reshape规则

目录

• 基于TensorFlow开发的库Keras,Tflearn,TensorLayer
• opencv版本问题
• anaconda创建虚拟环境
• 人脸检测参数
• save的用法
• cv2.imread()
• cv2.putText()
• cv2.boundingRect(img)
• cv2.rectangle()
• shape() , reshape()
• lrn(局部响应归一化）
• tf.truncated_normal(shape, mean, stddev)
• os.listdir()
• json
• array asarray
• np.arange

基于TensorFlow开发的库Keras,Tflearn,TensorLayer

TensorLayer：是16年中发布的，相对较晚但也较为先进。它的优点是速度最快，速度和完全用 TensorFlow 写的代码一样。

同时提供傻瓜式编程方法，和专业级编程方法。参考：tutorial_mnist_simple.py tutorial_mnist.py

提供很多高级功能，适合分布式和嵌入式应用，如：variable reuse ，same model to npz file，GPU manager 等等。

提供大量官方教程，包含了 TensorFlow 官方所有深度学习教程的模块化实现，集合教学和编程于一体。

有中英文文档。

opencv版本问题

在执行cv2.cv.CV_HAAR_SCALE_IMAGE时，如果是opencv3.0以上版本的话，是没有’cv’这个模块的，要换成：cv2.CASCADE_SCALE_IMAGE即可
补充：
(1) cv2.cv.CV_FOURCC()变为cv2.VideoWriter_fourcc()

anaconda创建虚拟环境

# 基于 python3.6 创建一个名为test_py3 的环境
 
conda create -n test_py3 pip python=3.6 
 
# 基于 python2.7 创建一个名为test_py2 的环境
 
conda create -n test_py2 pip python=2.7
 
# 激活 test 环境
 
activate test_py2 # windows
 
source activate test_py2 # linux/mac

# 退出虚拟环境

conda deactivate test_py3

在创建的虚拟环境中安装包 pip 或者conda

# 安装 matplotlib 
 
conda install matplotlib
 
# 查看已安装的包
 
conda list 
 
# 包更新
 
conda update matplotlib
 
# 删除包
 
conda remove matplotlib

Anaconda 的镜像地址默认在国外，用 conda 安装包的时候会很慢，目前可用的国内镜像源地址是清华大学提供的。修改 ~/.condarc (Linux/Mac) 或 C:\Users\当前用户名.condarc (Windows) 配置

channels:
 
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 
- defaults
 
show_channel_urls: true

除此之外，你也可以把 pip 的镜像源地址也换成国内的，豆瓣源速度比较快。修改 ~/.pip/pip.conf (Linux/Mac) 或 C:\Users\当前用户名\pip\pip.ini (Windows) 配置：

[global]
 
trusted-host = pypi.douban.com
 
index-url = http://pypi.douban.com/simple

虚拟环境下安装tensorflow（cuda=9.0）

(tensorFlow)$ pip install --upgrade tensorflow  # for python 2.7 
(tensorFlow)$ pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade tensorflow  # for python 3.n
(tensorFlow)$ pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade tensorflow-gpu==1.11  # for python 2.7 with GPU
(tensorFlow)$ pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade tensorflow-gpu==1.11  # for Python 3.n with GPU

人脸检测参数

detectMultiScale有6个参数。

参数1：image–待检测图片，一般为灰度图像

参数2：scaleFactor–表示在前后两次相继的扫描中，搜索窗口的比例系数也就是每次跌代时图像的压缩率。

参数3：minNeighbors–每个人矩形保留近邻数目的最小值。

参数4: flags–要么使用默认值，要么使用CV_HAAR_DO_CANNY_PRUNING，如果设置为 CV_HAAR_DO_CANNY_PRUNING，那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域，因此这些区域通常不会是人脸所在区域

参数5、6: minSize和maxSize用来限制得到的目标区域的范围。

sum=add(sum,x,y)时由于等号右边的递归使得程序一直在计算，sum并未被赋值，进而下面的
return sum并未执行，所以只有一个返回值。

image = cv2.resize(image, (48, 48), interpolation=cv2.INTER_CUBIC)

