3- OpenCV+TensorFlow 入门人工智能图像处理-TensorFlow入门

tensorflow基础入门

思考一个问题:

如何刚好学习TensorFlow

  • 类比为一门开发语言,学会语法,api的调用, 原理性掌握。

语言的要素:

基础数据类型 运算符 流程 字典 数组

import tensorflow as tf# 常量,指定数据类型
data1 = tf.constant(2,dtype=tf.int32)# 变量,指定变量名
data2 = tf.Variable(10,name='var')print(data1)
print(data2)
mark
mark

并没有打印出数值,而是描述信息。

TensorFlow中所有的操作都得在会话中被执行。

import tensorflow as tf# 常量,指定数据类型
data1 = tf.constant(2,dtype=tf.int32)# 变量,指定变量名
data2 = tf.Variable(10,name='var')print(data1)
print(data2)'''
sess = tf.Session()
print(sess.run(data1))# 这里可以正确打印出data1init = tf.global_variables_initializer()
sess.run(init)# 但是当我们仍要用这个sess打印data2时会报错
# 对于变量数值,我们要进行初始化。
print(sess.run(data2))
sess.close()
# 本质 tf = tensor + 计算图
# tensor 数据
# op 
# graphs 数据操作
# session
'''
init = tf.global_variables_initializer()
sess = tf.Session()
with sess:sess.run(init)print(sess.run(data1))print(sess.run(data2))
mark
mark

TensorFlow运算实质

mark
mark

tensorflow 由张量和计算图两部分构成。

常量变量都是张量。张量表示的就是数据。

op是operation。 常见的四则运算。赋值,两个tensor之间的加法。

op + tensor 构成了 graphs

# 本质 tf = tensor + 计算图
# tensor 数据
# op 
# graphs 数据操作
# session

所有的操作都要在session中被run

分析tf代码:

  • 先分析tensor张量有哪些。
  • 再分析session中的计算图有哪些
  • 这两个方面掌握清楚就好理解代码了

本质是数据 + 计算图

TensorFlow中所有的变量都必须1初始化之后才能进行。init操作实质仍然是一个计算图,
要使用session.tun(init)

直接使用完session 我们还需要close掉

  • 或者使用with进行关闭

view linenumber 看到行号

常量与变量的四则运算

import tensorflow as tf# 两个常量
data1 = tf.constant(6)
data2 = tf.constant(2)# 定义一个加法操作
dataAdd = tf.add(data1,data2)
# 定义一个乘法操作
dataMul = tf.multiply(data1,data2)
# 定义一个减法操作
dataSub = tf.subtract(data1,data2)
# 定义一个除法操作
dataDiv = tf.divide(data1,data2)# 使用sess创建。with不需要close
with tf.Session() as sess:print(sess.run(dataAdd))print(sess.run(dataMul))print(sess.run(dataSub))print(sess.run(dataDiv))
print('end!')
mark
mark
import tensorflow as tf
data1 = tf.constant(6)
# data2变量
data2 = tf.Variable(2)
dataAdd = tf.add(data1,data2)# 完成当前的数据拷贝: 把当前dataAdd的结果追加到data2中
dataCopy = tf.assign(data2,dataAdd)# dataAdd ->data2dataMul = tf.multiply(data1,data2)
dataSub = tf.subtract(data1,data2)
dataDiv = tf.divide(data1,data2)
init = tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init)print(sess.run(dataAdd))print(sess.run(dataMul))print(sess.run(dataSub))print(sess.run(dataDiv))# 将6和2相加的结果放到data2中print('sess.run(dataCopy)',sess.run(dataCopy))#8->data2# 除过run方法还可以使用.eval()直接输出。eval方法相当于下面这句话print('dataCopy.eval()',dataCopy.eval())#8+6->14->data2 = 14# 获取默认的session,执行run操作print('tf.get_default_session()',tf.get_default_session().run(dataCopy))
print('end!')

运行dataCopy.eval()时,其中的data2已经是8了,然后加上常量6.输出14

而再次运行时data2已经变成了14.

