一、tensorflow和opencv測試

import tensorflow as tf import cv2hello = tf.constant('hello tensorflow') session = tf.Session() print(session.run(hello))print('hello opencv')

運行效果如下：

二、基礎部分

1、opencv基礎

代碼三部曲：

1、引入OpenCV
2、調用相關API
3、通過stop讓圖片暫停方便觀察

imread處理過程：1，文件的讀取、2，封裝格式解析、3，數據解碼、4，數據加載

圖片封裝格式主要包括：jpg和png；
其主要包括：文件頭和文件數據（圖片壓縮編碼之后的數據）

cv2.imread('E:\Jupyter_workspace\study\img/water.png',1)
參數1:圖片路徑
參數2:圖片類型 1彩色 0灰色

import cv2img = cv2.imread('E:\Jupyter_workspace\study\img/water.png',1)#讀取圖片。參數1:圖片路徑；參數2:圖片類型 1彩色 0灰色 cv2.imshow('img',img)#參數1：窗體名稱 參數2：展示的內容 cv2.waitKey(0)#暫停方便觀察

opencv模塊組織結構，其中每個文件夾代表一個模塊

calib3d：主要用于相機的校準和3d內容相關的模塊
core：記錄了當前opencv的基礎數據類型，矩陣操作、繪圖相關（重要） dnn：神經網絡相關的模塊
feature2d：與角點檢測，圖像匹配相關 flann：與矩陣相關的模塊，領域搜索算法等等 highgui：圖形相關交互
imgcodecs和imgproc：圖像處理相關的模塊，濾波器，直方圖統計，均衡化、幾何變換、顏色處理（重要） ml：機器學習模塊（重要）
objdetect：物體檢測模塊 photo：圖片處理模塊，圖片的修復、去噪（重要） shape：
stitching：拼接模塊，大圖像的拼接，例如360全景相機
video、videoil和videostab：視頻信息模塊，視頻分解圖像，圖像合成視頻

2、圖片的寫入

cv2.imwrite('E:\Jupyter_workspace\study\img/water666.jpg',img)
參數1：所寫入圖片的名稱，必須有后綴
參數2：當前圖片的數據，這里是解碼之后的元素數據

import cv2img = cv2.imread('E:\Jupyter_workspace\study\img/water.png',1) cv2.imwrite('E:\Jupyter_workspace\study\img/water666.jpg',img)

3、圖片不同質量保存

對jpg圖像操作
cv2.imwrite('E:\Jupyter_workspace\study\img/water666.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,0])
參數1：所寫入圖片的名稱，必須有后綴
參數2：當前圖片的數據，這里是解碼之后的元素數據
參數3：對寫入照片的質量進行選取，范圍為0-100，0表示壓縮包最高，即體積最小，效果最差，以犧牲數據模糊為代價減小體積（有損壓縮）

import cv2img = cv2.imread('E:\Jupyter_workspace\study\img/water.png',1)cv2.imwrite('E:\Jupyter_workspace\study\img/water_0.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,0]) cv2.imwrite('E:\Jupyter_workspace\study\img/water_50.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,50]) cv2.imwrite('E:\Jupyter_workspace\study\img/water_90.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,90])

對png圖像操作
cv2.imwrite('E:\Jupyter_workspace\study\img/water_90.jpg',img,[cv2.IMWRITE_PNG_COMPRESSION,0])
參數1：所寫入圖片的名稱，必須有后綴
參數2：當前圖片的數據，這里是解碼之后的元素數據
參數3：對寫入照片的質量進行選取，范圍為0-9，0表示壓縮包最低，即體積最大，效果最好

import cv2img = cv2.imread('E:\Jupyter_workspace\study\img/water.png',1)cv2.imwrite('E:\Jupyter_workspace\study\img/water_1.png',img,[cv2.IMWRITE_PNG_COMPRESSION,1]) cv2.imwrite('E:\Jupyter_workspace\study\img/water_2.png',img,[cv2.IMWRITE_PNG_COMPRESSION,2]) cv2.imwrite('E:\Jupyter_workspace\study\img/water_8.png',img,[cv2.IMWRITE_PNG_COMPRESSION,8])

