tensorflow笔记06

最新推荐文章于 2023-06-09 19:05:11 发布
最新推荐文章于 2023-06-09 19:05:11 发布
阅读量321 收藏
点赞数 1
分类专栏： # tensorflow笔记 文章标签： 神经网络 tensorflow 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44861675/article/details/104308195
版权

tensorflow笔记06：实现对自己输入的手写图片的检测及对制造数据集的总结。

前面我们已经实现了模块化训练神经网络，并保存训练模型，实现对mnist数据集的训练与检查。
今天，我们利用已经搭建好的神经网络模型，实现检查自己在画板的写的手写图片。

1.实现对自己手写数字的检测

在这里插入图片描述
第一步：将自己的图片转化为mnist的图片格式
我们需要一个py文件将自己输入的图片预先处理，使之能够变成mnist格式喂入神经网络mnist_app.py
思路是：
1.先把图片转化28×28大小的shape
2.因为mnist图片是黑底白字，我们必须对图片进行取化反，然后二值化。
3.将图片的像素值转化到（0,1）范围的浮点型。,因为mnist数据集里面像素值都是（0～1）
像素点:0-1 之间的浮点数(接近 0 越黑,接近 1 越白)
4.图片转化为为1×784的np.array
在这里插入图片描述
代码：（用到的模块numpy，Image，当然也可以使用opencv）

#定义一个函数，用于处理输入的图片，转化为值是在[0,1]的1×784的一维数组
def pre_picture(Picture_Path):
	#打开图片
	img = Image.open(Picture_Path)
	reIm = img.resize((28,28),Image.ANTIALIAS)
	#图片转化为单通道，并转化为数组
	img_array =  np.array(reIm.convert('L'))

	
	
	#因为mnist图片中纯黑色像素值为 0,纯白色像素值为 1
	#我们必须将图片也转化成这样，即二值化
	threshold =  50
	for i in range(28):
		for j in range(28):
			#因为我们图片背景是白色，mnist是黑底白字，所以得反转前景，取反
			img_array[i,j] = 255 - img_array[i,j]
			if img_array[i,j]<threshold:
				img_array[i,j] = 0
			else: img_array[i,j] = 255
	#然后转化图为一维数组[1,784]
	pre_array = img_array.reshape((1,784))
	#转化为浮点型
	pre_array = pre_array.astype(np.float32)
	#按比例缩放值到[0,1]
	img_ready = np.multiply(pre_array,1.0/255.0)
	
	return img_ready

python使用opencv预先处理：

#定义一个函数，用于处理输入的图片，转化为值是在[0,1]的1×784的一维数组
def pre_picture(Picture_Path):
	#打开图片
	
	img = imread(Picture_Path)
	img = resize(img,(28,28),INTER_AREA)
  
    #imshow("img",img);#
    #cvtColor the picture
    gray = cvtColor(img,COLOR_BGR2GRAY)
    #imshow("gray",gray);
    #bitwrise_not
    gray_not = bitwise_not(gray)
    #imshow("gray_not",gray_not)#
    #dilate the picture
	kernel = np.array([[3,3,3],
			[3,3,3],[3,3,3]])
			
    dst = dilate(gray_not,kernel);
    #imshow("dilate",dst);
    #threshold picture
    _,dst = threshold(dst,120,255,THRESH_BINARY)
    #imshow("THRESHOLD",dst)#
	img_array = np.array(dst)
    	
	pre_array = img_array.reshape((1,784))
	#转化为浮点型
	pre_array = pre_array.astype(np.float32)
	#按比例缩放值到[0,1]
	img_ready = np.multiply(pre_array,1.0/255.0)
	
	return img_ready

第二步加载训练好的模型，将符合神经网络输入要求的图片喂给复现的神经网络模型,输出预测值
函数是：

#定义函数，批量加载图片并喂入神经网络,并返回预测的值
def restore_model(testPicArray):
	#创建默认的计算图，在该图中执行预测步骤
	with tf.Graph().as_default() as g:
		#输入的x占位
		x = tf.placeholder(tf.float32,shape=[None,forward.INPUT_NODE])
		#获取输出y
		y = forward.forward(x,None)
		#返回最大值为1的索引，并赋值给preValue
		preValue = tf.argmax(y,1)