计算图运行的两种方法:

  • sess.run
  • op.eval()

矩阵基础

前面的数据我们都是初始化的时候就定义好了,然而有时我们用到的数据是
需要在运算时实时插入的。

placeholder

import tensorflow as tf
data1 = tf.placeholder(tf.float32)
data2 = tf.placeholder(tf.float32)
dataAdd = tf.add(data1,data2)
with tf.Session() as sess:# 使用feed_dict为placeholder回填数据print(sess.run(dataAdd,feed_dict={data1:6,data2:2}))# 1:op dataAdd 2: data (feed_dict = {参数1:6,参数2:2})
print('end!')

矩阵运算

  • 类比 数组 M行N列(二维数组)
  • 外层[] 内层嵌套[]
  • 每个内层中括号表示:[里面 列数据]
  • 每个内层[]整体作为一行 行数
# [[6,6]] 一行两列的矩阵
import tensorflow as tf
# 一行两列矩阵
data1 = tf.constant([[6,6]])
# 两行一列矩阵
data2 = tf.constant([[2],[2]])
# 一行两列
data3 = tf.constant([[3,3]])
# 三行两列
data4 = tf.constant([[1,2],[3,4],[5,6]])print(data4.shape)# 打印矩阵的维度with tf.Session() as sess:print(sess.run(data4)) # 打印整体print(sess.run(data4[0]))# 打印某一行print(sess.run(data4[:,0]))# M*N的矩阵,第一位是行,第二位是列。# 打印某一列,使用:表示所有行print(sess.run(data4[0,1]))# 1 1  下标从0开始算。但是shape是从1开始算的

矩阵运算2

一种矩阵加法,和两种矩阵乘法

矩阵在进行加法的时候,必须要保证两个矩阵的行列相等。

我们两个(2,3)的矩阵相加,相加之后仍然是一个(2,3)的矩阵

mark
mark
mark
mark

两个(2,2)的矩阵相加可以得到新矩阵

mark
mark

A+E 是由第一个矩阵中第一行第一列的值,加上第二个矩阵中第一行第一列的值。

以此类推,对应元素的加法

矩阵的乘法

mark
mark

第一个矩阵的列数,必须等于第二个矩阵的行数,矩阵才可以进行相乘。

(m,k) 与 (k,n) 相乘可以乘出一个(m,n)的

左侧矩阵的第一行的对应元素乘以右侧矩阵的第一列的对应元素,构成新矩阵中(1,1)位置的元素。

这里我们就可以看出为啥要左边的列,等于右边的行了,不然左边这第一行的元素个数(列数) 去右侧的矩阵中找不到对应的元素

代码实现

import tensorflow as tf
data1 = tf.constant([[6,6]])
data2 = tf.constant([[2],[2]])
data3 = tf.constant([[3,3]])
data4 = tf.constant([[1,2],[3,4],[5,6]])# 矩阵相乘
matMul = tf.matmul(data1,data2)# 直接使用简单乘法,对应元素相乘
matMul2 = tf.multiply(data1,data2)# 矩阵相加
matAdd = tf.add(data1,data3)with tf.Session() as sess:print(sess.run(matMul))# data1 (1,2) 乘以 data2(2,1) 得到结果(1,1)print(sess.run(matAdd))# 1行2列 加 1行2列 还是一行两列print(sess.run(matMul2))# 1x2 2x1 = 2x2 这里涉及到python的广播机制# [6,6] 和 [[2].[2]] 都会被补全成一个2x2的矩阵。然后对应元素相乘# 使用print一次打印多个内容print(sess.run([matMul,matAdd]))

特殊矩阵初始化

import tensorflow as tf# 两行三列零矩阵
mat0 = tf.constant([[0,0,0],[0,0,0]])# 两行三列零矩阵
mat1 = tf.zeros([2,3])# 三行两列一矩阵
mat2 = tf.ones([3,2])# 两行三列填充矩阵(15)
mat3 = tf.fill([2,3],15)
with tf.Session() as sess:print(sess.run(mat0))print('************')print(sess.run(mat1))print('************')print(sess.run(mat2))print('************')print(sess.run(mat3))
mark
mark

