【神经网络】tensorflow -- 期中测试试题

题目一：（20分）

请使用Matplotlib中的折线图工具，绘制正弦和余弦函数图像，其中x的取值范围是，效果如图1所示。
要求：
(1)正弦图像是蓝色曲线，余弦图像是红色曲线，线条宽度为2.5；
(2)标题为:“正/余弦函数图像”，字体颜色为黑色，大小为16；
(3)横坐标标签为:“x轴”，纵坐标标签为“y轴”，字体大小为12。

		图1 正/余弦函数

① 代码

import matplotlib.pyplot as plt
import numpy as np

# 用于正常显示中文标签
plt.rcParams['font.sans-serif'] = 'SimHei'
# 用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False
# 获取x坐标
x = np.arange(-1 * np.pi,np.pi,0.1)
# 获取y坐标
y1=np.sin(x)

y2=np.cos(x)

plt.plot(x,y1,label='正弦',color='b',linewidth=2.5)

plt.plot(x,y2,label='余弦',color='r',linewidth=2.5)
# x,y轴的最小最大值
plt.xlim(-1*np.pi,np.pi)

plt.ylim(-1.5,1.5)
# 设置x,y轴的坐标刻度
plt.xticks([-np.pi,-np.pi/2,0,np.p/2,np.pi],
                        [r'$-\pi$',r'$-\pi/2$',r'$0$',r'$\pi/2$',r'$\pi$'])

plt.yticks([-1,0,1])

plt.title('正/余弦函数图像',color='black',fontsize=16)

plt.xlabel('x轴',fontsize=12)

plt.ylabel('y轴',fontsize=12)

plt.legend()

plt.show()

② 实验结果

题目二：（40分）

请使用Windows中的“画图”工具，手写数字0-9，对图像进行适当的裁剪和处理后，保存为MNIST数据集的格式，具体步骤与要求如下：
步骤：
(1)使用Windows中的“画图”工具，手写数字0-9，并裁剪为适当尺寸的单个数字后，保存为图像文件，如图2所示；
(2)对裁剪过的图像进行反色、二值化处理，使图像呈现为黑底白字,如图3、4所示；
(3)对图像进行缩放，变换为2828像素的二值图像，如图5所示；
(4)将处理好的图像保存为与MNIST数据集相同的多维数组形式。

拓展要求：
在白纸上用黑色的笔写数字，拍照后，转换为MNIST数据集的格式。
提示：
(1)可以使用“全能扫描王”等工具优化所拍的图像，如图6所示；
(2)尝试用笔尖不同粗细的黑色笔写数字，看看什么情况下效果最好；
(3)在二值化之前先用高斯函数处理图像，看看效果有什么不同。
（高斯函数如表1所示。）

图2 图像裁剪

图3 反色处理

图4 图像二值化

图5 28×28像素图像
手写原图像 工具优化后的图像

图6 手写原图与工具优化后图像的对比图
① 主要函数及参数说明
def fomatPng(i) ，初始化图片函数，i为图片

② 代码

import numpy as np

import matplotlib.pyplot as plt

from PIL import Image

# 初始化图片
def fomatPng(i):
        # 打开图像，返回image对象
        img = Image.open("D:\\ui\haohaoxuexi\\神经网络\\me\\code\\image\\%d.png" % i)
        # 转换图像的色彩模式为二值图像
        img_gary = img.convert("1")
        # 将图像转换为数组
        arr_img_gary = np.array(img_gary)
        # 反色处理
        arr_img_fanzhi = np.invert(arr_img_gary)
        # 将数组转换为img
        img_fanzhi = Image.fromarray(arr_img_fanzhi)
        # 缩放图像为28*28
        img_small = img_fanzhi.resize((28, 28))
        plt.imshow(img_fanzhi)
        print(np.array(img_small))
        arr_img_small = np.array(img_small).reshape(1, 28, 28)
        return arr_img_small

train_x = fomatPng(0)
train_y = np.array((0, ))

for i in range(1, 10):
     # 数组拼接
     train_x = np.concatenate((train_x, fomatPng(i)))
     train_y = np.append(train_y, i)

print(train_x.shape)
print(train_y.shape)

for i in range(0,10):
    plt.subplot(2, 5, i + 1)
    plt.axis("off")
    plt.imshow(train_x[i],cmap="gray")
    plt.show()