缩放有几种不同的插值（interpolation）方法，在缩小时推荐cv2.INTER_ARER,扩大是推荐cv2.INTER_CUBIC和cv2.INTER_LINEAR。默认都是cv2.INTER_LINEAR。

save的用法

训练阶段：
使用saver.save()方法保存模型：
1）sess：表示当前会话，当前会话记录了当前的变量值
2）checkpoint_dir + ‘model.ckpt’：表示存储的文件名
3）global_step：表示当前是第几步
测试阶段：
使用saver.restore()方法恢复变量：
sess：表示当前会话，之前保存的结果将被加载入这个会话
ckpt.model_checkpoint_path：表示模型存储的位置，不需要提供模型的名字，它会去查看checkpoint文件，看看最新的是谁，叫做什么。

cv2.imread()

img1=cv2.imread("test.jpg",0) #以灰度格式读入图片
img1=cv2.imread("test.jpg",-1) #以RGB格式读入图片

注：第二个参数小于0，均为读入彩色图片；当大于0时，交替表示读入彩色or灰度图

cv2.putText()

cv2.putText(img, str(i), (123,456)), font, 2, (0,255,0), 3)
各参数依次是：图片，添加的文字，左上角坐标，字体，字体大小，颜色，字体粗细

cv2.boundingRect(img)

返回四个值，分别是x，y，w，h: x，y是矩阵左上点的坐标，w，h是矩阵的宽和高

cv2.rectangle()

cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)画出矩形

参数解释

第一个参数：img是原图

第二个参数：（x，y）是矩阵的左上点坐标

第三个参数：（x+w，y+h）是矩阵的右下点坐标

第四个参数：（0,255,0）是画线对应的rgb颜色

第五个参数：2是所画的线的宽度

shape() , reshape()

import numpy as np
a=np.array([[[1,1],[2,2],[3,3]],[[4,4],[5,5],[6,6]]])
print(a.shape) #result：(2,3,2) 分别对应一个立方体的宽、高、长
print(a.reshape(3,-1))
#result:
# [[1 1 2 2]
#  [3 3 4 4]
#  [5 5 6 6]]

tf.reshape(-1,48,48,1)
-1表示任意数量的样本数,大小为28x28深度为1的张量
可以忽略(其实是用深度为28的,28x1的张量,来表示28x28深度为1的张量)

lrn(局部响应归一化）

在每一层卷积神经网络的池化之后增加一层lrn层，有利于训练准确度的提升

tf.truncated_normal(shape, mean, stddev)

tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正态分布，均值和标准差自己设定。这是一个截断的产生正态分布的函数，就是说产生正态分布的值如果与均值的差值大于两倍的标准差，那就重新生成。和一般的正态分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。

os.listdir()

os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。这个列表以字母顺序。 它不包括 ‘.’ 和’…’ 即使它在文件夹中。

json

常用有 json-py 与smiplejson 两个包

1. json-py: json-py 包含json.py外，还有一个minjson

import json 
json.read( json_obj )# Converting JSON to Python
json.write(python_obj)# Converting Python to JSON

import minjson
minjson.read( json_obj )#同上
minjson.write(python_obj)

2. simplejson

import json
json.loads(json_obj)   # Converting JSON to Python
json.dumps(python_obj)# Converting Python to JSON

array asarray

import numpy as np
# 将list转换为ndarray
a = [1, 2]
print(np.asarray(a))    # [1, 2]

# 如果对象本身即为ndarray，且不改变dtype，则不会copy之
a = np.array([1, 2])
print(np.asarray(a) is a)    # True

# 如果对象本身即为ndarray，且改变dtype，则还是会copy之
a = np.array([1, 2], dtype=np.float32)
print(np.asarray(a, dtype=np.float32) is a)    # True
print(np.asarray(a, dtype=np.float64) is a)    # False

np.arange

返回值： np.arange()函数返回一个有终点和起点的固定步长的排列，如[1,2,3,4,5]，起点是1，终点是5，步长为1。
参数个数情况： np.arange()函数分为一个参数，两个参数，三个参数三种情况
1）一个参数时，参数值为终点，起点取默认值0，步长取默认值1。
2）两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。
3）三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长。其中步长支持小数。