一些更为特殊的矩阵

import tensorflow as tf
# 三行一列的矩阵
mat1 = tf.constant([[2],[3],[4]])
# 与mat1具有相同的维度,但mat2内容为0
mat2 = tf.zeros_like(mat1)# 将0-2之间数据分成相等的10份,中间有10个数据,要填11
mat3 = tf.linspace(0.0,2.0,11)# 随机数矩阵,2行三列,数字为-1到2之间的随机数
mat4 = tf.random_uniform([2,3],-1,2)with tf.Session() as sess:print(sess.run(mat2))print('************')print(sess.run(mat3))print('************')print(sess.run(mat4))
mark
mark

tf中numpy创建矩阵

类比数据库的学习CURD增删改查

# CURD
import numpy as np# 一维数组
data1 = np.array([1,2,3,4,5])
print(data1)
print('***************')# 两行两列数组
data2 = np.array([[1,2],[3,4]])
print(data2)
print('***************')# 矩阵的维度
print(data1.shape,data2.shape)
print('***************')# 初始化特殊矩阵 zeros ones
print(np.zeros([2,3]),np.ones([2,2]))
print('***************')# 改查: 修改第二行第一列数据
data2[1,0] = 5
print(data2)
# 查询第二行第二列数据
print(data2[1,1])
print('***************')# 基本运算:加减乘除# 两行三列的全一矩阵
data3 = np.ones([2,3])# 简单乘除加法
print(data3*2) # 对应每个元素乘2
print(data3/3) # 对应元素除以3
print(data3+2) # 所有元素加2
print('***************')# 矩阵 +*# 两行三列矩阵
data4 = np.array([[1,2,3],[4,5,6]])# 矩阵对应位置元素相加
print(data3+data4)# 矩阵对应位置元素相乘
print(data3*data4)
mark
mark

Matplotlib绘图模块

使用numpy准备数据,Matplotlib进行可视化绘图

import numpy as np
import matplotlib.pyplot as plt
# 设置在浏览器内显示
%matplotlib inline
# x轴坐标
x = np.array([1,2,3,4,5,6,7,8])
# y轴坐标
y = np.array([3,5,7,6,2,6,10,15])# 绘制折线图,第一个参数x轴坐标,第二个参数y轴坐标。第三个参数颜色
plt.plot(x,y,'r')# 折线 1 x 2 y 3 color
plt.show()
# 第四个参数: 线条宽度
plt.plot(x,y,'g',lw=10)# 4 line w
# 折线 饼状 柱状x = np.array([1,2,3,4,5,6,7,8])
y = np.array([13,25,17,36,21,16,10,15])# 柱状图: color 是颜色, alpha 透明度
# 每个柱状图的占用比例
plt.bar(x,y,0.2,alpha=1,color='b')# 5 color 4 透明度 3 0.9
plt.show()
mark
mark

综合性demo

神经网络逼近股票收盘价格

结合TensorFlow实现一个综合性的例子

实现股票数据日线的绘制,并且用人工神经网络实现股票收盘价格的拟合

mark
mark

其中红色表示当天的股票是上涨的

蓝色表示股票是下降的。9点半开盘,下午三点收盘。

上涨代表: 收盘大于开盘价格。下跌相反

最低价会低于收盘价或开盘价。

数据加载和图表的绘制

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline# 准备数据15组数据。(15天)
date = np.linspace(1,15,15)# 每天的收盘价格
endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]
)# 每天的开盘价格
beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])# 验证日期
print(date)plt.figure()for i in range(0,15):# 绘制 一个柱状图# x是一个一维数组两个值,对应两个y收盘开盘。dateOne = np.zeros([2])dateOne[0] = i;dateOne[1] = i;# 开盘价格和收盘价格priceOne = np.zeros([2])priceOne[0] = beginPrice[i]priceOne[1] = endPrice[i]# 绘制每一根柱状图,上涨红色,下降绿色if endPrice[i]>beginPrice[i]:# 日期和开收盘价格plt.plot(dateOne,priceOne,'r',lw=8)else:plt.plot(dateOne,priceOne,'g',lw=8)plt.show()
mark
mark