		#实现滑动平均，参数MOVING_AVERAGE_DECAY用于控制模型更新的速度
		#训练过程中会对每个变量维护一个影子，这个影子的初始值就是相应变量的初始值
		variable_averages = tf.train.ExponentialMovingAverage(mnist_backward.MOVING_AVERAGE_DECAY)
		#加载滑动平均
		variables_to_restore = variable_averages.variables_to_restore()
		#实例化saver对象
		saver = tf.train.Saver(variables_to_restore)
		
			
		with tf.Session() as sess:
			#加载训练好的模型文件
			ckpt = tf.train.get_checkpoint_state(mnist_backward.MODEL_SAVE_PATH)
			#判断
			if ckpt and ckpt.model_checkpoint_path:
				#加载训练的模型
				saver.restore(sess,ckpt.model_checkpoint_path)
				#计算预测值
				preValue = sess.run(preValue,feed_dict={x:testPicArray})

				return preValue
			else:
				print "No checkpoint file found"
				return -1

#定义一个应用的函数
def application():
	test_Number = int(input("input the number of the test pictures:"))
	#循环输入图片，输入一张，预测一张
	for i in range(test_Number):
		Path =raw_input("input the image's path:")
		#图片预处理
		
		testPicArray = pre_picture(Path)
		#预测图片，返回预测值
		preValue = restore_model(testPicArray)
		print "the preValue number is ",preValue

第三步测试图片
用到的图片，有以一些是手写的，有一些是从网上找的，主要数字的轮廓（字迹粗细）一定的大，因为mnist数据集就是这个样子
在这里插入图片描述
打开终端，运行：python mnist_app.py
在这里插入图片描述
发现全部预测成功

附上整个代码：

#coding:utf-8
import tensorflow as tf
from PIL import Image
import numpy as np
import forward
import mnist_backward
import mnist_test
#这是修改图片的格式，使其能够直接输入神经网络，执行预判

#定义一个函数，用于处理输入的图片，转化为值是在[0,1]的1×784的一维数组
def pre_picture(Picture_Path):
	#打开图片
	img = Image.open(Picture_Path)
	reIm = img.resize((28,28),Image.ANTIALIAS)
	#图片转化为单通道，并转化为数组
	img_array =  np.array(reIm.convert('L'))

	
	
	#因为mnist图片中纯黑色像素值为 0,纯白色像素值为 1
	#我们必须将图片也转化成这样，即二值化
	threshold =  50
	for i in range(28):
		for j in range(28):
			#因为我们图片背景是白色，mnist是黑底白字，所以得反转前景，取反
			img_array[i,j] = 255 - img_array[i,j]
			if img_array[i,j]<threshold:
				img_array[i,j] = 0
			else: img_array[i,j] = 255
	#然后转化图为一维数组[1,784]
	pre_array = img_array.reshape((1,784))
	#转化为浮点型
	pre_array = pre_array.astype(np.float32)
	#按比例缩放值到[0,1]
	img_ready = np.multiply(pre_array,1.0/255.0)
	
	return img_ready
			
#定义函数，批量加载图片并喂入神经网络,并返回预测的值
def restore_model(testPicArray):
	#创建默认的计算图，在该图中执行预测步骤
	with tf.Graph().as_default() as g:
		#输入的x占位
		x = tf.placeholder(tf.float32,shape=[None,forward.INPUT_NODE])
		#获取输出y
		y = forward.forward(x,None)
		#返回最大值为1的索引，并赋值给preValue
		preValue = tf.argmax(y,1)

