如何使用 Tensorflow 通过 Python 可视化数据?
pythonserver side programmingprogrammingtensorflow
假设我们有花卉数据集。可以使用基本上链接到花卉数据集的 Google API 下载花卉数据集。可以使用 ‘get_file’ 方法将 API 作为参数传递。完成后，数据将下载到环境中。
可以使用 ‘matplotlib’ 库对其进行可视化。‘imshow’方法用于在控制台上显示图像。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们将使用 Keras Sequential API，它有助于构建用于处理普通层堆栈的顺序模型，其中每个层都有一个输入张量和一个输出张量。
使用 keras.Sequential 模型创建图像分类器，并使用 preprocessing.image_dataset_from_directory 加载数据。数据可以高效地从磁盘加载。识别过度拟合并应用技术来缓解它。这些技术包括数据增强和丢弃。有 3700 朵花的图像。此数据集包含 5 个子目录，每个类有一个子目录。它们是:
- 雏菊，
- 蒲公英，
- 玫瑰，
- 向日葵和
- 郁金香。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，并且不需要任何配置，并且可以免费访问 GPU(图形处理单元)。 Colaboratory 已在 Jupyter Notebook 上构建。
print("可视化数据集")
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 10))
for images, labels in train_ds.take(1):
for i in range(6):
ax = plt.subplot(3, 3, i + 1)
plt.imshow(images[i].numpy().astype("uint8"))
plt.title(class_names[labels[i]])
plt.axis("off")
for image_batch, labels_batch in train_ds:
print(image_batch.shape)
print(labels_batch.shape)
break
代码来源:https://www.tensorflow.org/tutorials/images/classification
输出
可视化数据集 (32, 180, 180, 3) (32,)
解释
- 使用fit 方法，也可以手动迭代数据集，以检索批量图像。
- 此数据显示在控制台上。
- image_batch 是形状为 (32, 180, 180, 3) 的张量。
- 这是一批 32 张形状为 180x180x3 的图像。
- label_batch 是形状为 (32,) 的张量，这些是 32 张图像的对应标签。
- 可以在 image_batch 和 labels_batch 张量上调用 .numpy() 以将它们转换为 numpy.ndarray。
