TensorFlow学习笔记-feed与fetch

 今天学习Feed 与Feach。他要配合着占位符来使用！！！

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。 

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 tf

a = 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 cv

src = 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()

原图

ROI图像

    在神经网络里面，主要用到 Feed和Feach 还是为了看出来的结果数据！

    下面学习的目的：找到输入728维数据得到是4的函数关系，为了得到模型wx+b中的模型系数。标签4，对应一堆728维的向量数据。可以输入任何满足正态分布的728维数据和标签4，通过数学模型wx+b得到数值，使得它与标签4越来越近，进行了100次迭代，训练出系数，得到线性回归系数，w（728*1）和b（1*1）。

      一个原值为4的图片，28*28， np.reshape(image, [1, 784]) 成一维向量，共784个数，然后通过按照一定正态分布的随机数，生成x，w，b，然后让他们进行一定的运算生成y_(期望得到4)，通过梯度下降法，学习率为0.01，然后MSE（均方根误差）去作为优化函数，然后按照这种学习方法去找到w，b，使得与4很相近。

mport tensorflow as tf
import numpy as np
import cv2 as cv


def get_x(a):
    image = np.zeros([28, 28], dtype=np.uint8)
    cv.putText(image, str(a), (7, 21), cv.FONT_HERSHEY_PLAIN, 1.3, (255), 2, 8)
    cv.imshow("image", image)
    data = np.reshape(image, [1, 784])
    return data / 255


def feed_fetch():
    x = tf.placeholder(shape=[1, 784], dtype=tf.float32)
    y = tf.placeholder(dtype=tf.float32)
    w = tf.Variable(tf.random_normal([784, 1]))
    b = tf.Variable(tf.random_normal([1, 1]))

    y_ = tf.add(tf.matmul(x, w), b)
    loss = tf.reduce_sum(tf.square(tf.subtract(y, y_)))
    train = tf.train.GradientDescentOptimizer(0.01)
    step = train.minimize(loss)
    init = tf.global_variables_initializer()

    x_input = get_x(4)
    with tf.Session() as sess:
        sess.run(init)
        for i in range(100):
            y_result, curr_loss, curr_step = sess.run([y_, loss, step], feed_dict={x: x_input, y: 4})
            if i % 10 == 0:
                print("y_ ：%f ,loss :%f" % (y_result, curr_loss))
        curr_w, curr_b = sess.run([w, b], feed_dict={x: x_input, y: 4})
        print("curr_w :", curr_w)
        print("curr_b : ", curr_b)


if __name__ == "__main__":
    feed_fetch()

结果： 

.......省略很多个curr_w.....

当前的w很复杂，b就是一个数，