TensorFlow简介

Techeek

发布于 2017-12-20 17:19:43

6.3K20

代码可运行

文章被收录于专栏：人工智能人工智能

运行总次数：0

代码可运行

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()