Tensorflow入门六-图像处理及Python实现（DeepDream，1×1卷积核，捷径连接）

上一篇：Tensorflow入门五-卷积神经网络（断点续训实现，基本概念、tf卷积函数、cifar数据集百度云资源及tf实现）https://blog.csdn.net/qq_36187544/article/details/89736184

下一篇：Tensorflow入门七-迁移学习实现VGG16微调猫狗分类(迁移学习源1000分类权重文件百度云可直接再学习，线程)https://blog.csdn.net/qq_36187544/article/details/89885247

---

目录

DeepDream

图像处理及代码实现

1×1卷积核

捷径连接

---

DeepDream

了解内容：DeepDream是Google 开源了用来分类和整理图像的 AI 程序 。可用于生成新图像

图片加入噪声生成新图像，现阶段用不上。。。但是这肯定是很有用的功能，可以生成更多更合适的新图片，增加训练集！（还有图像的拉普拉斯金字塔分解，增加低频成分，减少高频成分让生成的图像更加柔和等。这些都是图像生成领域的内容，有个了解）

---

图像处理及代码实现

图像要利用tensorflow进行计算时要进行解码转为tensor。图像翻转也是很重要的处理技术，能够增加无成本增加训练集，让神经网络学习到更多知识。此外，还有图像缩放，剪裁、填充、改变对比度、白化处理等

'''
图像处理：
解码
图像缩放
剪裁和填充、随机剪裁、翻转、改变对比度，白化处理
翻转很重要！！！
'''
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

'''解码'''
#读取图像原始数据
image_raw_data = tf.gfile.FastGFile('picture/001.jpg','rb').read()
with tf.Session() as sess:
    #解码
    img_data = tf.image.decode_jpeg(image_raw_data)
    #打印张量
    #print(img_data.eval())
    #可视化
    plt.imshow(img_data.eval())
    plt.show()

'''图像缩放'''
with tf.Session() as sess:
    # method=0:双线性插值
    # method=1:最近邻插值
    # method=2:双立方插值
    # method=3:像素区域插值
    resized1 = tf.image.resize_images(img_data,[256,256],method=0)
    #图片数据为float32，转格式
    resized1 = np.asarray(resized1.eval(),dtype="uint8")
    plt.imshow(resized1)
    plt.show()

'''图像裁剪或填充'''
with tf.Session() as sess:
    img_data = tf.image.decode_jpeg(image_raw_data)
    croped = tf.image.resize_image_with_crop_or_pad(img_data,50,50)
    #本图片大小为300×300，如果写成如下代码即为填充：
    croped = tf.image.resize_image_with_crop_or_pad(img_data,1000,1000)
    plt.imshow(resized1)
    plt.show()

'''
还有随机剪裁，tf.image.random_crop
翻转的意义：翻转图像加入训练库可让神经网络学习到更多知识
水平翻转：tf.image.filp_left_right(img_data)
上下翻转：tf.image.filp_up_down(img_data)
改变对比度：tf.image.random_contrast
白化处理，转为0均值和单位方差:tf.image.per_image.standardization()
'''

---

1×1卷积核

1×1卷积核可以起到一个跨通道聚合的作用，所以进一步可以起到降维（或者升维）的作用，起到减少参数的目的。 甚至可以利用1×1卷积核实现卷积层代替全连接层

---

捷径连接

在神经网络中不采用传统结构，采用捷径连接，即跳过某一层直接进入下一层的方式，可以防止过拟合，让迭代速度更快