		#实现滑动平均，参数MOVING_AVERAGE_DECAY用于控制模型更新的速度
		#训练过程中会对每个变量维护一个影子，这个影子的初始值就是相应变量的初始值
		variable_averages = tf.train.ExponentialMovingAverage(mnist_backward.MOVING_AVERAGE_DECAY)
		#加载滑动平均
		variables_to_restore = variable_averages.variables_to_restore()
		#实例化saver对象
		saver = tf.train.Saver(variables_to_restore)
		
			
		with tf.Session() as sess:
			#加载模型文件
			ckpt = tf.train.get_checkpoint_state(mnist_backward.MODEL_SAVE_PATH)
			#判断
			if ckpt and ckpt.model_checkpoint_path:
				#加载训练的模型
				saver.restore(sess,ckpt.model_checkpoint_path)
				#计算预测值
				preValue = sess.run(preValue,feed_dict={x:testPicArray})

				return preValue
			else:
				print "No checkpoint file found"
				return -1

#定义一个应用的函数
def application():
	test_Number = int(input("input the number of the test pictures:"))
	#循环输入图片，输入一张，预测一张
	for i in range(test_Number):
		Path =raw_input("input the image's path:")
		#图片预处理
		
		testPicArray = pre_picture(Path)
		preValue = restore_model(testPicArray)
		print "the preValue number is ",preValue
		

def main():
	application()


if __name__ == '__main__':
	main()

2.对制造数据集的总结

2_1.将自己的图片整理为数据集文件，用于神经网络的训练

1、数据集生成读取文件(mnist_generateds.py)
先介绍tfRecord文件：

  1. tfrecords:是一种二进制文件,可先将图片和标签制作成该格式的文件。使用 tfrecords 进行数据读取,会提高内存利用率。
  2. tf.train.Example: 用来存储训练数据。训练数据的特征用键值对的形式表示。
    如:‘ img_raw ’ :值 ‘ label ’ :值，值是 Byteslist/FloatList/Int64List类型
  3. SerializeToString( ):把数据序列化成字符串存储。

现在介绍生成 tfrecords 文件：

#coding:utf-8
import tensorflow as tf
import numpy as np
import Image

#设置数据集合生成的路径，以及保存路径。
tfRecord_train = ""
tfRecord_test = ""
data_path = ""
image_train_path ="" 
label_train_path = ""
image_test_path = ""
label_test_path = ""


def write_tfRecord(tfRecordName,image_Path,label_Path):
	#定义一个writer：
	writer = tf.python_io.TFRecordWriter(tfRecordName)
	#定义一个变量记录读取的图片的数量
	num_pic = 0
	#利用自带的函数，打开图片，读取的方式
	f = open(image_Path,'r')
	#一行一行的读取，存为列表
	contents = f.readlines()
	#关闭文件
	f.close()
	#遍历文件
	for content in contents:
		value = content.split()
		#获取图片的路径
		img_path = img_Path+valu[0]
		#读取图片
		img = Image.open(img_path)
		img_raw = img.tobytes()
		#创建标签，元素个数是10的列表
		labels = [0]*10
		#设置正确的标签
		labels[int(value[1])] = 1
		
		#转化为正确的样本文件,example,是把每张图片与标签封装到example
		example = tf.train.Example(features=tf.train.Features(feature={'img_raw':tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw])),'label':tf.train.Feature(int64_list=tf.train.Int64List(value=labels))}))
		#把example序列化
		writer.write(example.SerializeToString())
		#数量加一
		num_pic +=1
		print "the number of the picture:",num_pic

	#关闭writer
	writer.close()
	#写入成功
	print "write tfRecord successful"

