TensorFlow简介

TensorFlow是由Google开发的用于解决复杂数学问题的库。本篇介绍将简述TensorFlow示例,如何定义、使用张量执行数学运算,以及查看其他机器学习相关示例。

什么是TensorFlow?

TensorFlow是Google开发的一个库,用于解决复杂的数学问题,使用TensorFlow将为您节省不少时间。

TensorFlow可以做很多事情,比如:

  • 解决复杂的数学表达式
  • 快速执行机器学习,  在这种机器学习技术中,您可以为其提供一个训练数据样本,然后根据训练数据给出另一个数据样本来预测结果。
  • 提供GPU支持。您可以使用GPU(图形处理单元)而不是使用CPU来加快处理速度。TensorFlow有两个版本的您可以下载CPU版本或者GPU版本。

在开始使用TensorFlow示例之前,我们需要了解一些基本知识。

什么是张量?

张量是TensorFlow使用的主要数据块。它们就像TensorFlow用来处理数据的变量。每个张量都有一个维度和一个类型。

维度是指张量的行和列。您可以定义一维张量,二维张量和三维张量,关于张量详细使用我们将在后面看到。

类型是指张量元素的数据类型。

定义一维张量

为了定义张量,我们将创建一个NumPy数组或Python列表,并使用tf_convert_to_tensor 函数将其转换为张量。

我们将使用NumPy来创建一个这样的数组:

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

结果显示了阵列的尺寸和形状。

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

现在我们将使用tf_convert_to_tensor  函数将此数组转换为张量  。

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)

从结果中,可以看到张量的定义,但看不到张量的元素。

要查看张量的元素,可以像这样运行一个会话:

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

这与一维数组完全相同,但是这次我们需要这样定义数组:

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

你可以把它转换成这样的张量:

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))

现在你知道如何定义张量。如何让它们之间进行一些数学运算呢?

在张量上计算

假设我们有两个这样的数组:

arr1 = np.array([(1,2,3),(4,5,6)]) 
arr2 = np.array([(7,8,9),(10,11,12)])

我们需要得到他们的总和。您可以使用TensorFlow执行许多数学操作。

你可以使用这样的add函数:

arr3 = tf.add(arr1,arr2)

整个代码将是这样的:

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)

当然你可以像这样来繁殖数组:

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)

明白了吗?

三维张量

我们已经看到了如何处理一维和二维张量。现在,我们将处理三维张量。但这一次,我们不使用数字;,而使用RGB图像,其中每一幅图像都由x,y和z坐标指定。

这些坐标是宽度,高度和颜色深度。

首先,我们使用导入图像matplotlib。 如果您的系统上没有安装这个库,可以使用pip install matplotlib来安装。

现把你的文件放在Python文件所在的同一个目录下,matplotlib 然后像这样导入图像:

import matplotlib.image as img
myfile = "likegeeks.png"
myimage = img.imread(myfile)
print(myimage.ndim)
print(myimage.shape)

正如你所看到的,这是一个三维图像,宽度为150,高度为150,颜色深度为3。

怎样查看图像呢?

import matplotlib.image as img
import matplotlib.pyplot as plot
myfile = "likegeeks.png"
myimage = img.imread(myfile)
plot.imshow(myimage)
plot.show()

酷!

那么使用TensorFlow处理图像呢?超级简单。

裁剪或切片图像使用TensorFlow

首先,我们把这些值放在一个占位符上,如下所示:

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

为了裁剪图像,我们将使用如下的切片运算符:

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

最后,运行会话:

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

然后你可以看到使用的结果图像matplotlib

整个代码将是这样的:

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()

真棒!

使用Tensorflow移调图像

在这个TensorFlow例子中,我们将使用TensorFlow做一个简单的转换。

首先,指定输入的图像并初始化TensorFlow变量:

myfile = "likegeeks.png"
myimage = img.imread(myfile)
image = tf.Variable(myimage,name='image')
vars = tf.global_variables_initializer()

然后我们将使用这个  transpose 函数来翻转输入网格的0和1轴:

sess = tf.Session()
flipped = tf.transpose(image, perm=[1,0,2])
sess.run(vars)
result=sess.run(flipped)

然后,您可以使用显示结果图像matplotlib

import tensorflow as tf
import matplotlib.image as img
import matplotlib.pyplot as plot
myfile = "likegeeks.png"
myimage = img.imread(myfile)
image = tf.Variable(myimage,name='image')
vars = tf.global_variables_initializer()
sess = tf.Session()
flipped = tf.transpose(image, perm=[1,0,2])
sess.run(vars)
result=sess.run(flipped)
plot.imshow(result)
plot.show()

这些TensorFlow示例都向您展示了如何使用TensorFlow进行操作。

加油,本次基础使用简介就到这~

原文链接:https://dzone.com/articles/tensorflow-simplified-examples

原文作者:Seco Max

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

一文解读Tensor到底是个啥玩意儿?(附代码)

本文介绍了各种数值型数据的容器(标量、向量、矩阵、张量)之间的关系,在实践中,张量特指3维及更高维度的数据容器。

1233
来自专栏小鹏的专栏

tensorflow使用BN—Batch Normalization

注意:不要随便加BN,有些问题加了后会导致loss变大。 上一篇是 Batch Normalization的原理介绍,看一下tf的实现,加到卷积后面和全连接层...

5207
来自专栏人工智能头条

如何用微信监管你的TF训练?

1103
来自专栏AI研习社

Github 项目推荐 | 面向 JS 开发者的机器学习框架 TensorFlow.js 以及相关示例

TensorFlow.js 是谷歌在 2018 TensorFlow 开发者峰会推出的开源库,它可以使用 Java 和灵活且直观的 API 在浏览器中定义、训练...

1021
来自专栏企鹅号快讯

PaddlePaddle之手写数字识别

作者:Charlotte77数学系的数据挖掘民工 博客专栏:http://www.cnblogs.com/charlotte77/ 个人公众号:Charlott...

2048
来自专栏Deep Learning 笔记

图像识别(三)cifar10.py

tf.app.flags.DEFINE_integer()等函数是添加了命令行的可选参数

834
来自专栏深度学习入门与实践

【深度学习系列】PaddlePaddle之手写数字识别

上周在搜索关于深度学习分布式运行方式的资料时,无意间搜到了paddlepaddle,发现这个框架的分布式训练方案做的还挺不错的,想跟大家分享一下。不过呢,这块...

2849
来自专栏量子位

Keras 2正式发布,推出深度整合进TensorFlow的新API

允中 编译整理 量子位·QbitAI 出品 今天,深度学习框架Keras在博客上发表文章,介绍了深度整合进TensorFlow的内部版本tf.keras,以及...

3248
来自专栏ATYUN订阅号

保存并加载您的Keras深度学习模型

Keras是一个用于深度学习的简单而强大的Python库。 鉴于深度学习模式可能需要数小时、数天甚至数周的时间来培训,了解如何保存并将其从磁盘中加载是很重要的...

4796
来自专栏腾讯Bugly的专栏

手机端运行卷积神经网络实现文档检测功能(二) -- 从 VGG 到 MobileNetV2 知识梳理(续)

1.6K6

扫码关注云+社区