实现最简单的人工神经网络

mark
mark

输入: 15行一列的矩阵。

隐藏层矩阵 1行10列

输出层矩阵 15行一列

mark
mark

输入: 天数 输出: 每天股价

mark
mark

输入层与隐藏层进行连接

mark
mark

输入矩阵A 乘以权重矩阵w1 + 偏置矩阵 构成了B

构成了我们的中间层矩阵。

矩阵B与第三层如何连接

B*w2 + b2 = C

c就是我们的输出矩阵。

维度的变化

mark
mark
mark
mark

w1维度: 一行十列
b1维度: 一行十列

w2维度: 十行一列
b2维度: 十五行一列

mark
mark
mark
mark

加上b1, 会进行广播机制。1*10的b1会被扩展成15行10列。也就是每一行一样。
然后矩阵对应每个元素相加。

mark
mark

神经网络内部如何进行计算和工作?

mark
mark

给参数一些简单的初始值

计算出一个C值。而我们的真实股价2400 2511

  • 第二次循环"梯度下降法" 目的减少111

给出一个新的参数组合。

for循环的终止条件: 训练多少次之后,或者差异符合我们的要求

循环终止会输出最后的w1 w2 b1 b2

知道了 这些参数。我们就知道预测新的股价

代码实现

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
date = np.linspace(1,15,15)
endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]
)
beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])
print(date)
plt.figure()
for i in range(0,15):# 1 柱状图dateOne = np.zeros([2])dateOne[0] = i;dateOne[1] = i;priceOne = np.zeros([2])priceOne[0] = beginPrice[i]priceOne[1] = endPrice[i]if endPrice[i]>beginPrice[i]:plt.plot(dateOne,priceOne,'r',lw=8)else:plt.plot(dateOne,priceOne,'g',lw=8)
# 输入的日期
dateNormal = np.zeros([15,1])
# 输出的价格
priceNormal = np.zeros([15,1])# 进行归一化处理
for i in range(0,15):# 日期最大14dateNormal[i,0] = i/14.0;# 价格不会超出3000priceNormal[i,0] = endPrice[i]/3000.0;# 一个n行一列的占位符
x = tf.placeholder(tf.float32,[None,1])
# 一个n行一列的占位符
y = tf.placeholder(tf.float32,[None,1])# 隐藏层B
# w1是会被修改的。所以定义一个变量。
# 初值随机,一行十列,0到1之间
w1 = tf.Variable(tf.random_uniform([1,10],0,1))# 偏置矩阵一行十列
b1 = tf.Variable(tf.zeros([1,10]))# wb1也就是隐藏层的输出值是x乘以w1加上b1
wb1 = tf.matmul(x,w1)+b1
# 激励函数增加非线性元素。
layer1 = tf.nn.relu(wb1) # 激励函数# 输出层
w2 = tf.Variable(tf.random_uniform([10,1],0,1))
b2 = tf.Variable(tf.zeros([15,1]))wb2 = tf.matmul(layer1,w2)+b2
layer2 = tf.nn.relu(wb2) #完成简单映射# 损失函数(真实值-预测值)的平方。开放出来的结果再进行一个均值
loss = tf.reduce_mean(tf.square(y-layer2))#y 真实 layer2 计算# 梯度下降法,梯度下降法。参数为学习率,目标是最小化loss
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)with tf.Session() as sess:# 初始化所有的全局变量sess.run(tf.global_variables_initializer())# 程序终止: for循环次数for i in range(0,10000):# x,y值填入归一化之后的x,ysess.run(train_step,feed_dict={x:dateNormal,y:priceNormal})# 进行预测验证# w1w2 b1b2  A + wb -->layer2 得到新的预测值pred = sess.run(layer2,feed_dict={x:dateNormal})predPrice = np.zeros([15,1])# 还原当前价格。(反归一化)for i in range(0,15):predPrice[i,0]=(pred*3000)[i,0]plt.plot(date,predPrice,'b',lw=1)
plt.show()
mark
mark