解析 tfrecords 文件：

def generate_tfRecord():
	isExists = os.path.exists(data_path)
	if not isExists:
		#建立对应的目录保存数据样本集合
		os.makedirs(data_path)
		print"The directory was created successfully"
	else:
		print"the directory already exists"
	#开始转化tfRecord二进制文件
	write_tfRecord = (tfRecord_train,image_train_path,label_train_path)
	write_tfRecord = (tfTecord_test,image_test_path,label_test_path)

#定义一个函数解析tfRecord文件
def read_tfRecord(tfRecord_path):
	#下面这个函数：生成一个先入先出的队列，文本阅读器会用它来读取数据
	filename_queue = tf.train.string_input_producer([tfRecord_path])
	reader = tf.TFRecordReader()
	#把读出的样本保存在serialized_example中解序列化
	_,serialized_example = reader.read(filename_queue)
	#函数可以将tfl.train.Example协议块（protocol buffer 解析为张量）
	features = tf.parse_single_example(serialized_example,features={'label':tf.FixedLenFeature([10],tf.int64),'img_raw':tf.train.FixedLenFeature([],tf.string)})
	#将img_raw字符串转化为8位无字符号整数
	img = tf.decode_raw(features['img_raw'],tf.uint8)
	#设置形状
	img.set_shape([784])
	#将像素值转化到0,1之间
	img = tf.cast(img,tf.float32)*(1./255.0)
	#标签转化为浮点型
	label = tf.cast(features['label'],tf.float32)
	return img,label	

#定义一个函数实现获取tfTecord文件
def get_tfRecord(num,isTrain=True):
	if isTrain:
		tfRecord_path = tfRecord_train
	else:
		tfRecord_path = tfRecord_test
	img,label = read_tfRecord(tfRecord_path)
	#随机读取便签与图片
	img_batch,label_batch = tf.train.shuffle_batch([img,label],batch_size=num,num_threads=2,capacity=1000,min_after_dequeue=700)
	return img_batch,label_batch
def main():
	generate_tfRecord()
if __name__ =='__main__':
	main()

一些函数的解析：
注解:

  1. filename_queue = tf.train.string_input_producer([tfRecord_path])
    tf.train.string_input_producer( string_tensor,
    num_epochs=None,
    shuffle=True,
    seed=None,
    capacity=32,
    shared_name=None,
    name=None,
    cancel_op=None)
    该函数会生成一个先入先出的队列,文件阅读器会使用它来读取数据。
    参数说明:string_tensor: 存储图像和标签信息的 TFRecord 文件名列表
    num_epochs: 循环读取的轮数(可选)
    shuffle:布尔值(可选),如果为 True,则在每轮随机打乱读取顺序
    seed:随机读取时设置的种子(可选)
    capacity:设置队列容量
    shared_name:(可选) 如果设置,该队列将在多个会话中以给定名
    称共享。所有具有此队列的设备都可以通过 shared_name 访问它。在分布式设置
    中使用这种方法意味着每个名称只能被访问此操作的其中一个会话看到。
    name:操作的名称(可选)
    cancel_op:取消队列(None)

  2. reader = tf.TFRecordReader()#新建一个 reader

  3. _, serialized_example = reader.read(filename_queue)
    features = tf.parse_single_example(serialized_example,features={
    ‘img_raw’: tf.FixedLenFeature([ ], tf.string) ,
    ‘label’: tf.FixedLenFeature([10], tf.int64)})#把读出的每个样本保存在 serialized_example 中进行解序列化,标签和图片的键名应该和制作 tfrecords 的键名相同,其中标签给出几分类。
    tf.parse_single_example(serialized,
    features,
    name=None,
    example_names=None)
    该函数可以将 tf.train.Example 协议内存块(protocol buffer)解析为张量。
    参数说明:serialized: 一个标量字符串张量
    features: 一个字典映射功能键 FixedLenFeature 或 VarLenFeature
    值,也就是在协议内存块中储存的
    name:操作的名称(可选)
    example_names: 标量字符串联的名称(可选)

