python中用tensorflow怎样提取多张图片的特征

Posted 2023-05-05

参考技术A

可以将多张图片按照channel拼接，用2d卷积提取特征。

拼接成3维图片，用3d卷积提取特征

TensorFlow实现XOR

TensorFlow基础

1、概念

• TF使用图表示计算任务，图包括数据（Data）、流（Flow）、图（Graph）
• 图中节点称为op，一个op获得多个Tensor
• Tensor为张量，TF中用到的数据都是Tensor
• 图必须在会话中启动

示例

计算两个矩阵的乘积，

x = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])
y = tf.constant([[0,0,1.0],[0,0,1.0],[0,0,1.0]])
z = tf.matmul(x3,y3)

# Session激活z,得到计算结果
with tf.Session() as sess:
    print(sess.run(z))
    

2、Tensor类型

（1）常量

值不可变

constant(
    value,(数值)
    dtype=None,(数据类型)
    shape=None,(指定形状)
    name='Const',(命名)
    verify_shape=False()
)

代码

x = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]],dtype=tf.float32,shape=[3,3],name='x')

# 简写
x = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])

（2）变量

代码

v2=tf.Variable(tf.constant(2),name='x')

（3）占位符

定义过程，执行时赋值

placeholder(
    value,(数值)
    dtype=None,(数据类型)
    shape=None,(指定形状)
)

代码

x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
z = tf.multiply(x, y)

with tf.Session() as sess:
    print(sess.run(z, feed_dict={x:[1.0] , y: [2.0]}))
    

（4）平均值

计算张量的各个维度上的元素的平均值。

reduce_mean(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

代码

x = tf.constant([[1.0,2.0],[3.0,4.0]],dtype=tf.float32,shape=[2,2])
tf.reduce_mean(x) ==> 2.5
tf.reduce_mean(x, 0) ==> [2. 3.]
tf.reduce_mean(x, 1) ==> [1.5 3.5]

(5) 优化器

tf.train.GradientDescentOptimizer是实现梯度下降算法的优化器。

机器学习、深度学习概念

1、代价函数

整个训练集上所有样本误差的平均。

2、目标函数

经过优化后，期望获得的函数。

3、激活函数

负责将神经元的输入映射到输出端。增加神经网络模型的非线性。

激活函数几种常见类型：

• sigmod函数

[ f(x) = frac 1 {1+e^{-1}} ]

• tanh函数

[ f(x) = frac {e^x-e^{-x}} {e^x+e^{-x}} ]

• Relu函数

[ f(x)= egin{cases} 0 &x le 0 \\ x &x>0 end{cases} ]

4、学习率

学习率决定参数移动到最优值的速度快慢。学习率过大，会越过最优值。学习率过小，优化效率低。

5、前向传播（Forward Propagation）

第n层神经元的值决定第n+1层神经元的值。

6、反向传播（Back Propagation）

通过前向传播获取到的结果。为减少误差，进行反向求偏导数，修正参数，再进行前向传播，一直迭代，直到训练获得最小的误差。

代码实现

import numpy as np
import tensorflow as tf

# 训练样本占位
data = tf.placeholder(tf.float32, shape=(4, 2))
label = tf.placeholder(tf.float32, shape=(4, 1))

with tf.variable_scope('layer1') as scope:
  # 权重
  weight = tf.get_variable(name='weight', shape=(2, 2))
  # 偏置项
  bias = tf.get_variable(name='bias', shape=(2,))
  x = tf.nn.sigmoid(tf.matmul(data, weight) + bias)

with tf.variable_scope('layer2') as scope:
  weight = tf.get_variable(name='weight', shape=(2, 1))
  bias = tf.get_variable(name='bias', shape=(1,))
  x = tf.matmul(x, weight) + bias

# 激活函数
preds = tf.nn.sigmoid(x)

# 损失函数
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=label, logits=x))

# 学习率占位
learning_rate = tf.placeholder(tf.float32)

# 梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

# 训练样本
train_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
train_label = np.array([[0], [1], [1], [0]])

# 执行
with tf.Session() as sess:
  
  # 初始化变量
  sess.run(tf.global_variables_initializer())
  
  for step in range(10000):
    if step < 3000:
      lr = 1
    elif step < 6000:
      lr = 0.1
    else:
      lr = 0.01
    _, l, pred = sess.run([optimizer, loss, preds], feed_dict={data: train_data, label: train_label, learning_rate: lr})
    if step % 500:
      print('Step: {} -> Loss: {} -> Predictions: {}'.format(step, l, pred))
      

TensorBoard与计算图可视化

TensorBoard是一个可视化工具，能够有效地展示Tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。

代码

writer = tf.summary.FileWriter('graphs',tf.get_default_graph())
writer.close()

打开图，输入命令

[email protected]:~/test$ tensorboard --logdir=graphs
TensorBoard 1.11.0 at http://fangzhijie-PC:6006 (Press CTRL+C to quit)

计算图显示

运行结果

...

Step: 9993 -> Loss: 0.3484194874763489 -> Predictions: [[0.00179099]
 [0.49935436]
 [0.9978059 ]
 [0.50105   ]]
Step: 9994 -> Loss: 0.3484194874763489 -> Predictions: [[0.00179098]
 [0.49935436]
 [0.9978059 ]
 [0.50105   ]]
Step: 9995 -> Loss: 0.3484194874763489 -> Predictions: [[0.00179098]
 [0.49935436]
 [0.9978059 ]
 [0.50105   ]]
Step: 9996 -> Loss: 0.3484194874763489 -> Predictions: [[0.00179097]
 [0.49935436]
 [0.9978059 ]
 [0.50105   ]]
Step: 9997 -> Loss: 0.3484194576740265 -> Predictions: [[0.00179096]
 [0.49935436]
 [0.9978059 ]
 [0.50105   ]]
Step: 9998 -> Loss: 0.3484194278717041 -> Predictions: [[0.00179096]
 [0.49935436]
 [0.9978059 ]
 [0.50105   ]]
Step: 9999 -> Loss: 0.3484194278717041 -> Predictions: [[0.00179095]
 [0.49935436]
 [0.9978059 ]
 [0.50104994]]