png和jpg的區別：

1、jpg是有損壓縮，png是無損壓縮
2、png有透明度屬性，在修改RGB值的時候也可以修改圖片的透明度

4、像素操作

1，像素：圖片放大后的一個一個的小方塊
2，RGB：每個彩色圖像都是有RGB三種顏色所構成的
3，顏色深度：8bit的顏色深度可以表示的顏色范圍為0-255，可以表示256（2^{8）種顏色；對應彩色圖像，RGB各有256種，其總共可以表示256}3種顏色
4，圖片的寬高：（w，h）=（640，480）表示在x軸方向（寬w）有640個像素點，在y軸方向（高h）有480個像素點
例如：720* 547的圖像未壓縮的大小====720 * 547 * 3 * 8（bit）===720 * 547 * 3（Byte）===1.14 MB 3個顏色通道，顏色深度為8位
5，對應png圖像，包含RGN和alpha（α透明度）
6，在opencv中為BGR顏色通道

5、像素讀取與寫入操作

import cv2 img = cv2.imread('E:\Jupyter_workspace\study\img/water.png',1)(b,g,r) = img[100,100]#img[h,w] print(b,g,r)for i in range(1,100):img[10+i,100] = (255,0,0)#[h在變化,w不變]即豎直的藍線 cv2.imshow('image',img) cv2.waitKey(0) #cv2.waitKey(100)#100ms

在圖像的寬為100處，從(10,100)到(110,100)，加一條長度為100的藍線，這里位置為(h,w)：

二、tensorflow基礎

1，tensorflow常量變量

import tensorflow as tfdata1 = tf.constant(2.5) data1_1 = tf.constant(2,dtype=tf.int32) data2 = tf.Variable(10,name = 'var') print(data1) print(data1_1) print(data2)sess = tf.Session() print(sess.run(data1)) print(sess.run(data1_1)) init = tf.global_variables_initializer() sess.run(init) print(sess.run(data2)) sess.close()

結果如下：




結果解釋：

Tensor(“Const:0”, shape=(), dtype=float32) Tensor表示為張量，相當于一個數據
Const表示常數 shape表示維度 float32表示當前的數據類型

<tf.Variable ‘var:0’ shape=() dtype=int32_ref> Variable表示變量
int32_ref表示為32位int類型

tensorflow中所有的操作必須使用Session規劃進行

2，tensorflow運算原理

tensorflow的實質：張量tensor+計算圖graphs，即數據+計算圖
張量：就是數據可以是常量也可以是變量，可以是一維也可以是二維
op：operation可以是四則操作也可以是其他常規運算操作
graphs：數據和操作的過程
在tensorflow中，所有的操作都必須在session規劃中執行
session可以理解為一個運算交換的環境，故有了session.run()
tensorflow中所有的變量必須初始化之后才能完成，故需要一個init操作，而init的實則也是個計算圖，故需要使用session.run(init)，只要運行這個計算圖之后，所有的session才能起作用，用完session之后需要close一下，session.close()；當然也可以直接使用with操作。

import tensorflow as tf data2 = tf.Variable(10,name = 'var')init = tf.global_variables_initializer() sess = tf.Session() with sess:sess.run(init)print(sess.run(data2))

運行結果：

3，常量與變量的四則運算

常量的四則運算

import tensorflow as tf data1 = tf.constant(6) data2 = tf.constant(2)dataAdd = tf.add(data1,data2) dataMul = tf.multiply(data1,data2) dataSub = tf.subtract(data1,data2) dataDiv = tf.divide(data1,data2)with tf.Session() as sess:print(sess.run(dataAdd))print(sess.run(dataMul))print(sess.run(dataSub))print(sess.run(dataDiv))

