第3章 神经网络的TensorFlow实现（一）

学习目标：实现自己的第一个深度学习模型

1 神经网络的数据结构

张量 tensor 可以理解为n维数组或矩阵。根据维数的不同，张量又可以分为标量、向量、矩阵、3D张量及更高维张量。

1.标量

仅包含一个数字的张量，又称零维张量（0D张量）。在numpy数组中，一个float32 或 float64的数字就是一个标量，可以用ndim查看张量的维度。
下面是一个标量示例：

import numpy as np
x = np.array(888)
print(x)
print(x.ndim)

2.向量

指由数字组成的数组，也称为一维张量（1D张量）。示例：

3. 矩阵

指由向量组成的数组，也称为二维张量（2D张量），有两个维度，一个是行，一个是列。示例：

实例：
（1）学生成绩数据。其中包括每个学生数学、语文、英语3门课的分数，每个人可以表示为包含3个值的向量，假设有100个学生，那么这将存储在形状为（100,3）的2D张量中。
（2）家庭收入数据

4. 3D张量与更高维张量

指由多个矩阵组成的数组，可以理解为关于数字的三维立体矩阵。示例：

实例：时间序列数据
（samples，timesspans, features），第一个参数代表样本数，第二个参数代表时间步长，第三个参数代表特征数。例子：
（1）各省份宏观经济数据。记录1978-2018年全国34个省份每年的宏观经济数据，包括GDP, CPI和FDI。那么每个省份的数据都被编码为 （40,3）的2D张量，而全国34个省份的数据就可以保存在一个形状为（34,40,3）的3D张量中。
（2）股票价格数据

将多个3D张量组合成一个数组，就可以创建4D张量。以此类推，可以创建更高维的张量。
4D张量数据示例：图像数据
图像数据是个4D张量，存储形状为（samples，height，width，channels）
如果不关注第一个参数样本数，则一张图像数据就是一个三维立体矩阵。
（1）对于灰度图像，只有一个颜色通道，假设图像像素矩阵大小是128像素*128像素，那么100张灰度图像可以保存在一个形状为 （100,128,128，1）的张量中。
（2）对于彩色图像，有3个颜色通道（RGB），（100,128,128，3）

2 图像数据的运算

1. 读入图像

#载入image包
from PIL import Image
photo = Image.open('./photos/xiongda.jpg') #.open函数用于打开图像数据
photo

2.改变大小

#通过.size函数查看原始图像的大小，并通过resize函数改变图像的大小。
在实际数据分析中，不同图像的大小规格会不一样，为了后续图像处理方便，通常将其统一规格。示例：

print(photo.size)
photo = photo.resize([128,128])
print(photo.size)
photo

3.矩阵转换

将图像通过 .array函数转换为矩阵形式。通过array函数，把图像数据转换为一个1281283的张量。

import numpy as np
Im = np.array(photo)
print(Im.shape)
Im[:,:,0]
#将第0个通道的矩阵元素展示出来

至此，就将一张图像转换为了一个三维立体矩阵，方便后续进行各种代数运算。

4.尺度变化

以上实例中，每个元素的取值大小为0~255. 在实际的模型训练中，常常需要变换原始像素矩阵的尺度，将每个元素的取值除以255，将其变为0~ 1的数。

Im = Im/255
print(Im[:,:,0])

5.图像展示

经过前面几个步骤处理，最开始的图像现在变成了一个三维立体矩阵，用Im表示。接下来需要通过 .imshow 函数将三维立体矩阵展示成图像形式。

from matplotlib import pyplot as plt
plt.imshow(Im)  #通过.imshow 函数将三维立体矩阵展示成图像形式

2.2 图像数据的代数运算

图像转换为三维立体矩阵后，就可以对其进行基本的代数运算了。
下面通过例子对图像数据进行加法、减法、乘法和除法运算。

Im1 = Im + 0.5
Im2 = 1-Im
Im3 = 0.5*Im
Im4 = Im/0.5
plt.figure() # .figure函数用于初始化画板
fig,ax = plt.subplots(1,4)  # .subplots函数用于切分画板，这里切分成了1行4列
fig.set_figwidth(15)  # 设置画板的宽度为15个单位
ax[0].imshow(Im1)  #ax可以控制图像的位置，索引从0开始
ax[1].imshow(Im2)
ax[2].imshow(Im3)
ax[3].imshow(Im4)

参考学习资料：

《深度学习 从入门到精通》 微课版 人民邮电出版社，王汉生、周静编著。