Tensorflow基础知识

前言

这个博客会稍微记录一下我学tensorflow的一些基础语法的过程，如果你tensorflow已经安装好了，可以参照这上面的代码打一打，也许会挺有感觉的。对于一些函数的解释我都放在代码里，你直接看注释就可以了 。也相当于是对我学习过程的一个总结

基础知识

四则运算

常量四则运算

import tensorflow as tf
data1 = tf.constant(6)#常量的定义方式
data2 = tf.constant(2)
dataAdd = tf.add(data1,data2)
dataMul = tf.multiply(data1,data2)
dataDiv = tf.multiply(data1,data2)
dataSub = tf.subtract(data1,data2)
with tf.Session() as sess:#要使用Sess才能执行运算操作
    print(sess.run(dataAdd))
    print(sess.run(dataMul))
    print(sess.run(dataDiv))
    print(sess.run(dataSub))

变量四则运算

import tensorflow as tf
data1 = tf.constant(6)
data2 = tf.Variable(2)
dataAdd = tf.add(data1,data2)
dataCopy = tf.assign(data2,dataAdd)
dataMul = tf.multiply(data1,data2)
dataDiv = tf.divide(data1,data2)
dataSub = tf.subtract(data1,data2)
init = tf.global_variables_initializer()#当出现变量的时候，这个语句是一定要的。
with tf.Session() as sess:
    sess.run(init)#因为是变量所以要对变量作一个类似的初始化的操作
    print(sess.run(dataAdd))
    print(sess.run(dataMul))
    print(sess.run(dataDiv))
    print(sess.run(dataSub))
    print('sess.run(dataCopy)',sess.run(dataCopy))#执行了dataCopy的这个操作，相当于把dataAdd的值付给了data2
    print('dataCopy.eval()',dataCopy.eval())#这个时候dataAdd的又执行了一次，相遇8+6了。所以再次把这个值赋值给data2
    print('tf.get_default_session().run(dataCopy)',tf.get_default_session().run(dataCopy))#其实上面的语句就是等于这个下面的这个语句

矩阵基础

矩阵的元素

#类比 数组
import tensorflow as tf
data1 = tf.constant([[6,6]])#这代表的是一行两列的数据
data2 = tf.constant([[2],# 这代表的是两行一列的数据
                     [2]])
data3 = tf.constant([[3,3]])
data4 = tf.constant([[1,2],
                     [3,4],
                     [5,6]])
print(data4.shape)

with tf.Session() as sess:
    print(sess.run(data4))
    print(sess.run(data4[0]))#打印某一行
    print(sess.run(data4[:,1]))#打印某一列，这个的意思是所有的行我都要涉及到
    print(sess.run(data4[1,1]))#打印某一行某一列

矩阵的乘法和加法

#类比 数组
import tensorflow as tf
data1 = tf.constant([[6,6]])#这代表的是一行两列的数据
data2 = tf.constant([[2],# 这代表的是两行一列的数据
                     [2]])
data3 = tf.constant([[3,3]])
data4 = tf.constant([[1,2],
                     [3,4],
                     [5,6]])

matmul = tf.matmul(data1,data2)
matmul2 = tf.multiply(data1,data2)
matAdd = tf.add(data1,data2)
with tf.Session() as sess:
    print(sess.run(matmul))#这是矩阵的乘法过程
    print(sess.run(matAdd))#这是矩阵的加法过程
    print(sess.run(matmul2))# 这并不是矩阵的乘法，应该并不满足矩阵乘法的条件，虽然还是会出结果，但是结果是很唬人的
    print(sess.run([matmul,matAdd]))# 可以采取这种中括号的形式同时打印多个矩阵

0矩阵和填充矩阵

import  tensorflow as tf
mat0 = tf.constant([[0,0,0],
                    [0,0,0]])
mat1 = tf.zeros( [2,3])
mat2 = tf.fill([2,3],2)# 填充2行3列的矩阵
with tf.Session() as sess:
    print('mat0',sess.run(mat0) )
    print('mat1',sess.run(mat1))
    print('mat2',sess.run(mat2))

类似其他矩阵的填充矩阵,随机矩阵

import  tensorflow as tf
mat1 = tf.constant([[2],[3],[4]])
mat2 = tf.zeros_like(mat1)# 一个类似于mat1的0矩阵
mat3 = tf.lin_space(0.0,2.0,11)# 打印一个0->2平均十等分的数据
mat4 = tf.random_uniform([2,3],-1,3)
with tf.Session() as sess:
    print(sess.run(mat2))
    print(sess.run(mat3))
    print(sess.run(mat4))

numpy的基本使用

import numpy as np
data1 = np.array([1,2,3,4,5])
print(data1)
data2 = np.array([[2,3],
                  [4,5]])
print(data2)
print(data1.shape)
print(data2.shape)
print(np.zeros([2,4]),np.ones([3,4]))#打印0矩阵，和1 矩阵
# 改查
data2[1,0] = 2
print(data2)
print(data2[1,1])

# 基本运算
data3 = np.ones([2,3])
print(data3*2)#当前矩阵乘以一个常数
print(data3/3)

# 矩阵
data4= np.array([[1,2,3],[4,5,6]])
print(data4)
print(data3+data4)
print(data3*data4)
print(data3/data4)

matplotlib的使用

import numpy as np
import matplotlib.pyplot as plt

x = np.array([1,2,3,4,5,6,7,8])
y = np.array([2,3,4,6,7,22,6,56])
plt.plot(x,y,'r')

#.close()   #关闭图表


x = np.array([1,2,3,4,5,6,7,8])
y = np.array([12,23,4,6,7,22,6,56])
plt.bar(x,y,1,alpha = 1,color='b')#alpha代表的是透明度，0.5代表的是每个柱状图占用宽的比例
#plt.show()
plt.draw()  # 显示绘图
plt.pause(5)  #显示5秒

色彩空间

1. RGB：三原色光模式（RGB color model），又称RGB颜色模型或红绿蓝颜色模型，是一种加色模型，将红（Red）、绿（Green）、蓝（Blue）三原色的色光以不同的比例相加，以合成產生各種色彩光。
2. HSV:HSL和HSV都是一种将RGB色彩模型中的点在圆柱坐标系中的表示法。 这两种表示法试图做到比基于笛卡尔坐标系的几何结构RGB更加直观。
3. YCRCB：YCrCb即YUV，主要用于优化彩色视频信号的传输，使其向后相容老式黑白电视。与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽（RGB要求三个独立的视频信号同时传输）。其中“Y”表示明亮度（Luminance或Luma），也就是灰阶值；而“U”和“V” 表示的则是色度（Chrominance或Chroma），作用是描述影像色彩及饱和度，用于指定像素的颜色。“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起。“色度”则定义了颜色的两个方面─色调与饱和度，分别用Cr和Cb来表示。其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。而Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。