.5, 3, 15, 20])


print(arr)


print(arr.ndim)


print(arr.shape)


print(arr.dtype)

它和 Python 列表很像,但是在这里,元素之间没有逗号。

现在使用 tf_convert_to_tensor 函数把这个数组转化为张量。

import numpy as np


import tensorflow as tf


arr = np.array([1, 5.5, 3, 15, 20])


tensor = tf.convert_to_tensor(arr,tf.float64)


print(tensor)

这次的运行结果显示了张量具体的含义,但是不会展示出张量元素。

要想看到张量元素,需要像下面这样,运行一个会话:

import numpy as np


import tensorflow as tf


arr = np.array([1, 5.5, 3, 15, 20])


tensor = tf.convert_to_tensor(arr,tf.float64)


sess = tf.Session()


print(sess.run(tensor))


print(sess.run(tensor[1]))

定义二维张量

定义二维张量,其方法和定义一维张量是一样的,但要这样来定义数组:

arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])

接着转化为张量:

import numpy as np


import tensorflow as tf


arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])


tensor = tf.convert_to_tensor(arr)


sess = tf.Session()


print(sess.run(tensor))

现在你应该知道怎么定义张量了,那么,怎么在张量之间跑数学运算呢?

在张量上进行数学运算

假设我们有以下两个数组:

arr1 = np.array([(1,2,3),(4,5,6)])


arr2 = np.array([(7,8,9),(10,11,12)])

利用 TenserFlow ,你能做许多数学运算。现在我们需要对这两个数组求和。

使用加法函数来求和:

import numpy as np


import tensorflow as tf


arr1 = np.array([(1,2,3),(4,5,6)])


arr2 = np.array([(7,8,9),(10,11,12)])


arr3 = tf.add(arr1,arr2)


sess = tf.Session()


tensor = sess.run(arr3)


print(tensor)

也可以把数组相乘:

import numpy as np


import tensorflow as tf


arr1 = np.array([(1,2,3),(4,5,6)])


arr2 = np.array([(7,8,9),(10,11,12)])


arr3 = tf.multiply(arr1,arr2)


sess = tf.Session()


tensor = sess.run(arr3)


print(tensor)

现在你知道了吧。

三维张量

我们已经知道了怎么使用一维张量和二维张量,现在,来看一下三维张量吧,不过这次我们不用数字了,而是用一张 RGB 图片。在这张图片上,每一块像素都由 x、y、z 组合表示。

这些组合形成了图片的宽度、高度以及颜色深度。

首先使用 matplotlib 库导入一张图片。如果你的系统中没有 matplotlib ,可以 使用 pip来安装它。

将图片放在 Python 文件的同一目录下,接着使用 matplotlib 导入图片:

import matplotlib.image as img


myfile = "likegeeks.png"


myimage = img.imread(myfile)


print(myimage.ndim)


print(myimage.shape)

从运行结果中,你应该能看到,这张三维图片的宽为 150 、高为 150 、颜色深度为 3 。

你还可以查看这张图片:

import matplotlib.image as img


import matplotlib.pyplot as plot


myfile = "likegeeks.png"


myimage = img.imread(myfile)


plot.imshow(myimage)


plot.show()

真酷!

那怎么使用 TensorFlow 处理图片呢?超级容易。

使用 TensorFlow 生成或裁剪图片

首先,向一个占位符赋值:

myimage = tf.placeholder("int32",[None,None,3])

使用裁剪操作来裁剪图像:

cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])

最后,运行这个会话:

result = sess.run(cropped, feed\_dict={slice: myimage})

然后,你就能看到使用 matplotlib 处理过的图像了。

这是整段代码:

import tensorflow as tf


import matplotlib.image as img


import matplotlib.pyplot as plot


myfile = "likegeeks.png"


myimage = img.imread(myfile)


slice = tf.placeholder("int32",[None,None,3])


cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])


sess = tf.Session()


result = sess.run(cropped, feed_dict={slice: myimage})


plot.imshow(result)


plot.show()

是不是很神奇?

使用 TensorFlow 改变图像

在本例中,我们会使用 TensorFlow 做一下简单的转换。

首先,指定待处理的图像,并初始化 TensorFlow 变量值:

myfile = "likegeeks.png"


myimage = img.imread(myfile)


image = tf.Variable(myimage,name='image')


vars = tf.global_variables_initializer()

然后调用 transpose 函数转换,这个函数用来翻转输入网格的 0 轴和 1 轴。

sess = tf.Session()


flipped = tf.transpose(image, perm=[1,0,2])


sess.run(vars)


result=sess.run(flipped)

接着你就能看到使用 matplotlib 处理过的图像了。

相关推荐