TensorFlow中数据的feed与fetch
TensorFlow中数据的feed与fetch
一:占位符(placeholder)与feed
当我们构建一个模型的时候,有时候我们需要在运行时候输入一些初始数据,这个时候定义模型数据输入在tensorflow中就是用placeholder(占位符)来完成。它的定义如下:
def placeholder(dtype, shape=None, name=None):
其中dtype表示数据类型,shape表示维度,name表示名称。它支持单个数值与任意维度的数组输入。
1. 单个数值占位符定义
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.add(a, b)
当我们需要执行得到c的运行结果时候我们就需要在会话运行时候,通过feed来插入a与b对应的值,代码演示如下:
with tf.Session() as sess:result = sess.run(c, feed_dict={a:3, b:4})print(result)
其中 feed_dict就是完成了feed数据功能,feed中文有喂饭的意思,这里还是很形象的,对定义的模型来说,数据就是最好的食物,所以就通过feed_dict来实现。
2. 多维数据
同样对于模型需要多维数据的情况下通过feed一样可以完成,定义二维数据的占位符,然后相加,代码如下
_x = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="x")
_y = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="y")
z = tf.add(_x, _y);
运行时候需要feed二维数组,实现如下:
with tf.Session() as sess:result = sess.run(z, feed_dict={_x:[[3, 4], [1, 2]], _y:[[8, 8],[9, 9]]})print(result)
二:fetch用法
会话运行完成之后,如果我们想查看会话运行的结果,就需要使用fetch来实现,feed,fetch同样可以fetch单个或者多个值。
1. fetch单个值
矩阵a与b相乘之后输出结果,通过会话运行接受到值c_res这个就是fetch单个值,fetch这个单词在数据库编程中比较常见,这里称为fetch也比较形象。代码演示如下:
import tensorflow as tfa = tf.Variable(tf.random_normal([3, 3], stddev=3.0), dtype=tf.float32)
b = tf.Variable(tf.random_normal([3, 3], stddev=3.0), dtype=tf.float32)
c = tf.matmul(a, b);
init = tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)c_res = sess.run(c)print(c_res)
1.fetch多个值
还是以feed中代码为例,我们把feed与fetch整合在一起,实现feed与fetch多个值,代码演示如下:
import tensorflow as tf_x = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="x")
_y = tf.placeholder(shape=[None, 2], dtype=tf.float32, name="y")
z = tf.add(_x, _y);
data = tf.random_normal([2, 2], stddev=5.0)
Y = tf.add(data, z)with tf.Session() as sess:z_res, Y_res = sess.run((z, Y), feed_dict={_x:[[3, 4], [1, 2]], _y:[[8, 8],[9, 9]]})print(z_res)print(Y_res)
上述代码我们就fetch了两个值,这个就是feed与fetch的基本用法。下面我们就集合图像来通过feed与fetch实现一些图像ROI截取操作。代码演示如下:
import tensorflow as tf
import cv2 as cvsrc = cv.imread("D:/javaopencv/test.png")
cv.imshow("input", src)
_image = tf.placeholder(shape=[None, None, 3], dtype=tf.uint8, name="image")
roi_image = tf.slice(_image, [40, 130, 0], [180, 180, -1])with tf.Session() as sess:slice = sess.run(roi_image, feed_dict={_image:src})print(slice.shape)cv.imshow("roi", slice)cv.waitKey(0)cv.destroyAllWindows()
TensorFlow中数据的feed与fetch相关推荐
- TF学习——TF数据读取:TensorFlow中数据读这三张图片的5个epoch +把读取的结果重新存到read 文件夹中
TF学习--TF数据读取:TensorFlow中数据读这三张图片的5个epoch +把读取的结果重新存到read 文件夹中 目录 实验展示 代码实现 实验展示 代码实现 1.如果设置shuffle为T ...
- TensorFlow中数据读取—如何载入样本
考虑到要是自己去做一个项目,那么第一步是如何把数据导入到代码中,何种形式呢?是否需要做预处理?官网中给的实例mnist,数据导入都是写好的模块,那么自己的数据呢? 一.从文件中读取数据(CSV文件.二 ...
