K-means 图像聚类

最新推荐文章于 2024-08-30 08:33:56 发布

ChasonF

最新推荐文章于 2024-08-30 08:33:56 发布

阅读量1.5k

点赞数

分类专栏： deep learning 文章标签：图像识别

本文链接：https://blog.csdn.net/qq_37163993/article/details/83718192

版权

这篇博客介绍了如何运用TensorFlow实现K-means算法进行图像聚类。通过提供的代码链接，读者可以了解详细步骤，并看到使用sklearn进行模拟的结果展示。

摘要由CSDN通过智能技术生成

import numpy as np
import tensorflow as tf
from tensorflow.contrib.factorization import KMeans

# 本代码演示K均值的用法， tensorflow版本必须大于等于V1.1.0
# 代码项目：Project: https://github.com/aymericdamien/TensorFlow-Examples/

# 由于tensorflow实现的K均值算法无法从GPU中获得额外好处，所以我们忽略GPU设备
import os

#os.environ['CUDA_VISIBLE_DEVICES'] = ''

# 导入MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('../data', one_hot=True)
full_data_x = mnist.train.images # shape:(55000, 784)，注意记住这个55000，理解后面会用到

# 模型超参数
num_steps = 50  # 训练的总步数
batch_size = 1024  # 每个batch的样本数
k = 25  # K的大小
num_classes = 10  # 十个数字，这也是模型最终分类的个数
num_features = 784  # 每个图片都是28X28，共784个像素

# 输入图片
X = tf.placeholder(tf.float32, shape=[None, num_features])
# 标注
Y = tf.placeholder(tf.float32, shape=[None, num_classes])

# K-Means的参数，其实是从库里使用提前封装好的图
kmeans &#