變量的四則運算

import tensorflow as tf data1 = tf.constant(6) data2 = tf.Variable(2)init = tf.global_variables_initializer()#變量必須執行初始化操dataAdd = tf.add(data1,data2) dataMul = tf.multiply(data1,data2) dataSub = tf.subtract(data1,data2) dataDiv = tf.divide(data1,data2)with tf.Session() as sess:sess.run(init)print(sess.run(dataAdd))print(sess.run(dataMul))print(sess.run(dataSub))print(sess.run(dataDiv)) import tensorflow as tf data1 = tf.constant(6) data2 = tf.Variable(2)init = tf.global_variables_initializer()dataAdd = tf.add(data1,data2) dataCope = tf.assign(data2,dataAdd)#講dataAdd的內容賦值給data2with tf.Session() as sess:sess.run(init)print(sess.run(dataAdd))print(sess.run(dataCope))#data1+data2=6+2-->dataAdd-->data2此時為8print(dataCope.eval())#data2+data1=8+6-->data2此時為14print(tf.get_default_session().run(dataCope))#data2+data1=14+6-->data2此時為20

4，矩陣基礎

sess.run(dataAdd,feed_dict={data1:6,data2:2})
參數1：運算的張量
參數2：追加的數據，是一個data數據，{feed_dict={參數1:6,參數2:2}}

import tensorflow as tf data1 = tf.placeholder(tf.float32) data2 = tf.placeholder(tf.float32) dataAdd = tf.add(data1,data2)with tf.Session() as sess:print(sess.run(dataAdd,feed_dict={data1:6,data2:2}))

矩陣最外面為一個中括號[]
矩陣類比為數組，一個M行N列的數組；[里面為列]，[] 整體為行
例如：一行兩列的矩陣 [[6,6]]

import tensorflow as tf data1 = tf.constant([[6,6]])#一行兩列 data2 = tf.constant([[2],#兩行一列[2]]) data3 = tf.constant([[3,3]])#一行兩列 data4 = tf.constant([[1,2],#三行兩列[3,4],[5,6]]) #print(data4.shape)#打印矩陣的維度with tf.Session() as sess:print(sess.run(data4))#整個data4print(sess.run(data4[0]))#第一行print(sess.run(data4[:,0]))#第一列print(sess.run(data4[0,:]))#第一行print(sess.run(data4[0,1]))#第一行第一列

5，矩陣運算

矩陣相加：對應位置相加
矩陣相乘：前行乘后列

import tensorflow as tf data1 = tf.constant([[6,6]])#一行兩列 data2 = tf.constant([[2],#兩行一列[2]]) data3 = tf.constant([[3,3]])#一行兩列matNul = tf.matmul(data1,data2)#矩陣相乘 multiply = tf.multiply(data1,data2)#multiply相乘！！！對應位置相乘 matAdd = tf.add(data1,data3)#矩陣相加with tf.Session() as sess:print(sess.run(matNul))print(sess.run(multiply))print(sess.run(matAdd))print(sess.run([matNul,multiply,matAdd]))#可以一次打印多個結果

運行結果如下：

特殊矩陣的初始化

import tensorflow as tf mat0 = tf.constant([[1,2,3],#constant定義的為固定的矩陣，兩行三列且值確定，且最外層必須含有一個中括號[][3,4,5]])mat1 = tf.zeros([2,3])#兩行三列全零矩陣 mat2 = tf.ones([3,4])#三行四列全一矩陣 mat3 = tf.fill([4,5],15)#四行五列全15矩陣mat4 = tf.constant([[3],#三行一列矩陣[4],[5]]) mat5 = tf.zeros_like(mat4)#定義一個與mat4維度相同的全是0的矩陣mat6 = tf.linspace(0.0,2.0,11)#將[0.0-2.0]分成相等的10份，也就是11個數劃分10份，每個間隔為0.2mat7 = tf.random_uniform([2,3],1,10)#隨機創建一個兩行三列數組，值用[1,10)進行填充]with tf.Session() as sess:print(sess.run(mat7))

