专栏首页贾志刚-OpenCV学堂TensorFlow中的feed与fetch

TensorFlow中的feed与fetch

TensorFlow中的feed与fetch

一:占位符(placeholder)与feed

当我们构建一个模型的时候,有时候我们需要在运行时候输入一些初始数据,这个时候定义模型数据输入在tensorflow中就是用placeholder(占位符)来完成。它的定义如下:

def placeholder(dtype, shape=None, name=None):

其中dtype表示数据类型,shape表示维度,name表示名称。它支持单个数值与任意维度的数组输入。

1. 单个数值占位符定义

a = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)c = tf.add(a, b)

当我们需要执行得到c的运行结果时候我们就需要在会话运行时候,通过feed来插入a与b对应的值,代码演示如下:

with tf.Session() as sess: result = sess.run(c, feed_dict={a:3, b:4}) print(result)

其中feed_dict就是完成了feed数据功能,feed中文有喂饭的意思,这里还是很形象的,对定义的模型来说,数据就是最好的食物,所以就通过feeddict来实现。

2. 多维数据

同样对于模型需要多维数据的情况下通过feed一样可以完成,定义二维数据的占位符,然后相加,代码如下:

_x = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="x")_y = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="y")z = tf.add(_x, _y);

运行时候需要feed二维数组,实现如下:

with tf.Session() as sess: result = sess.run(z, feed_dict={_x:[[3, 4], [1, 2]], _y:[[8, 8],[9, 9]]}) print(result)

二:fetch用法

会话运行完成之后,如果我们想查看会话运行的结果,就需要使用fetch来实现,feed,fetch同样可以fetch单个或者多个值。

1. fetch单个值

矩阵a与b相乘之后输出结果,通过会话运行接受到值c_res这个就是fetch单个值,fetch这个单词在数据库编程中比较常见,这里称为fetch也比较形象。代码演示如下:

import tensorflow as tfa = tf.Variable(tf.random_normal([3, 3], stddev=3.0), dtype=tf.float32)b = tf.Variable(tf.random_normal([3, 3], stddev=3.0), dtype=tf.float32)c = tf.matmul(a, b);init = tf.global_variables_initializer()with tf.Session() as sess: sess.run(init) c_res = sess.run(c) print(c_res)

2. fetch多个值

还是以feed中代码为例,我们把feed与fetch整合在一起,实现feed与fetch多个值,代码演示如下:

import tensorflow as tf_x = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="x")_y = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="y")z = tf.add(_x, _y);data = tf.random_normal([2, 2], stddev=5.0)Y = tf.add(data, z)with tf.Session() as sess: z_res, Y_res = sess.run((z, Y), feed_dict={_x:[[3, 4], [1, 2]], _y:[[8, 8],[9, 9]]}) print(z_res) print(Y_res)

上述代码我们就fetch了两个值,这个就是feed与fetch的基本用法。下面我们就集合图像来通过feed与fetch实现一些图像ROI截取操作。代码演示如下:

import tensorflow as tfimport cv2 as cv# 通过opencv读取图像并显示src = cv.imread("D:/javaopencv/test.png")cv.imshow("input", src)_image = tf.placeholder(shape=[None, None, 3], dtype=tf.uint8, name="image")
# ROI区域截取
roi_image = tf.slice(_image, [40, 130, 0], [180, 180, -1])#定义会话并执行with tf.Session() as sess: slice = sess.run(roi_image, feed_dict={_image:src}) print(slice.shape) cv.imshow("roi", slice) cv.waitKey(0) cv.destroyAllWindows()

运行结果显示: 原图:

脸部ROI截取

本文分享自微信公众号 - OpenCV学堂(CVSCHOOL)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-03-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • tensorflow中实现神经网络训练手写数字数据集mnist

    基于tensorflow实现一个简单的三层神经网络,并使用它训练mnist数据集,神经网络三层分别为:

    OpenCV学堂
  • TensorFlow中常量与变量的基本操作演示

    TensorFlow中常量与变量的基本操作演示 本文将介绍TensorFlow中的基本算法运算与矩阵运算,介绍Tensorflow中常量、变量、操作符等基本运算...

    OpenCV学堂
  • 干货 | Tensorflow设计简单分类网络实现猫狗图像分类训练与测试

    第一层:32个feature map 5x5卷积、步长为2、最大值池化 局部相应归一化处理(LRN) 第二层:64个feature map 3x3卷积、步长为...

    OpenCV学堂
  • 使用tensorflow实现VGG网络,训练mnist数据集方式

    VGG作为流行的几个模型之一,训练图形数据效果不错,在mnist数据集是常用的入门集数据,VGG层数非常多,如果严格按照规范来实现,并用来训练mnist数据集,...

    砸漏
  • 译文 | 简明 TensorFlow 教程:所有的模型

    01 概述 在本文中,我们将讨论 TensorFlow 中当前可用的所有抽象模型,并描述该特定模型的用例以及简单的示例代码。 完整的工作示例源码(https:/...

    用户1332428
  • win10 tensorflow笔记3 MNIST机器学习进阶

    我是木木酱呀
  • Tensorflow | 函数名字的更新

    上面列的是常见的变化。更多的了解,请看https://www.tensorflow.org/install/migration 官网给出了tensorflow更...

    努力在北京混出人样
  • Tensorflow | 基本函数介绍

    努力在北京混出人样
  • 【tensorflow2.0】张量的结构操作

    张量数学运算主要有:标量运算,向量运算,矩阵运算。另外我们会介绍张量运算的广播机制。

    绝命生
  • 深度学习Tensorflow生产环境部署(下·模型部署篇)

    部署完docker后,如果是cpu环境,可以直接拉取tensorflow/serving,如果是GPU环境则麻烦点,具体参考前一篇,这里就不再赘述了。

    用户1154259

扫码关注云+社区

领取腾讯云代金券