  4. img = tf.decode_raw(features[‘img_raw’], tf.uint8)
    #将 img_raw 字符串转换为 8 位无符号整型

  5. img.set_shape([784])
    #将形状变为一行 784 列

  6. img = tf.cast(img, tf.float32) * (1. / 255) #变成 0 到 1 之间的浮点数

  7. label = tf.cast(features[‘label’], tf.float32)#把标签列表变为浮点数

  8. return image,label #返回图片和标签(跳回到 get_tfrecord)

  9. tf.train.shuffle_batch( tensors,batch_size,
    capacity,
    min_after_dequeue,
    num_threads=1,
    seed=None,
    enqueue_many=False,
    shapes=None,
    allow_smaller_final_batch=False,
    shared_name=None,
    name=None)
    这个函数随机读取一个 batch 的数据。
    参数说明:tensors: 待乱序处理的列表中的样本(图像和标签)
    batch_size: 从队列中提取的新批量大小
    capacity:队列中元素的最大数量
    min_after_dequeue: 出队后队列中的最小数量元素,用于确保元素
    的混合级别
    num_threads: 排列 tensors 的线程数
    seed:用于队列内的随机洗牌
    enqueue_many: tensor 中的每个张量是否是一个例子
    shapes: 每个示例的形状
    allow_smaller_final_batch: (可选)布尔值。 如果为 True,则在
    队列中剩余数量不足时允许最终批次更小。
    shared_name:(可选)如果设置,该队列将在多个会话中以给定名称
    共享。
    name:操作的名称(可选)

  10. return img_batch,label_batch
    #返回的图片和标签为随机抽取的 batch_size 组

2_2.反向传播文件修改图片标签获取的接口(mnist_backward.py)，获取自己制造的数据集，测试文件修改图片标签获取的接口，获取自己生成的测试数据集(mnist_test.py)