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/538965.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

r 函数返回多个值_第四讲 R描述性统计分析

在“R与生物统计专题”中,我们会从介绍R的基本知识展开到生物统计原理及其在R中的实现。以从浅入深,层层递进的形式在投必得医学公众号更新。在上一讲中,我们介绍了第三讲 R编程基础-矩阵和数据框 (戳这里即可跳转)。到现在为止,大…

python双线性插值函数_双线性插值法原理 python实现

码字不易,如果此文对你有所帮助,请帮忙点赞,感谢!一. 双线性插值法原理:① 何为线性插值?插值就是在两个数之间插入一个数,线性插值原理图如下:在位置 x 进行线性插值,插…

张恩民 php,php100教程_php100张恩民php视频 56课时_网站编程_寂涯网络学习基地

1、PHP基本语法和数据类型:(1)、PHP基本语法:1、htm 和 php 混编2、一个语句以 ; (分号结束)3、如何定义一个变量,和变量的使用(2)、PHP数据运算类型四种标量类型:boolean(布尔型)integer(整型)float(浮点型,也作“do…

Oracle 自带sqldeveloper导入数据到表

步骤 1、建一张字段名和类型与要导入数据一致的表。 2、如果是excel文件,另存为 csv文件。 因为excel文件遇到空格会报错,excel文件太大工具会读取文件失败。 而csv文件是秒级读取,有空格也会导入不会报错。 ------------- 更多的Java&am…

百度腾讯中兴华为全部入局Linux Foundation深度学习基金会

2019独角兽企业重金招聘Python工程师标准>>> 虽然名字叫做Linux Foundation,但是这家基金会关注的领域并不局限在Linux操作系统领域。事实上,Linux Foundation基金会还为很多其他开源基金和项目提供支持,比如Cloud Foundry、Autom…

python判断点在矩形内_判断平面内矩形和圆是否有交点的python实现

#! /usr/bin/env python# -*- coding: utf-8 -*-filename : 平面坐标内矩形与圆是否相交usage :authors : U{peterguo}copyright: tencentdate : 2012.08.21version : 1.0.0.0Modified History:2012.08.21 创建import osimport sysimport reimport urllib2import timeimport da…

python读取mysql数据库_Python操作MySQL数据库9个实用实例

在Windows平台上安装mysql模块用于Python开发 用python连接mysql的时候,需要用的安装版本,源码版本容易有错误提示。下边是打包了32与64版本。 MySQL-python-1.2.3.win32-py2.7.exe MySQL-python-1.2.3.win-amd64-py2.7.exe 实例 1、取得 MYSQL 的版本 #…

win主机上搭建php网站运行环境,Windows server 2008搭建php运行环境图文详解(php5.3)

这篇文章主要为大家分享下Windows server 2008搭建php运行环境的步骤,需要的朋友可以参考下下载php组件包首先到http://windows.php.net/download/下载你需要的php版本,这里我下载的是php5.3。下面解压php组件 包到磁盘上。安装Microsoft Visual C 2008 …

python 登陆微博 被删除 token_爬取微博信息,使用了cookie仍然无法登录微博

按照网上的模板自己写了类似的代码爬取微博,可是response回来的html是登录界面的html,应该是没有成功登陆微博,但是和网上的代码是基本一样的from bs4 import BeautifulSoupimport pandas as pdimport requestsurl "https://weibo.cn/2…

plsql developer连接oracle--本地不安装oracle

工具 数据库开发程序 PLSQL Developer oracle 客户端 instantclient,点击下载 (下载与oracle相同版本或最新版本,如果 PLSQL Developer是32位,则要下载32位的)安装 1、解压oracle客户端 到盘某个目录。我的目录是C:\or…

