关于TensorFlow简单例子

开发 人工智能
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。

[[220444]]

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:

  1. import numpy as np arr = np.array([1, 5.5, 3, 15, 20])
  2. 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。

  1. import numpy as np
  2. arr = np.array([1, 5.5, 3, 15, 20])
  3. print(arr)
  4. print(arr.ndim)
  5. print(arr.shape)
  6. 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。

  1. import numpy as np
  2. import tensorflow as tf
  3. arr = np.array([1, 5.5, 3, 15, 20])
  4. tensor = tf.convert_to_tensor(arr,tf.float64)
  5. 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:

  1. import numpy as np
  2. import tensorflow as tf
  3. arr = np.array([1, 5.5, 3, 15, 20])
  4. tensor = tf.convert_to_tensor(arr,tf.float64)
  5. sess = tf.Session()
  6. print(sess.run(tensor))
  7. 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:

  1. 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:

  1. import numpy as np
  2. import tensorflow as tf
  3. arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])
  4. tensor = tf.convert_to_tensor(arr)
  5. sess = tf.Session()
  6. 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:

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

  1. import numpy as np
  2. import tensorflow as tf
  3. arr1 = np.array([(1,2,3),(4,5,6)])
  4. arr2 = np.array([(7,8,9),(10,11,12)])
  5. arr3 = tf.add(arr1,arr2)
  6. sess = tf.Session()
  7. tensor = sess.run(arr3)
  8. print(tensor)

也可以把数组相乘:

  1. import numpy as np
  2. import tensorflow as tf
  3. arr1 = np.array([(1,2,3),(4,5,6)])
  4. arr2 = np.array([(7,8,9),(10,11,12)])
  5. arr3 = tf.multiply(arr1,arr2)
  6. sess = tf.Session()
  7. tensor = sess.run(arr3)
  8. 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:

  1. import matplotlib.image as img
  2. myfile = "likegeeks.png"
  3. myimage = img.imread(myfile)
  4. print(myimage.ndim)
  5. 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:

  1. import matplotlib.image as img
  2. import matplotlib.pyplot as plot
  3. myfile = "likegeeks.png"
  4. myimage = img.imread(myfile)
  5. plot.imshow(myimage)
  6. 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:

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

使用裁剪操作来裁剪图像:

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

***,运行这个会话:

  1. 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:

  1. import tensorflow as tf
  2. import matplotlib.image as img
  3. import matplotlib.pyplot as plot
  4. myfile = "likegeeks.png"
  5. myimage = img.imread(myfile)
  6. slice = tf.placeholder("int32",[None,None,3])
  7. cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])
  8. sess = tf.Session()
  9. result = sess.run(cropped, feed_dict={slice: myimage})
  10. plot.imshow(result)
  11. 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:

  1. myfile = "likegeeks.png"
  2. myimage = img.imread(myfile)
  3. image = tf.Variable(myimage,name='image')
  4. 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。

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

接着你就能看到使用 matplotlib 处理过的图像了。

  1. import tensorflow as tf
  2. import matplotlib.image as img
  3. import matplotlib.pyplot as plot
  4. myfile = "likegeeks.png"
  5. myimage = img.imread(myfile)
  6. image = tf.Variable(myimage,name='image')
  7. vars = tf.global_variables_initializer()
  8. sess = tf.Session()
  9. flipped = tf.transpose(image, perm=[1,0,2])
  10. sess.run(vars)
  11. result=sess.run(flipped)
  12. plot.imshow(result)
  13. plot.show()

以上例子都向你表明了使用 TensorFlow 有多么容易。 

责任编辑:庞桂玉 来源: Linux中国
相关推荐

2023-03-23 21:08:59

head命令

2023-03-24 10:07:46

tail命令

2009-09-11 09:10:30

C#编写游戏

2011-03-28 10:28:46

sql存储过程

2009-07-14 16:02:42

JDBC例子

2009-10-26 17:53:50

VB.NET新窗体

2018-08-23 08:21:54

TensorFlow机器学习人工智能

2011-08-31 10:26:38

MTK驱动开发

2010-04-19 17:21:36

Oracle写文件

2020-03-26 17:00:53

HashMapputJava

2010-06-11 11:20:18

Linux性能测试工具

2018-08-03 11:07:52

dd命令备份Linux系统

2022-11-02 08:32:46

find 命令Linux

2022-11-09 19:02:10

Linux

2010-05-24 17:46:46

SNMP协议

2014-03-12 10:13:00

iOSSEL对象

2009-11-10 10:28:20

VB.NET诞生

2011-08-05 10:13:45

iPhone开发工具 Cocoa Xcode

2011-09-02 19:12:59

IOS应用Sqlite数据库

2013-04-10 10:40:41

点赞
收藏

51CTO技术栈公众号