Tensor变换
Tensor reduce：
axis等于几，就是对那维操作,i.e.:沿着那维操作, 其它维度保留
import tensorflow as tf
tensor=tf.ones(shape=[2,3,4],dtype=tf.float32,name="oneTensor")
reduce1=tf.reduce_sum(tensor,axis=0)
reduce2=tf.reduce_sum(tensor,axis=1)
with tf.Session() as sess:
print(sess.run(reduce1))
print(sess.run(reduce2))Tensor连接
concat是将list中的向量给连接起来，axis表示将那维的数据连接起来，而其他维的结构保持不变
import tensorflow as tf
t1 = tf.ones(shape=[2,3],dtype=tf.float32)
t2 = tf.ones(shape=[2,3],dtype=tf.float32)
# 将t1, t2进行concat，axis为0，等价于将shape=[2, 2, 3]的Tensor concat成
#shape=[4, 3]的tensor。在新生成的Tensor中tensor[:2,:]代表之前的t1
#tensor[2:,:]是之前的t2
t3=tf.concat([t1, t2], 0)
# 将t1, t2进行concat，axis为1，等价于将shape=[2, 2, 3]的Tensor concat成
#shape=[2, 6]的tensor。在新生成的Tensor中tensor[:,:3]代表之前的t1
#tensor[:,3:]是之前的t2
t4=tf.concat([t1, t2], 1)
with tf.Session() as sess:
print(sess.run(t3))
print(sess.run(t4))Tensor降维
降维， 将维度为1 的降掉
import tensorflow as tf
t1 = tf.ones(shape=[2,1,3],dtype=tf.float32)
t2=tf.squeeze(t1)
with tf.Session() as sess:
print(sess.run(t1))
print(sess.run(t2))Tensor切分split
import tensorflow as tf
t1 = tf.ones(shape=[2,4],dtype=tf.float32)
t2=tf.split(value=t1,num_or_size_splits=2,axis=1)
with tf.Session() as sess:
print(sess.run(t1))
print(sess.run(t2))Tensor维度扩展
一次扩展一维
import tensorflow as tf
t1 = tf.ones(shape=[2,4],dtype=tf.float32)
t2=tf.expand_dims(t1,axis=0)
shape=tf.shape(t2)
with tf.Session() as sess:
print(sess.run(t1))
print(sess.run(shape))
print(sess.run(t2))Tensor切分Slice
tf.slice()最好是从返回值上去理解，现在假设input的shape是[a1, a2, a3], begin的值是[b1, b2, b3],size的值是[s1, s2, s3],那么tf.slice()返回的值就是 input[b1:b1+s1, b2:b2+s2, b3:b3+s3]。 如果 si=−1 ，那么 返回值就是 input[b1:b1+s1,..., bi: ,...] input[1:2] 取不到input[2]
import tensorflow as tf
import numpy as np
sess = tf.InteractiveSession()
a = np.array([[1,2,3,4,5],[4,5,6,7,8],[9,10,11,12,13]])
print(tf.slice(a,[1,2],[-1,2]).eval())Tensor堆叠
tf.stack(values, axis=0, name=’stack’)
将 a list of R 维的Tensor堆成 R+1维的Tensor。
import tensorflow as tf
x = tf.constant([1, 4])
y = tf.constant([2, 5])
z = tf.constant([3, 6])
t3=tf.stack([x, y, z]) # [[1, 4], [2, 5], [3, 6]] (Pack along first dim.)