③ 实验结果

④ 实验小结

题目三：（40分）
Fashion MNIST数据集中包含10种类别、共7万张不同商品的正面图像。在Keras中集成了Fashion MNIST数据集，被划分为训练集和测试集。
下载数据集，并完成以下要求：
要求：
(1)下载Fashion MNIST数据集，读取训练集和测试集数据，分别放在NumPy数组train_x、train_y、test_x、test_y中（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签）
(2)编写代码段，查看训练集和测试集的样本数、形状，并查看数据集中的10类标签分别是什么。
(3)从训练集中选择前10张图像，对每张图像分别进行以下变换：转置、上下翻转、顺时针旋转10度、逆时针旋转10度、水平镜像，将图像数量由10张增加到60张，并将处理后的图像保存在多维数组train_x_aug1中。
(4)将train_x_aug1中的图像显示在10×6子图布局的画布中，其中第1列为原图，第2-6列为变换后的效果，每列图像的上方显示变换效果。全局标题为“Fashion Mnist数据增强”。字体颜色、字号、以及其他版式细节自定义，要求清晰、简洁、美观。
(5)要求(3)中，进行旋转操作时，如果要求旋转方向和角度随机，应该如何做？尝试对前10张图像完成以上变换，将结果保存在多维数组train_x_aug2中，并以清晰、美观的形式展示结果。
(6)要求(5)中，如果要求变换方式也随机选择，应该如何做？尝试对前100张图像，每张图像实现5种随机变换，并将结果保存在多维数组train_x_aug3中。随机选择其中的10张原图，把变换的结果展示出来。
拓展要求：
对图像进行缩放时，图像的像素会改变，要求对图像分别缩小10%、放大10%，缩放后图像尺寸仍保持2828，应该怎么做？
相关函数如表2所示：
表2 相关函数
序号 函数 函数功能 函数相关库
1 fashion_mnist=tf.keras.datasets.fashion_mnist 下载Fashion MNIST数据集 Keras库
2 对象名.rotate() 图像旋转度 PIL库
3 Image(类名).fromarray(obj)
将对象obj从Numpy数组格式转化为Image格式 PIL库Image类

4 对象名.tolist() 将数组或矩阵转化为列表 Numpy库
5 对象名.append(obj) 在数组或列表末尾追加新的对象obj Python内置函数
6 random(类名).choice(seq) 从指定序列seq中返回一个随机选择的元素。Seq可以是字符串，列表，元组或任何其他种类的序列 Random库

7 对象名.pad(array, pad_width, mode,constant_values ) 向array数组中以mode模式，按照pad_width指定的维度，填充constant_values指定的数值 Numpy库
① 主要函数及参数说明
1）展示图片函数：pics为图片数组，title为标题
def showPic(pics, titles):
2）显示标签函数：i为图片的下标
def get_fasion_mnist_labels(i):
3）随机变换函数：img为要变换的图片
def randomTran(img):
② 代码