運行結果如下：

三、numpy模塊的使用

import numpy as npdata1 = np.array([1,2,3,4,5]) data2 = np.array([[1,2],[3,4]])print(data1)#結果為：[1 2 3 4 5] print(data2) #結果為： ''' [[1 2][3 4]] ''' print(data1.shape,data2.shape)#結果為：(5,) (2, 2) print(np.zeros([2,3])) ''' 結果為： [[0. 0. 0.][0. 0. 0.]] ''' print(np.ones([2,2])) ''' 結果為： [[1. 1.][1. 1.]] '''data2[1,0] = 5 print(data2) ''' 結果為： [[1 2][5 4]] ''' print(data2[1,1])#結果為：4data3 = np.ones([2,3]) print(data3) ''' 結果為： [[1. 1. 1.][1. 1. 1.]] '''#這里并沒有改變data3的值，每次使用的還是兩行三列全1的值進行操作 print(data3 * 2)#矩陣乘以2 表示矩陣內所有的元素都乘以2 print(data3 + 2) print(data3 - 2) print(data3 / 2) ''' 結果為： [[2. 2. 2.][2. 2. 2.]] [[3. 3. 3.][3. 3. 3.]] [[-1. -1. -1.][-1. -1. -1.]] [[0.5 0.5 0.5][0.5 0.5 0.5]] '''data4 = np.array([[1,2,3],[4,5,6]]) print(data4) ''' 結果為： [[1 2 3][4 5 6]] '''print(data3+data4)#對應位置元素相加 ''' 結果為： [[2. 3. 4.][5. 6. 7.]] '''print(data3*data4)#對應位置元素相乘 ''' 結果為： [[1. 2. 3.][4. 5. 6.]] '''

四、matplotlib模塊的使用

繪制折線圖
plt.plot(x,y,'b',lw=1)
參數1：x軸坐標
參數2：y軸坐標
參數3：繪圖的線條顏色
參數4：繪圖的線條寬度

import numpy as np from matplotlib import pyplot as pltx = np.array([1,2,3,4,5,6,7,8]) y = np.array([7,8,9,5,4,1,8,5]) plt.figure() plt.plot(x,y,'b',lw=1) plt.show()

運行結果如下：

繪制柱狀圖
plt.bar(x,y,0.5,alpha=1,color=‘b’)
參數1：x坐標
參數2：y坐標
參數3：0-1，表示每個柱狀間隔，1為緊緊相鄰
參數4：透明度
參數5：繪制線條顏色

import numpy as np from matplotlib import pyplot as pltx = np.array([1,2,3,4,5,6,7,8]) y = np.array([13,25,17,36,21,16,10,15]) plt.figure() plt.bar(x,y,0.5,alpha=1,color='b') plt.show()

運行結果如下：

五、神經網絡逼近股票收盤均價Demo

給出開盤價和結束價，之間的差用柱狀圖表示，若賺錢用綠色顯示，賠錢用紅色顯示

import tensorflow as tf import numpy as np import matplotlib.pyplot as pltdate = 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]) plt.figure()for i in range(0,15):dateOne = np.zeros([2])dateOne[0] = idateOne[1] = ipriceOne = 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)plt.show()

運行結果如下：

# layer1：激勵函數+乘加運算 #激勵函數為了保證輸入輸出數據的非線性 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt 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 柱狀圖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) #plt.show() # A(15x1)*w1(1x10)+b1(1*10) = B(15x10) # B(15x10)*w2(10x1)+b2(15x1) = C(15x1) # 1 A B C dateNormal = np.zeros([15,1]) priceNormal = np.zeros([15,1]) for i in range(0,15):dateNormal[i,0] = i/14.0;priceNormal[i,0] = endPrice[i]/3000.0; x = tf.placeholder(tf.float32,[None,1]) y = tf.placeholder(tf.float32,[None,1]) # B w1 = tf.Variable(tf.random_uniform([1,10],0,1)) b1 = tf.Variable(tf.zeros([1,10])) wb1 = tf.matmul(x,w1)+b1 layer1 = tf.nn.relu(wb1) # 激勵函數 # C 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) loss = tf.reduce_mean(tf.square(y-layer2))#y 真實 layer2 計算 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) with tf.Session() as sess:sess.run(tf.global_variables_initializer())for i in range(0,10000):sess.run(train_step,feed_dict={x:dateNormal,y:priceNormal})# w1w2 b1b2 A + wb -->layer2pred = sess.run(layer2,feed_dict={x:dateNormal})predPrice = np.zeros([15,1])for i in range(0,15):predPrice[i,0]=(pred*3000)[i,0]plt.plot(date,predPrice,'b',lw=1) plt.figure() plt.show()

運行結果如下：

總結

以上是生活随笔為你收集整理的01-基础部分的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。