这里只记录一些函数

关键操作:利用多线程提高图片和标签的批获取效率方法:将批获取的操作放到线程协调器开启和关闭之间

  1. 开启线程协调器:
    coord = tf.train.Coordinator( )
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
  2. 关闭线程协调器:
    coord.request_stop( )
    coord.join(threads)
    注解:
    tf.train.start_queue_runners( sess=None,
    coord=None,
    daemon=True,
    start=True,
    collection=tf.GraphKeys.QUEUE_RUNNERS)
    这个函数将会启动输入队列的线程,填充训练样本到队列中,以便出队操作可以
    从队列中拿到样本。这种情况下最好配合使用一个 tf.train.Coordinator ,这
    样可以在发生错误的情况下正确地关闭这些线程。
    参数说明:sess:用于运行队列操作的会话。 默认为默认会话。
    coord:可选协调器,用于协调启动的线程。
    daemon: 守护进程,线程是否应该标记为守护进程,这意味着它们不
    会阻止程序退出。
    start:设置为 False 只创建线程,不启动它们。
    collection : 指 定 图 集 合 以 获 取 启 动 队 列 的 GraphKey 。 默 认 为
    GraphKeys.QUEUE_RUNNERS。
雨夜※繁华
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
2021-01-11
m0_47757079的博客
01-11 291
MNIST数据集维度含义 MNIST数据集分析 MNIST是一个非常有名的手写体数字识别数据集(手写数字灰度图像数据集)，在很多资料中，这个数据集都会被用作深度学习的入门样例。 MNIST数据集是由0 到9 的数字图像构成的。训练图像有6 万张，测试图像有1 万张。MNIST数据集是NIST数据集的一个子集，它包含了60000张图片作为训练数据，10000张图片作为测试数据。每一张图片都有对应的标签数字，训练图像一共高60000 张，供研究人员训练出合适的模型。测试图像一共高10000 张，供研究人员测试
tensorflow学习笔记2
weixin_46921574的博客
09-17 178
一、随机梯度下降 1.梯度下降简介 2.激活函数及其梯度 sigmoid: tanh: relu: 3.Loss及其梯度 4.单输出感知器及其梯度 5.多输出感知器及其梯度 6.链式法则 7.多层感知机梯度 8.函数优化 二、keras高层接口 ...
像素值为什么归一化？归一化作用？
weixin_66732375的博客
10-18 2453
像素值为什么归一化？归一化作用？
关于读取及使用MNIST数据集
TO
02-13 3065
一、下载 推荐网盘下载，不用代码下载。不然太慢。 MNIST数据集包含四个压缩包，后两个是用于训练（分为images和labels），前两个用于测试（同样分为images和labels）。其中内容是不可读的：如。 其中，训练样本总共有60000个，包括55000用于训练，5000用于验证。对应得，有60000个标签（0-9）； 测试样本有10000个。 二、读取数据集的像素值 1、...
编程手记--逻辑回归实现MNIST数据集分类
OuDiShenmiss的博客
04-01 2011
1 MNIST手写数据集 经典的MNIST数据集包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议，期刊的论文中发现这个数据集的身影。实际上，MNIST数据集已经成为算法作者的必测的数据集之一。有人曾调侃道：“如果一个算法在MNIST上不work, 那么它就根本没法用；而如果它在MNIST上work, 它在其...
【Tensorflow2.0】tensorflow中的Input()函数
sxl的博客
02-09 904
shape：一个表示张量的维度的元组。不包含batch size信息。例如，shape=(32，)表示输入的将是一批32维的向量。注意，即使在初始化中只使用不含batch size信息的shape参数，函数最终的输出也会默认加上值为None的batch size信息，例如，初始化Input(shape=(None, None, 3))，则最终返回的tensor为(None, None, None, 3)，第一个None就是batch size信息。作用：初始化深度学习网络输入层的tensor。
Tensorflow笔记
博客
09-25 3326
人工智能实践：Tensorflow笔记 第一章 神经网络的计算 1.1 人工智能三个学派 人工智能 让机器具备人的思维和意识。 人工智能的三学派 行为主义：基于控制论，构建感知-动作控制系统。（控制论、如：平衡、行走、避障等自适应控制系统） 符号主义：基于算数逻辑表达式，求解问题时先把问题描述为表达式，再求解表达式。（可用公式描述、实现理性思维、如专家系统） 连接主义：仿生学、模仿神经元连接关系。（防脑神经元连接、实现感性思维、如神经网络） 理解：基于连结主意的神经网络设计过程。 用计算机仿出神经网络连接
tensorflow笔记
07-18
在提供的 "tensorflow笔记" 文件中，你将找到关于这些概念的详细解释和示例代码，包括如何构建和训练一个简单的 CNN 模型，以及如何理解和解释代码执行的过程。这是一份非常有价值的 TensorFlow 学习资料，适合初学...
tensorflow笔记课程代码
12-12
北京大学曹 老师的tensorflow课程笔记，数字识别相关代码，编辑器为PyCharm