ubuntu networking 与 network-manager

刚遇到的坑,因为操作不当导致网络中断,于是手动配置了/etc/network/interfaces , 修复了系统之后发现ubuntu-desktop中的有线链接不见了,百度了一下说是networking服务和network-manger服务会起冲突。 【Server版本】 在UbuntuServer版本中&…

mysql 升序_mysql 的 查找 与 排序

mysql 的 查找 &#xff1a;SELECT name,age FROM mytable; # 在mytable 中所有的name,age 数据SELECT name,age FROM mytable WHERE age>25; #在mytable 中所有的name,age 数据&#xff0c;其中age必须小于25SELECT name,age FROM mytable WHERE age<25 OR age>30; #…

Hadoop3.0的新特性

转载&#xff1a;http://blog.csdn.net/sinat_31726559/article/details/52103229 点击阅读原文 -------------------------------------- 1. Hadoop3.0简介 Hadoop 2.0是基于JDK 1.7开发的&#xff0c;而JDK 1.7在2015年4月已停止更新&#xff0c;这直接迫使Hadoop社区基于…

python torch exp_学习Pytorch过程遇到的坑(持续更新中)

1. 关于单机多卡的处理&#xff1a;在pytorch官网上有一个简单的示例&#xff1a;函数使用为&#xff1a;torch.nn.DataParallel(model, deviceids, outputdevice, dim)关键的在于model、device_ids这两个参数。DATA PARALLELISM​pytorch.org但是官网的例子中没有讲到一个核心…

php 读文件返回字符串,PHP:file_get_contents('php:// input')返回JSON消息的字符串...

我正在尝试在我的PHP应用程序中读取JSON消息&#xff0c;这是我的php代码&#xff1a;$json file_get_contents(php://input);$obj json_decode($json, TRUE);echo $obj->{S3URL};当我这样做时&#xff0c;出现以下错误&#xff1a;Trying to get property of non-object …

Android中ListView数据使用sAdapter.notifyDataSetChanged();方法不刷新的问题

原文链接&#xff1a;http://blog.csdn.net/caihongdao123/article/details/51513410 点击阅读原文 ------------------------- 1.涉及到数据库 当要动态显示更数据库改动&#xff0c;相信大家应该都用过notifyDataSetChanged();. 例如&#xff1a; ...... …

keepalived配置高可用集群

准备工作 分别在主从上安装keepalived和nginxyum install -y keepalivedyum install -y nginx关闭主从上的防火墙和SELinuxsystemctl stop firewalldsetenforce 0 配置主机 查看主机ip [rootlynn-04 ~]# ifconfig ens33: flags4163<UP,BROADCAST,RUNNING,MULTICAST> mtu…

如何快速掌握python包_如何快速掌握一个python模块?

初学者就别想快了。 我自己是这样的。先上网看看一些基础的教程&#xff0c;非常快的过一下&#xff0c;十几分钟&#xff0c;主要是了解这个module能干什么&#xff0c;特别是一些基本的功能&#xff0c;头脑中建立起初步映射。 然后就是用了&#xff0c;不用看了也白搭。我假…

python设计一个函数定义计算并返回n价调和函数_python函数的调和平均值?

我有两个函数&#xff0c;给出精度和召回分数&#xff0c;我需要做一个调和平均函数&#xff0c;定义在同一个库中&#xff0c;使用这两个分数。函数如下所示&#xff1a;功能如下&#xff1a;def precision(ref, hyp):"""Calculates precision.Args:- ref: a l…

jsp超链接到java文件,jsp页面超链接传中文终极解决办法

在做web前端页面的时候&#xff0c;经常碰到传中文问题。网上有许多方案&#xff0c;但仍不能根治&#xff0c;最终要用js或者java的encode相关方法。常规方案有三部&#xff1a;1.改tomcat的server.xml中URIEncodeing为utf-82.页面中编码设置为utf-83.整个项目编码使用utf-8我…