python & tensorflow 学习笔记

python & tensorflow 学习记录

reference:
https://blog.csdn.net/u012193416/article/details/86525411
https://blog.csdn.net/m0_38024332/article/details/81779544
https://blog.csdn.net/m0_37393514/article/details/81777244

• 查看tensor值

// 查看张量
import tensorflow as tf

a = tf.random_uniform(shape=[3],minval=0.0,maxval=1.0)    
        
with tf.Session() as sess:
	print(sess.run(a))
	
//或者是：

with tf.Session() as sess:
	print(a.eval())

• tf.less(x,y,name=None)
  x,y 都是tenor, 返回值是一个bool型的tensor.[逐元素返回是否x<y]
  类似还有 tf.greater() , tf.less_equal()等
• tf.case() 条件判断函数

 final_value = tf.case([(tf.less(a, b),case1_value)], default=case2_value)

• tf.cond(), 同tf.case()

final_value = tf.cond(x > y, lambda: tf.add(x, y), lambda: tf.square(y))

• tf.cast( x, dtype , name=None)
  将x的数据类型改为dtype, 返回x
• tf.image.crop_and_resize()
  用来实现RPN中的ROI Pooling.

tf.image.crop_and_resize(
    image,
    boxes,
    box_ind,
    crop_size,
    method='bilinear',
    extrapolation_value=0,
    name=None
)
boxes：每个proposal的坐标（N，4）
	也指需要划分的区域，输入格式为 [[ymin,xmin,ymax,xmax]] (注意这是一个二维列表) 
	使用时要将输入值归一化为0--1范围，即:设crop的区域坐标为 [ y1,x1,y2,x2 ],
	那么想得到相应正确的crop图形就一定要归一化，如图片长度为 [ W,H ],
	则实际输入的boxes为[ y1/H,x1/W,y2/H,x2/W ]。
    如果没有归一化,程序将为你自动补齐，范围要是全部超出1，那就是个黑色框了，
    因为超出1根据归一化截取不到图片任何内容.
    
box_ind:  boxes和image之间的索引
	这里假设输入图片不止一张,boxes有多个.
	假设 img = [img1, img2]

        boxes = [boxes1, boxes2]

        box_ind = [ 1 , 0 ]

	那么，将返回
	[使用boxes1 作用于 img2 后的图片 , 使用boxes2 作用于 img1后的图片]
	
crop_size:表示Roi_pooling之后的大小

• ROIpooling
  只是对roi区域,pool到固定长宽比如77大小的map, 即输出的每一个像素点，对应输入map的一个矩形区域，取这个矩形区域的最大值。结束，不再进行max pool.
  而 tf.image.crop_and_resize, 是把输入的map, 按照指定的boxes剪切，然后使用双线性插值到固定输出大小比如，77。 roipool, 是对已经crop好的roi直接操作，到固定输出大小。 最大的区别是，一个是插值(从小到大), 一个是pool(从大到小), 到固定输出大小。
• tf.squeeze 删除维度值为1的维度

tf.squeeze(
    input,
    axis = None,
    name = None,
    squeeze_dims = None
)
# 返回一个张量，这个张量是将原始input中所有维度为1的那些维都删掉的结果
# axis可以用来指定要删掉的为1的维度，此处要注意指定的维度必须确保其是1，否则会报错

# 't' 是一个维度[1, 2, 1, 3, 1, 1]的张量
tf.shape(tf.squeeze(t, [2, 4]))  # [1, 2, 3, 1]，标号从零开始，只删掉了2和4维的1

• tf.expand_dims(input, dim, name=None) 扩增张量的维度
  tf.reshape(input, shape=[ ])也可以达到相同效果，但是有些时候在构建图的过程中，placeholder没有被feed具体的值，这时就会报下面的错误：
  TypeError: Expected binary or unicode string, got 1
  这时可以使用 tf.expand_dims()

# 't2' is a tensor of shape [2, 3, 5] 
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5] 
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]

• tf.image.non_max_suppression 非极大值抑制
  按照参数scores的降序,贪婪的选择边界框的子集。
  删除掉那些与之前的选择的边框具有很高的IOU的边框。边框格式[y1,x1,y2,x2],(y1,x1)和 (y2,x2)是边框的对角坐标，当然也可以提供被归一化的坐标。返回的是被选中的那些留下来的边 框在参数boxes里面的下标位置。可以使用tf.gather的操作来从参数boxes中获取选中的边框。

tf.image.non_max_suppression(
    boxes,
    scores,
    max_output_size,
    iou_threshold=0.5,
    score_threshold=float('-inf'),
    name=None
)
# boxes:2-D的float类型的，大小为[num_boxes,4]的张量
# scores：1-D的float类型,大小为[num_boxes]代表每一个box的对应score；
# max_output_size:一个整数张量，代表最多可以选中多少个边框；
# iou_threshold:浮点数，表示与选中的那个边框的重叠度,重叠较高时删除score小的那个
# score_threshold:一个浮点数，score小于该值时删除这个边框
返回值:selected_indices:表示的是一个1-D的整数张量，大小为[M]，代表选出来的留下来
	的边框下标，M小于等于max_output_size.

• assert 断言
  可以理解assert断言语句为raise-if-not，用来测试表示式，其返回值为假，就会触发异常

# assert的异常参数，其实就是在断言表达式后添加字符串信息，
# 用来解释断言并更好的知道是哪里出了问题。格式如下：
assert expression [, arguments]

assert len(lists) >=5,'列表元素个数小于5'

assert 2==1,'2不等于1

• ubuntu 下安装opencv
  https://blog.csdn.net/ksws0292756/article/details/79511170
  https://www.jianshu.com/p/259a6140da9d
• tf.concat 与tf.stack
  矩阵拼接操作:
  tf.concat是沿某一维度拼接shape相同的张量，拼接生成的新张量维度不会增加。而tf.stack是在新的维度上拼接，拼接后维度加1

import tensorflow as tf
a = tf.constant([[1,2,3],[4,5,6]])
b = tf.constant([[7,8,9],[10,11,12]])
ab1 = tf.concat([a,b],axis=0)
ab2 = tf.stack([a,b], axis=0)
sess = tf.Session()
print(sess.run(ab1))
print(sess.run(ab2))
print ab1
print ab2

结果：

[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]#ab1的值

[[[ 1 2 3]
[ 4 5 6]]

[[ 7 8 9]
[10 11 12]]]#ab2的值
Tensor(“concat:0”, shape=(4, 3), dtype=int32)#ab1的属性
Tensor(“stack:0”, shape=(2, 2, 3), dtype=int32)#ab2的属性

• tf.nn.sparse_softmax_cross_entropy_with_logits(y_, y):
  y表示的是实际类别，y_表示预测结果，把原来的神经网络输出层的softmax和cross_entrop放在一起计算，为了追求速度。
  **
  与tf.nn.softmax_cross_entropy_with_logits()函数十分相似，唯一的区别在于labels的shape，该函数的labels要求是排他性的,即只有一个正确的类别，如果labels的每一行不需要进行one_hot表示，可以使用tf.nn.sparse_softmax_cross_entropy_with_logits()。
  **
• tf.transpose 矩阵转置

transpose(
    a,                          #  a是一个张量
    perm=None,                  # perm是对张量做转置的规则,即序列改变列表
    name='transpose'
   # perm列表里第i位的数字，表明转置后的第i个axis对应的是原来张量第perm[i]个axis
)

• numpy 与tensor的相互转换

 #转化为numpy数组
numpy=tensor.eval(session=tf.Session)
#转化为tensor
tensor= tf.convert_to_tensor(numpy)