Tensorflow笔记61
08-03
**TensorFlow笔记61——循环神经网络（RNN）详解** 循环神经网络（Recurrent Neural Network，RNN）是一种能够处理序列数据的深度学习模型，尤其适用于自然语言处理、音频识别和时间序列预测等领域。RNN的核心是其...
TensorFlow笔记41
08-04
在本篇TensorFlow笔记41中，我们主要探讨了如何使用tf.keras库来搭建神经网络并扩展其功能，包括自制数据集、数据增强、以及断点续训等关键环节。 首先，回顾tf.keras搭建神经网络的六步法： 1) 导入必要的库和包，...
python笔记4：数据归一化（0,1），归至（-1,1）
热门推荐
weixin_46248767的博客
12-13 3万+
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 python笔记4：数据归一化（0,1），归至（-1,1）一、pytorch里tensor数据归一化1.tensor数组全局归一化2.tensor数组指定维度归一化二、pytorch里tensor数据归至(-1,1) 一、pytorch里tensor数据归一化 1.tensor数组全局归一化 数学公式 将数组中的无论正负数值归一化到[0, 1]之间 ​ 具体操作如下： 定义函数，输入参数为
深度学习-Tensorflow1.x之Softmax函数代码实现对比在Tensorflow1.x与 Numpy
Harry的博客
03-23 604
Sofmax 把一些输入数据映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也刚好为1 Softmax 的计算的公式 用Tensorflow1.4 与Numpy 分别实现 softmax 函数。 import numpy as np import tensorflow as tf tf.compat.v1.disable_eager_execution() #假设我们的神经...
深度学习-第P1周——实现mnist手写数字识别
最新发布
qq_60245590的博客
06-09 305
在许多图像数据集中，像素值的范围通常是从0到255，其中0代表黑色，255代表白色。这种归一化通常用于确保所有输入特征（在这种情况下是像素值）都在一个相似的范围内，这有助于模型在训练过程中更快地收敛。在训练过程中，可以通过设置回复函数（如EarlyStopping、ModelCheckpoint等）来监控训练过程并采集相应的操作。使用model.summary()函数打印模型的摘要信息，其中包含每一层的名称、输出形状和参数数量等。训练完成后，模型的权力和参与数字会被更新，可以使用该模型进行预测或评估任务。
数据归一化
明明的博客
03-27 947
为什么要数据归一化 先举例： 如上两个样本所示，如果计算两个样本之间的欧拉距离，那么样本间的距离就会被发现时间所主导 什么是数据归一化 就是将所有的数据映射到统一尺度中 常用方法 最值归一化：把所有数据映射到0-1之间 适用于分布有明显边界的情况（考试成绩，像素值），缺点是对于没有明显边界的情况处理较差（如：个人收入） 均值方差归一化：把所有数据归一到均值为0，方差为1的分布中 适用于数据分...
tensorflow 图像预处理（下）
Happme的博客
05-27 498
图像色彩调整 跟图像的翻转类似，调整色彩的亮度、对比度、饱和度和色相在很多图像识别应用中都不会影响识别结果；所以在训练神经网络模型时，可以随机调整训练图像的这些属性，从而使训练得到的模型尽可能小的受到这些无关因素的影响 import tensorflow as tf import matplotlib.pyplot as plt # 读取图像的原始数据 image_raw_data = t...
Python核心编程---读书笔记：第8章 条件和循环
qingyuanluofeng的专栏
03-20 437
第8章条件和循环  8.1if语句 多重条件表达式,and , or , not elif: 三元操作符： smaller = x if x 符合条件，返回前面的；否则，返回后面的   def getMin(num1 , num2):     smaller = num1 if num1 < num2 else num2     return smaller   8.5
tensorflow中手写识别笔记
weixin_30755709的博客
05-16 92
教程链接：https://www.w3cschool.cn/tensorflow_python/tensorflow_python-c1ov28so.html tensorflow 常用的函数: # 导入tensorflow,使用tf代替 import tensorflow as tf # 计算x,和w的乘积,这里计算x矩阵和w矩阵的乘积 tf.matmul(x, w) ...
神经网络中的数据格式（很重要）
一条小黑龙的博客
12-17 6173
简介 神经网络只能识别数字，即int或float，我们的文本啊，图片啊，语音啊都要转化为相应的数字才能处理，我们针对不同的载体，每种类型的数字格式是不同的 数据格式 现实生活中的数据格式： 结构化数据（数据表（班级名单、股票价格）） 非结构化数据（序列（文本）、图片、视频） 神经网络中可以使用的数据： 数据表-2D——形状=（样本数、特征数） 一般可以使用csv或者excel存储，样本数为行数，特征数为列数 序列表-3D——形状=（样本数、步长、特征数） 一般称为3D张量，通常用来表示文本。一段
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

雨夜※繁华

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值