[[220444]]

在本文中，我們將看一些 TensorFlow 的例子，并從中感受到在定義張量tensor和使用張量做數學計算方面有多么容易，我還會舉些別的機器學習相關的例子。

TensorFlow 是什么?

TensorFlow 是 Google 為了解決復雜的數學計算耗時過久的問題而開發的一個庫。

事實上，TensorFlow 能干許多事。比如：

• 求解復雜數學表達式
• 機器學習技術。你往其中輸入一組數據樣本用以訓練，接著給出另一組數據樣本基于訓練的數據而預測結果。這就是人工智能了！
• 支持 GPU 。你可以使用 GPU（圖像處理單元）替代 CPU 以更快的運算。TensorFlow 有兩個版本： CPU 版本和 GPU 版本。

開始寫例子前，需要了解一些基本知識。

什么是張量？

張量tensor是 TensorFlow 使用的主要的數據塊，它類似于變量，TensorFlow 使用它來處理數據。張量擁有維度和類型的屬性。

維度指張量的行和列數，讀到后面你就知道了，我們可以定義一維張量、二維張量和三維張量。

類型指張量元素的數據類型。

定義一維張量

可以這樣來定義一個張量：創建一個 NumPy 數組（LCTT 譯注：NumPy 系統是 Python 的一種開源數字擴展，包含一個強大的 N 維數組對象 Array，用來存儲和處理大型矩陣 ）或者一個 Python 列表 ，然后使用 tf_convert_to_tensor 函數將其轉化成張量。

可以像下面這樣，使用 NumPy 創建一個數組：

import numpy as np arr = np.array([1, 5.5, 3, 15, 20])
arr = np.array([1, 5.5, 3, 15, 20])

運行結果顯示了這個數組的維度和形狀。

import numpy as np
arr = np.array([1, 5.5, 3, 15, 20])
print(arr)
print(arr.ndim)
print(arr.shape)
print(arr.dtype)

它和 Python 列表很像，但是在這里，元素之間沒有逗號。

現在使用 tf_convert_to_tensor 函數把這個數組轉化為張量。

import numpy as np
import tensorflow as tf
arr = np.array([1, 5.5, 3, 15, 20])
tensor = tf.convert_to_tensor(arr,tf.float64)
print(tensor)

這次的運行結果顯示了張量具體的含義，但是不會展示出張量元素。

要想看到張量元素，需要像下面這樣，運行一個會話：

import numpy as np
import tensorflow as tf
arr = np.array([1, 5.5, 3, 15, 20])
tensor = tf.convert_to_tensor(arr,tf.float64)
sess = tf.Session()
print(sess.run(tensor))
print(sess.run(tensor[1]))

定義二維張量

定義二維張量，其方法和定義一維張量是一樣的，但要這樣來定義數組：

arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])

接著轉化為張量：

import numpy as np
import tensorflow as tf
arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])
tensor = tf.convert_to_tensor(arr)
sess = tf.Session()
print(sess.run(tensor))

現在你應該知道怎么定義張量了，那么，怎么在張量之間跑數學運算呢？

在張量上進行數學運算

假設我們有以下兩個數組：

arr1 = np.array([(1,2,3),(4,5,6)])
arr2 = np.array([(7,8,9),(10,11,12)])

利用 TenserFlow ，你能做許多數學運算。現在我們需要對這兩個數組求和。

使用加法函數來求和：

import numpy as np
import tensorflow as tf
arr1 = np.array([(1,2,3),(4,5,6)])
arr2 = np.array([(7,8,9),(10,11,12)])
arr3 = tf.add(arr1,arr2)
sess = tf.Session()
tensor = sess.run(arr3)
print(tensor)

也可以把數組相乘：

import numpy as np
import tensorflow as tf
arr1 = np.array([(1,2,3),(4,5,6)])
arr2 = np.array([(7,8,9),(10,11,12)])
arr3 = tf.multiply(arr1,arr2)
sess = tf.Session()
tensor = sess.run(arr3)
print(tensor)

現在你知道了吧。

三維張量

我們已經知道了怎么使用一維張量和二維張量，現在，來看一下三維張量吧，不過這次我們不用數字了，而是用一張 RGB 圖片。在這張圖片上，每一塊像素都由 x、y、z 組合表示。

這些組合形成了圖片的寬度、高度以及顏色深度。

首先使用 matplotlib 庫導入一張圖片。如果你的系統中沒有 matplotlib ，可以 使用 pip來安裝它。

將圖片放在 Python 文件的同一目錄下，接著使用 matplotlib 導入圖片：

import matplotlib.image as img
myfile = "likegeeks.png"
myimage = img.imread(myfile)
print(myimage.ndim)
print(myimage.shape)

從運行結果中，你應該能看到，這張三維圖片的寬為 150 、高為 150 、顏色深度為 3 。

你還可以查看這張圖片：

import matplotlib.image as img
import matplotlib.pyplot as plot
myfile = "likegeeks.png"
myimage = img.imread(myfile)
plot.imshow(myimage)
plot.show()

真酷！

那怎么使用 TensorFlow 處理圖片呢？超級容易。

使用 TensorFlow 生成或裁剪圖片

首先，向一個占位符賦值：

myimage = tf.placeholder("int32",[None,None,3])

使用裁剪操作來裁剪圖像：

cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])

***，運行這個會話：

result = sess.run(cropped, feed\_dict={slice: myimage})

然后，你就能看到使用 matplotlib 處理過的圖像了。

這是整段代碼：

import tensorflow as tf
import matplotlib.image as img
import matplotlib.pyplot as plot
myfile = "likegeeks.png"
myimage = img.imread(myfile)
slice = tf.placeholder("int32",[None,None,3])
cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])
sess = tf.Session()
result = sess.run(cropped, feed_dict={slice: myimage})
plot.imshow(result)
plot.show()

是不是很神奇？

使用 TensorFlow 改變圖像

在本例中，我們會使用 TensorFlow 做一下簡單的轉換。

首先，指定待處理的圖像，并初始化 TensorFlow 變量值：

myfile = "likegeeks.png"
myimage = img.imread(myfile)
image = tf.Variable(myimage,name='image')
vars = tf.global_variables_initializer()

然后調用 transpose 函數轉換，這個函數用來翻轉輸入網格的 0 軸和 1 軸。

sess = tf.Session()
flipped = tf.transpose(image, perm=[1,0,2])
sess.run(vars)
result=sess.run(flipped)

接著你就能看到使用 matplotlib 處理過的圖像了。

import tensorflow as tf
import matplotlib.image as img
import matplotlib.pyplot as plot
myfile = "likegeeks.png"
myimage = img.imread(myfile)
image = tf.Variable(myimage,name='image')
vars = tf.global_variables_initializer()
sess = tf.Session()
flipped = tf.transpose(image, perm=[1,0,2])
sess.run(vars)
result=sess.run(flipped)
plot.imshow(result)
plot.show()

以上例子都向你表明了使用 TensorFlow 有多么容易。