TensorFlow实现简单图像探索

• 
  
  
  #首先引入所需要的基本包
  
  
  
• 
  
  
  import
  pandas
  as
  pd
  
  
• 
  
  
  import
  numpy
  as
  np
  
  
• 
  
  
  import
  matplotlib.pyplot
  as
  plt
  
  
• 
  
  
  import
  tensorflow
  as
  tf
  
  
• 
  
  
  
  
• 
  
  
  #读matlab文件
  
  
  
• 
  
  
  from
  scipy.io
  import
  loadmat
  as
  load
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  #读取数据
  
  
  
• 
  
  train= load(
  '/Users/chenbin/Desktop/TensorFlow/test_ml/train_32x32.mat'
  )
  
  
• 
  
  test= load(
  '/Users/chenbin/Desktop/TensorFlow/test_ml/test_32x32.mat'
  )
  
  
• 
  
  
  
  
• 
  
  
  #这时后，我们可以打印数据的shape进行观察。
  
  
  
• 
  
  print(train[
  'X'
  ].shape)
  
  
• 
  
  print(train[
  'y'
  ].shape)
  
  
• 
  
  
  
  
• 
  
  print(test[
  'X'
  ].shape)
  
  
• 
  
  print(test[
  'y'
  ].shape)
  
  
• 
  
  
  
  
• 
  
  
  """
  
  
  
• 
  
  
  结果为：
  
  
  
• 
  
  
  (32,32, 3, 73257)
  
  
  
• 
  
  
  (73257,1)
  
  
  
• 
  
  
  (32,32, 3, 26032)
  
  
  
• 
  
  
  (26032,1)
  
  
  
• 
  
  
  训练集为73257个样本，测试集26032个样本，每个样本是32*32像素，3个像素通道，后面我们将其转化为1个通道，用灰度图显示，另外会将X样本量改为第一位置，符合我们平时处理的规格。
  
  
  
• 
  
  
  
  
• 
  
  
  """
  
  
  
• 
  
  
  
  
• 
  
  
  """
  
  
  
• 
  
  
  下面我们定义三个函数reformat(samples,labels) normalize(samples)，inspect(dataset, labels, i)：
  
  
  
• 
  
  
  
  
  
• 
  
  
  reformat用来改变原始数据格式，并对lable进行独热编码（one-hot encoding）。
  
  
  
• 
  
  
  
  
  
• 
  
  
  normalize用来对数据进行灰度化（
  
  
  
• 
  
  
  将三色通道转化为单色通道），把数据映射到 -1.0 ~ +1.0之间。
  
  
  
• 
  
  
  
  
  
• 
  
  
  inspect将图片显示有助于观察。
  
  
  
• 
  
  
  """
  
  
  
• 
  
  defreformat(samples, labels):
  
  
• 
  
  
  # 改变原始数据的形状
  
  
  
• 
  
  
  # （ 0 1 2 3） （ 3 0 1 2）
  
  
  
• 
  
  
  # (图片高，图片宽，通道数，图片数) -> (图片数，图片高，图片宽，通道数)
  
  
  
• 
  
  new = np.transpose(samples, (
  3
  ,
  0
  ,
  1
  ,
  2
  )).astype(np.float32)
  
  
• 
  
  
  
  
• 
  
  
  # labels 变成 one-hot encoding,[2] -> [0, 0, 1, 0, 0, 0, 0, 0, 0, 0]
  
  
  
• 
  
  
  # digit 0 , represented as 10
  
  
  
• 
  
  
  # labels 变成 one-hot encoding,[10] -> [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
  
  
  
• 
  
  labels = np.array([x[
  0
  ]
  for
  x inlabels])
  
  
• 
  
  one_hot_labels = []
  
  
• 
  
  
  for
  num
  in
  labels:
  
  
• 
  
  one_hot = [
  0.0
  ] *
  10
  
  
  
• 
  
  
  if
  num ==
  10
  :
  
  
• 
  
  one_hot[
  0
  ] =
  1.0
  
  
  
• 
  
  
  else
  :
  
  
• 
  
  one_hot[num]=
  1.0
  
  
  
• 
  
  one_hot_labels.append(one_hot)
  
  
• 
  
  labels =np.array(one_hot_labels).astype(np.float32)
  
  
• 
  
  
  return
  new, labels
  
  
• 
  
  
  
  
• 
  
  defnormalize(samples):
  
  
• 
  
  
  """
  
  
  
• 
  
  
  灰度化: 从三色通道 -> 单色通道 省内存 ，加快训练速度
  
  
  
• 
  
  
  (R + G + B) / 3
  
  
  
• 
  
  
  将图片从 0 ~ 255 线性映射到-1.0 ~ +1.0
  
  
  
• 
  
  
  """
  
  
  
• 
  
  a = np.add.reduce(samples,keepdims=
  True
  , axis=
  3
  )
  # shape (图片数，图片高，图片宽，通道数)，将samples沿着原来格式相加
  
  
  
• 
  
  a = a/
  3.0
  
  
  
• 
  
  
  return
  a/
  128.0
  -
  1.0
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  definspect(dataset, labels, i):
  
  
• 
  
  
  # 将图片显示出来
  
  
  
• 
  
  
  if
  dataset.shape[
  3
  ] ==
  1
  :
  
  
• 
  
  shape = dataset.shape
  
  
• 
  
  dataset =dataset.reshape(shape[
  0
  ], shape[
  1
  ], shape[
  2
  ])
  
  
• 
  
  print(labels)
  
  
• 
  
  plt.imshow(dataset)
  
  
• 
  
  plt.show()
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  #这时候我们就可以测试一下，打印一张图片看看
  
  
  
• 
  
  train_samples = train[
  'X'
  ]
  
  
• 
  
  train_labels = train[
  'y'
  ]
  
  
• 
  
  _train_samples,_train_labels = reformat(train_samples, train_labels)
  
  
• 
  
  
  
  
• 
  
  inspect(_train_samples,_train_labels,
  123
  )
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  #结果为:
  
  
  
• 
  
  [
  0.
  0.
  0.
  0.
  0.
  0.
  1.
  0.
  0.
  0.
  ]
  
  
  

更多免费技术资料可关注：annalin1203