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
def show(train_x, titles):
    plt.rcParams['font.sans-serif'] = "SimHei"   #字体设置
    plt.figure(figsize=(8, 15))   #画布大小设置
    index = 1
    for i in train_x:
        plt.subplot(10, 6, index)     #10行6列 第x个位置的图片
        plt.title(titles[index % 6 - 1], fontsize=6)     #取标签  取余的方式 循环输出每组图片
        plt.axis("off")     #关闭坐标轴
        plt.imshow(i)    #显示第几张图片
        index += 1
    plt.suptitle("Fashion Mnist 数据增强")
    plt.show()
def Choose_way(img):
    k = np.random.randint(0, 6, 1)    #创建一个只有0-5的随机数组 用于随机选择处理方式
    if k == 0:
        return np.array(img.transpose(Image.TRANSPOSE)).reshape(1, 28, 28)  # 转置
    if k == 1:
        return np.array(img.transpose(Image.FLIP_TOP_BOTTOM)).reshape(1, 28, 28)  # 上下翻转
    if k == 2:
        return np.array(img.rotate(-10)).reshape(1, 28, 28)  # 顺时针10度
    if k == 3:
        return np.array(img.rotate(10)).reshape(1, 28, 28)  # 逆时针10度
    if k == 4:
        return np.array(img.transpose(Image.FLIP_LEFT_RIGHT)).reshape(1, 28, 28)  # 水平镜像
    if k == 5:
        return np.array(img.transpose(Image.TRANSVERSE)).reshape(1, 28, 28)  # 上下翻转
def Show_message():
    print("训练集x的样本数:", len(train_x))
    print("训练集y的样本数:", len(train_y))
    print("测试集x的样本数:", len(test_x))
    print("测试集y的样本数:", len(test_y))
    print("训练集x的形状:", train_x.shape)
    print("训练集y的形状:", train_y.shape)
    print("测试集x的形状:", test_x.shape)
    print("测试集y的形状", test_y.shape)
def Show_label_train_y():
    class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag',
                   'Ankle boot']
    label_train_y = np.sort(train_y)  # 对数据集里面的值进行从小到大排序   无数个000 111 222 - 99999
    temp = -1
    for i in label_train_y:         #遍历  且防止输出重复的数字
        if i > temp:
            print("数据集中类标签有：",i+1, class_names[i])
            temp = i
def mode1():
    train_x_aug1 = train_x[0].reshape(1, 28, 28)
    for i in range(0, 10):
        img = Image.fromarray(train_x[i])
        # 第一幅图不处理，第二幅图处理
        if i != 0:
            train_x_aug1 = np.concatenate((train_x_aug1, train_x[i].reshape(1, 28, 28)))  # 将第一幅图片加入trainx_x_aug1
        train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.transpose(Image.TRANSPOSE)).reshape(1, 28, 28)))  # 转置
        train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.transpose(Image.FLIP_TOP_BOTTOM)).reshape(1, 28, 28)))  # 上下翻转
        train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.rotate(-10)).reshape(1, 28, 28)))  # 顺时针10度
        train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.rotate(10)).reshape(1, 28, 28)))  # 逆时针10度
        train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.transpose(Image.FLIP_LEFT_RIGHT)).reshape(1, 28, 28)))  # 水平镜像
    titles = ['原图', '转置', '上下翻转', '顺时针旋转10度', '逆时针旋转10度', '水平镜像']
    show(train_x_aug1, titles)  # train_x_aug1 包含了60张图
    print(train_x_aug1)

def mode2():
    train_x_aug2 = train_x[0].reshape(1, 28, 28)
    for i in range(0, 10):  #依次处理10幅图  内部再对每幅图处理成6种状态
        k = np.random.randint(-180, 180, 5)  # 旋转角度随机数
        img = Image.fromarray(train_x[i])
        if i != 0:
            train_x_aug2 = np.concatenate((train_x_aug2, train_x[i].reshape(1, 28, 28)))
        for j in range(0,5):
            train_x_aug2 = np.concatenate((train_x_aug2, np.array(img.rotate(k[j])).reshape(1, 28, 28)))  #循环四次添加各种角度处理后的图片
    titles = ['原图', '随机1', '随机2', '随机3', '随机4', '随机5']
    show(train_x_aug2, titles)


def mode3():
    train_x_aug3 = train_x[0].reshape(1, 28, 28)
    for i in range(0, 100):
        img = Image.fromarray(train_x[i])  #取100张图片   每张图片随机5种处理方式
        if i != 0:
            train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))
        train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))
        train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))
        train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))
        train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))
        train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))

    r = np.random.randint(0, 100, 10)
    train_x_aug3_show = train_x_aug3[r[0]*6:r[0] * 6 + 6 ]
    for x in range(1, 10):  #在前6张图后面再加9次6张图
        train_x_aug3_show = np.concatenate((train_x_aug3_show, train_x_aug3[r[x] * 6:r[x] * 6 + 6]))
    titles = ['原图', '随机1', '随机2', '随机3', '随机4', '随机5']
    show(train_x_aug3_show, titles)
if __name__ == '__main__':
    fashion_mnist = tf.keras.datasets.fashion_mnist   #下载数据集
    (train_x, train_y), (test_x, test_y) = fashion_mnist.load_data()#train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签
    Show_message()   #  查看训练集和测试集的样本数、形状
    Show_label_train_y()  #查看数据集中的10类标签分别是什么  标签是放在train_y里面的
    #取从第一幅图开始的10张图进行处理
    mode1()
    mode2()
    mode3()

③ 实验结果
中间部分图省略

④ 实验小结