TensorFlow 的簡單例子
在本文中,我們將看一些 TensorFlow 的例子,並從中感受到在定義張量和使用張量做數學計算方面有多麼容易,我還會舉些別的機器學習相關的例子。
TensorFlow 是什麼?
TensorFlow 是 Google 為了解決複雜的數學計算耗時過久的問題而開發的一個庫。
事實上,TensorFlow 能幹許多事。比如:
- 求解複雜數學表示式
- 機器學習技術。你往其中輸入一組資料樣本用以訓練,接著給出另一組資料樣本基於訓練的資料而預測結果。這就是人工智慧了!
- 支援 GPU 。你可以使用 GPU(影像處理單元)替代 CPU 以更快的運算。TensorFlow 有兩個版本: CPU 版本和 GPU 版本。
開始寫例子前,需要了解一些基本知識。
什麼是張量?
張量是 TensorFlow 使用的主要的資料塊,它類似於變數,TensorFlow 使用它來處理資料。張量擁有維度和型別的屬性。
維度指張量的行和列數,讀到後面你就知道了,我們可以定義一維張量、二維張量和三維張量。
型別指張量元素的資料型別。
定義一維張量
可以這樣來定義一個張量:建立一個 NumPy 陣列(LCTT 譯註:NumPy 系統是 Python 的一種開源數字擴充套件,包含一個強大的 N 維陣列物件 Array,用來儲存和處理大型矩陣 )或者一個 Python 列表 ,然後使用 tf_convert_to_tensor
函式將其轉化成張量。
可以像下面這樣,使用 NumPy 建立一個陣列:
import numpy as np arr = np.array([1, 5.5, 3, 15, 20])
arr = np.array([1, 5.5, 3, 15, 20])
執行結果顯示了這個陣列的維度和形狀。
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,但是在這裡,元素之間沒有逗號。
現在使用 tf_convert_to_tensor
函式把這個陣列轉化為張量。
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)
這次的執行結果顯示了張量具體的含義,但是不會展示出張量元素。
要想看到張量元素,需要像下面這樣,執行一個會話:
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]))
定義二維張量
定義二維張量,其方法和定義一維張量是一樣的,但要這樣來定義陣列:
arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])
接著轉化為張量:
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))
現在你應該知道怎麼定義張量了,那麼,怎麼在張量之間跑數學運算呢?
在張量上進行數學運算
假設我們有以下兩個陣列:
arr1 = np.array([(1,2,3),(4,5,6)])
arr2 = np.array([(7,8,9),(10,11,12)])
利用 TenserFlow ,你能做許多數學運算。現在我們需要對這兩個陣列求和。
使用加法函式來求和:
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)
也可以把陣列相乘:
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)
現在你知道了吧。
三維張量
我們已經知道了怎麼使用一維張量和二維張量,現在,來看一下三維張量吧,不過這次我們不用數字了,而是用一張 RGB 圖片。在這張圖片上,每一塊畫素都由 x、y、z 組合表示。
這些組合形成了圖片的寬度、高度以及顏色深度。
首先使用 matplotlib 庫匯入一張圖片。如果你的系統中沒有 matplotlib ,可以 使用 pip來安裝它。
將圖片放在 Python 檔案的同一目錄下,接著使用 matplotlib 匯入圖片:
import matplotlib.image as img
myfile = "likegeeks.png"
myimage = img.imread(myfile)
print(myimage.ndim)
print(myimage.shape)
從執行結果中,你應該能看到,這張三維圖片的寬為 150 、高為 150 、顏色深度為 3 。
你還可以檢視這張圖片:
import matplotlib.image as img
import matplotlib.pyplot as plot
myfile = "likegeeks.png"
myimage = img.imread(myfile)
plot.imshow(myimage)
plot.show()
真酷!
那怎麼使用 TensorFlow 處理圖片呢?超級容易。
使用 TensorFlow 生成或裁剪圖片
首先,向一個佔位符賦值:
myimage = tf.placeholder("int32",[None,None,3])
使用裁剪操作來裁剪影像:
cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])
最後,執行這個會話:
result = sess.run(cropped, feed\_dict={slice: myimage})
然後,你就能看到使用 matplotlib 處理過的影像了。
這是整段程式碼:
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 改變影像
在本例中,我們會使用 TensorFlow 做一下簡單的轉換。
首先,指定待處理的影像,並初始化 TensorFlow 變數值:
myfile = "likegeeks.png"
myimage = img.imread(myfile)
image = tf.Variable(myimage,name='image')
vars = tf.global_variables_initializer()
然後呼叫 transpose 函式轉換,這個函式用來翻轉輸入網格的 0 軸和 1 軸。
sess = tf.Session()
flipped = tf.transpose(image, perm=[1,0,2])
sess.run(vars)
result=sess.run(flipped)
接著你就能看到使用 matplotlib 處理過的影像了。
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()
以上例子都向你表明了使用 TensorFlow 有多麼容易。
相關文章
- XPATH的簡單例子單例
- Websocket簡單例子Web單例
- JNI 簡單例子單例
- HttpClient 簡單例子HTTPclient單例
- Spark Stream 簡單例子Spark單例
- 擼一個簡單的MVVM例子MVVM
- UTL_FILE包的簡單例子單例
- Spark SQL 最簡單例子SparkSQL單例
- 簡單的整合 shiro + SpringMVC 例子SpringMVC
- 一個最簡單的 Github workflow 例子Github
- 一個簡單的觀察者模式例子模式
- smack和openfire通訊的簡單例子Mac單例
- struts2.01用法的簡單例子單例
- 一個簡單的Ajax請求例子
- Matplotlib1.簡單例子單例
- web到service簡單原理例子Web
- LRU演算法簡單例子演算法單例
- 尋struts連oracle簡單例子Oracle單例
- WebRTC:一個視訊聊天的簡單例子Web單例
- 一個簡單的例子教會您使用javapJava
- 一個簡單的spring-boot例子Springboot
- 一個簡單的例子帶你理解HashmapHashMap
- EBS提交併發請求的簡單例子單例
- Spring定時任務的簡單例子Spring單例
- 一個閉包函式的簡單例子函式單例
- 關於XML序列化的簡單例子XML單例
- TensorFlow進行簡單的影像處理
- JUnit概述及一個簡單例子單例
- Rust 程式設計中使用 leveldb 的簡單例子Rust程式設計單例
- spring攔截器的一個簡單例子Spring單例
- [教程]一份簡單易懂的 TensorFlow 教程
- Java多型的一個簡單入門的例子Java多型
- 多執行緒 -- 初學簡單例子執行緒單例
- Apache CXF 與 Spring 整合簡單例子ApacheSpring單例
- Spring Boot 中使用Caffeine快取的簡單例子Spring Boot快取單例
- php mysql 一個查詢優化的簡單例子PHPMySql優化單例
- linux c 一個autotools的最簡單例子Linux單例
- Android呼叫天氣預報的WebService簡單例子AndroidWeb單例