- tensorflow中tfrecord数据操作
前言: 为了更加展示tfrecord数据的相关操作,笔者后续又写了一个实践的简单例子进一步解释,具体可以看: TFrecords 制作数据集小例子(多标签)_爱吃火锅的博客-CSDN博客 正文: tf ...
- tensorflow中的seq2seq例子为什么需要bucket? 有关tensorflow 的sequence2sequence例子,为什么需要用到buckets,rnn不是可以处理任意长度的数据吗
tensorflow中的seq2seq例子为什么需要bucket? 有关tensorflow 的sequence2sequence例子,为什么需要用到buckets,rnn不是可以处理任意长度的数据吗 ...
- python读取图像数据流_浅谈TensorFlow中读取图像数据的三种方式
本文面对三种常常遇到的情况,总结三种读取数据的方式,分别用于处理单张图片.大量图片,和TFRecorder读取方式.并且还补充了功能相近的tf函数. 1.处理单张图片 我们训练完模型之后,常常要用图片 ...
- 在TensorFlow中使用pipeline加载数据
正文共2028个字,6张图,预计阅读时间6分钟. 前面对TensorFlow的多线程做了测试,接下来就利用多线程和Queue pipeline地加载数据.数据流如下图所示: 首先,A.B.C三个文件通 ...
- Tensorflow中使用tfrecord,队列方式读取数据
博客地址:https://blog.csdn.net/liangjun_feng/article/details/79698809 标准TensorFlow格式 有一种保存记录的方法可以允许你讲任意的 ...
- TensorFlow 中文文档 介绍
介绍 本章的目的是让你了解和运行 TensorFlow 在开始之前, 先看一段使用 Python API 撰写的 TensorFlow 示例代码, 对将要学习的内容有初步的印象. 这段很短的 Pyth ...
- 『TensorFlow』数据读取类_data.Dataset
一.资料 参考原文: TensorFlow全新的数据读取方式:Dataset API入门教程 API接口简介: TensorFlow的数据集 二.背景 注意,在TensorFlow 1.3中,Data ...
- 如何使用TensorFlow中的Dataset API
翻译 | AI科技大本营 参与 | zzq 审校 | reason_W 本文已更新至TensorFlow1.5版本 我们知道,在TensorFlow中可以使用feed-dict的方式输入数据信息,但是 ...
最新文章
- 客快物流大数据项目(六十二):主题及指标开发
- 文件哈希审计工具md5deep/hashdeep
- php和python区别-Python与PHP的一些区别
- 通过CSS让html网页中的内容不可选
- 水池数目---深搜思想
- 建站需要mysql_你还在对建站数据不重视吗-Navicat for MySQL赶快上手使用吧
- windows主机防护
- c 连接mysql错误信息_使用C语言访问MySQL数据 —— 连接和错误处理
- 双绞线传输距离_一看就懂的网络传输介质介绍
- Android LayoutInflater原理分析,带你一步步深入了解View(一) 郭霖学习摘要
- 【Python】range和xrange区别
- STM32工作笔记0074---UCOSIII 任务管理(中)
- 百度前端技术学院-task1.8源代码
- kafka shutdown停止关闭很慢问题的解决方案
- 1200,1500PLC通过将FB284封装成一个标准FB块控制V90PN伺服EPOS定位
- 企业盈利能力五大指标之:总资产收益率
- Python-Django毕业设计交通违章举报平台(程序+Lw)
- 信息化发展与应用的新特点
- python123课题的答案_python 练习 选课系统 项目
- 每天10道Crypto Day1
热门文章
- Fiddler添加过滤条件
- win2008server R2 x64 部署.net core到IIS--ASP .NET Core HTTP Error 502.5 – Process Failure
- 面向对象组件开发一个弹窗
- centos6安装PHP5.4
- winform中导入excel表格
- SpringBoot整合Shiro(Java安全框架)案例(含源码)
- 经典排序算法(十一)--堆排序Heap Sort
- android 自定义园动画,如何在Android中绘制一个带有动画的圆
- asp连接linux下的oracle,如何从ASP连接到Oracle Server?
- 零基础入门python web 自动化测试_web自动化测试从入门到持续集成