在本文中，关于我们将看一些 TensorFlow 的简单例子，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，关于我还会举些别的简单机器学习相关的例子。 TensorFlow 是关于什么?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，简单TensorFlow 能干许多事。关于比如： 求解复杂数学表达式 机器学习技术。简单你往其中输入一组数据样本用以训练，关于接着给出另一组数据样本基于训练的简单数据而预测结果。这就是关于人工智能了！ 支持 GPU 。简单你可以使用 GPU（图像处理单元）替代 CPU 以更快的关于运算。TensorFlow 有两个版本： CPU 版本和 GPU 版本。简单 开始写例子前，关于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。b2b信息网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 nparr = 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 npimport tensorflow as tfarr = 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 npimport tensorflow as tfarr = 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云服务器提供商一样的，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 npimport tensorflow as tfarr = 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 npimport tensorflow as tfarr1 = 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 npimport tensorflow as tfarr1 = 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 imgmyfile = "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 。IT技术网 你还可以查看这张图片： import matplotlib.image as imgimport matplotlib.pyplot as plotmyfile = "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]) ***，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 tfimport matplotlib.image as imgimport matplotlib.pyplot as plotmyfile = "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。 import tensorflow as tfimport matplotlib.image as imgimport matplotlib.pyplot as plotmyfile = "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() 以上例子都向你表明了使用 TensorFlow 有多么容易。 |
喜欢
讨厌