t4=tf.stack([x, y, z], axis=1) # [[1, 2, 3], [4, 5, 6]]
sess = tf.InteractiveSession()
print(t3.eval())
print(t4.eval())gather按照索引抽取数据
import tensorflow as tf
input = [[[1, 1, 1], [2, 2, 2]],
[[3, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]]
out=tf.gather(input, [0, 1], axis=0)
sess = tf.InteractiveSession()
print(out.eval())pad Tensor填存
padings 也是一个张量，代表每一维填充多少行/列，但是有一个要求它的rank一定要和tensor的rank是一样的
mode 可以取三个值，分别是”CONSTANT” ,”REFLECT”,”SYMMETRIC”
mode=”CONSTANT” 是填充0
mode=”REFLECT”是映射填充，上下（1维）填充顺序和paddings是相反的，左右（零维）顺序补齐
mode=”SYMMETRIC”是对称填充，上下（1维）填充顺序是和paddings相同的，左右（零维）对称补齐
import tensorflow as tf
t = tf.constant([[1, 2, 3], [4, 5, 6]])
paddings = tf.constant([[1, 1], [2, 2]])
#可以看到，上，下，左，右分别填充了1,1,2,2行刚好和paddings=[[1,1],[2,2]]相等，零填充
out1=tf.pad(t, paddings, "CONSTANT") # [[0, 0, 0, 0, 0, 0, 0],
# [0, 0, 1, 2, 3, 0, 0],
# [0, 0, 4, 5, 6, 0, 0],
# [0, 0, 0, 0, 0, 0, 0]]
out2=tf.pad(t, paddings, "REFLECT") # [[6, 5, 4, 5, 6, 5, 4],
# [3, 2, 1, 2, 3, 2, 1],
# [6, 5, 4, 5, 6, 5, 4],
# [3, 2, 1, 2, 3, 2, 1]]
out3=tf.pad(t, paddings, "SYMMETRIC") # [[2, 1, 1, 2, 3, 3, 2],
# [2, 1, 1, 2, 3, 3, 2],
# [5, 4, 4, 5, 6, 6, 5],
# [5, 4, 4, 5, 6, 6, 5]]
sess = tf.InteractiveSession()
print(out1.eval())
print(out2.eval())
print(out3.eval())图像处理
数据预处理，数据增强。
在深度学习中，当数据量不够大时候，经常通过人工增加训练集的大小。不同的任务背景下, 我们可以通过图像的几何变换, 使用以下一种或多种组合数据增强变换来增加输入数据的量. 这里具体的方法都来自数字图像处理的内容：
1. 旋转|反射变换(Rotation/reflection)：随机旋转图像一定角度; 改变图像内容的朝向;
2. 翻转变换(flip): 沿着水平或者垂直方向翻转图像;
3. 缩放变换(zoom): 按照一定的比例放大或者缩小图像;
4. 平移变换(shift): 在图像平面上对图像以一定方式进行平移; 可以采用随机或人为定义的方式指定平移范围和平移步长, 沿水平或竖直方向进行平移. 改变图像内容的位置;
5. 尺度变换(scale): 对图像按照指定的尺度因子, 进行放大或缩小; 或者参照SIFT特征提取思想, 利用指定的尺度因子对图像滤波构造尺度空间. 改变图像内容的大小或模糊程度;
6. 对比度变换(contrast): 在图像的HSV颜色空间，改变饱和度S和V亮度分量，保持色调H不变. 对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间), 增加光照变化;
7. 噪声扰动(noise): 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;
8. 颜色变换(color): 在训练集像素值的RGB颜色空间进行PCA,
得到RGB空间的3个主方向向量,3个特征值, p1, p2, p3, λ1, λ2, λ3.
对每幅图像的每个像素Ixy=[IRxy,IGxy,IBxy]T进行加上如下的变化:[p1,p2,p3][α1λ1,α2λ2,α3λ3]T；其中:αi是满足均值为0,方差为0.1的随机变量.
Tensorflow关于图像操作的类别有：编码/解码、缩放、裁剪、翻转和移位、图像调整。
任何神经网络在开始训练数据时，都需要数据增强。什么是数据增强呢？我们首先看一个例子，假如我们的训练集有10万图片，如果直接使用这10张图片进行训练，是不是感觉训练集有点小。在假如，训练神经网络的目的是要正确识别猫，而此时呢？你的训练集中含有猫头的图片都是朝着左侧倾斜，那么当你训练好模型之后，你的模型不能准确识别猫头朝着右侧倾斜的图片，因为它没有被训练。而假如你在训练输入时，将训练集合中的所有图片进行水平翻转，就会得到10万新的数据，此时你就有20万张训练集合了。如果在进行随机裁剪、亮度、对比度变化，这又大大增加训练集合的数量，最终训练的集合更加健壮。这就是数据增强的作用：将单幅图片增加多个副本，提高了图片的利用率，并且防止对某一张图片结构的学习过拟合。
