neural style 中的常用函数

1.scipy.misc.imresize函数重建图像

scipy.misc.imresize(arr, size, interp='bilinear', mode=None)

Parameters:

	arr : ndarray The array of image to be resized. size : int, float or tuple int - Percentage of current size. float - Fraction of current size. tuple - Size of the output image. interp : str, optional Interpolation to use for re-sizing (‘nearest’, ‘lanczos’, ‘bilinear’, ‘bicubic’or ‘cubic’). mode : str, optional The PIL image mode (‘P’, ‘L’, etc.) to convert arr before resizing.
Returns:	imresize : ndarray The resized array of image.

2.元组的加

前提：content_image.shape=1066×800×3

IN:      shape = (1,) + content_image.shape

OUT:  (1, 1066, 800, 3)

3.numpy.dstack(tup)

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.dstack((a,b))
array([[[1, 2],
        [2, 3],
        [3, 4]]])
 
 

  
  

   
   

>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.dstack((a,b))
array([[[1, 2]],
       [[2, 3]],
       [[3, 4]]])

  
  
 
 

4.TensorFlow程序读取数据

共有3种方法:

• 供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。
• 从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。
• 预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。

4.1 供给数据

      TensorFlow的数据供给机制允许你在TensorFlow运算图中将数据注入到任一张量中。因此，python运算可以把数据直接设置到TensorFlow图中。

通过给run()或者eval()函数输入 feed_dict 参数， 可以启动运算过程。

with tf.Session():
  input = tf.placeholder(tf.float32)
  classifier = ...
  print classifier.eval(feed_dict={input: my_python_preprocessing_fn()})

设计placeholder节点的唯一的意图就是为了提供数据供给(feeding)的方法。placeholder节点被声明的时候是未初始化的， 也不包含数据， 如果没有为它供给数据， 则TensorFlow运算的时候会产生错误， 所以千万不要忘了为placeholder提供数据。

5.for...in....

eg1:

for letter in 'Python':                           

       print '当前字母 :', letter

输出结果：

当前字母 : P
当前字母 : y
当前字母 : t
当前字母 : h
当前字母 : o
当前字母 : n

eg2：

fruits = ['banana', 'apple', 'mango']

for fruit in fruits:                 

      print '当前字母 :', fruit

输出结果：

当前字母 : banana
当前字母 : apple
当前字母 : mango

通过序列索引迭代,

另外一种执行循环的遍历方式是通过索引

fruits = ['banana', 'apple', 'mango']

for index in range(len(fruits)):

      print '当前水果 :', fruits[index]

neural style代码：

for i in range(len(style_images)):
        style_scale = STYLE_SCALE
        if options.style_scales is not None:
            style_scale = options.style_scales[i]
        style_images[i] = scipy.misc.imresize(style_images[i], style_scale *
                target_shape[1] / style_images[i].shape[1])