利用tensorflow训练自己的图片数据(2)——输入图片处理
来源:互联网 发布:约翰穆勒知乎 编辑:程序博客网 时间:2024/04/29 08:40
一. 说明
在上一博客,利用tensorflow训练自己的图片数据(1)中,我们已经得到了后续训练需要的图片的指定shape大小;接下来我们需要做的就是对指定大小的生成图片进行sample与label分类制作,获得神经网络输入的get_files文件,同时为了方便网络的训练,输入数据进行batch处理。
二. 编程实现
通过上面的函数的定义,便民可以得到神经网络的输入数据:image_batch,label_batch。三. 几点补充
1. 关于图像尺寸调整
图像尺寸调整属于基础的图像几何变换,TensorFlow提供了几种尺寸调整的函数:
tf.image.resize_images:将原始图像缩放成指定的图像大小,其中的参数method(默认值为ResizeMethod.BILINEAR)提供了四种插值算法,具体解释可以参考图像几何变换(缩放、旋转)中的常用的插值算法
tf.image.resize_image_with_crop_or_pad:剪裁或填充处理,会根据原图像的尺寸和指定的目标图像的尺寸选择剪裁还是填充,如果原图像尺寸大于目标图像尺寸,则在中心位置剪裁,反之则用黑色像素填充。
tf.image.central_crop:比例调整,central_fraction决定了要指定的比例,取值范围为(0,1],该函数会以中心点作为基准,选择整幅图中的指定比例的图像作为新的图像。
注:可参考博客http://blog.csdn.net/chaipp0607/article/details/73029923
2. hstack()函数的使用
函数原型:hstack(tup) ,参数tup可以是元组,列表,或者numpy数组,返回结果为numpy的数组。它其实就是水平(按列顺序)把数组给堆叠起来,vstack()函数正好和它相反。
- 利用tensorflow训练自己的图片数据(2)——输入图片处理
- 利用tensorflow训练自己的图片数据(2)——输入图片处理
- 利用tensorflow训练自己的图片数据(4)——神经网络训练
- 利用tensorflow训练自己的图片数据(5)——测试训练网络
- 利用tensorflow训练自己的图片数据(1)——预处理
- 利用tensorflow训练自己的图片数据(3)——建立网络模型
- 利用tensorflow训练自己的图片数据(1)——预处理
- 利用Tensorflow构建自己的图片数据集TFrecords
- caffe利用caffenet训练自己的图片数据
- TensorFlow——训练自己的数据(一)数据处理
- caffe windows 训练自己的图片数据
- caffe 如何训练自己的数据图片
- Caffe训练、测试自己的图片数据
- TensorFlow——训练自己的数据(三)模型训练
- 利用TensorFlow Object Detection API 训练自己的数据集
- Windows caffe(四) 训练自己的图片数据
- Tensorflow深度学习入门——优化训练MNIST数据和调用训练模型识别图片
- TensorFlow——训练自己的数据——CIFAR10(一)数据准备
- mxnet保存模型,以及用模型来预测新数据。
- 14个使你成为用户体验设计大师的好习惯
- ActiveMQ 设置登陆密码
- Win10下如何正确安装Python和cpu版的tensorflow
- date对象和math方法
- 利用tensorflow训练自己的图片数据(2)——输入图片处理
- 向量 与Python
- 在QT中使用MySQL数据库
- 第十二周项目四
- VS Code .vue文件代码缩进以及格式化代码
- 数据类型转换
- 缓存读取文件的两种方式
- Laravel php版本冲突
- 第六章接口与实现