https://blog.csdn.net/zz2230633069/article/details/82669546
1.numpy类型:numpy.ndarray 对于图片读取之后(H,W,C)或者(batch,H,W,C)
(1)在元素总数不变的情况下:numpy类型的可以直接使用方法numpy.reshape任意改变大小,numpy.expand_dims增加维度,大小是1(这个函数可以参考numpy.expand_dims的用法)
(2)元素总数可以变化:scipy.misc.imresize(a,size)
2.TensorFlow的类型:tensorflow.python.framework.ops.tensor 图片的计算格式(H,W,C)或者(batch,H,W,C)
(1)在元素总数不变的情况下:numpy可以直接作为Tensor的输入,一旦被放在tf的函数下则失去了numpy的使用方法。tf.expand_dims在指定维度增加1维,大小为1;tf.squeeze刚好相反,删掉维度为1的轴(这两个函数可以参考tf.expand_dims和tf.squeeze函数);
(2)元素总数可以变化:
-
'''
-
tf和numpy之间的转化
-
'''
-
import tensorflow as tf
-
-
a= tf.zeros((3,2))
-
sess=tf.Session()
-
sess.run(tf.global_variables_initializer())
-
-
print("type(a)=",type(a)) # type(a)= <class 'tensorflow.python.framework.ops.Tensor'>
-
-
#转化为numpy数组
-
a_np=a.eval(session=sess)
-
print("type(a_np)=",type(a_np)) # type(a_np)= <class 'numpy.ndarray'>
-
#转化为tensor
-
a2= tf.convert_to_tensor(a_np)
-
print("type(a2)=",type(a2)) # type(a2)= <class 'tensorflow.python.framework.ops.Tensor'>
-
-
3.torch类型:torch.tensor 图片的计算格式是(C,H,W)或者(batch,C,H,W)
numpy类型不能直接作为Tensor的输入,所以在运用torch之前一定要进行转化。
-
from PIL import Image
-
import torch
-
import numpy as np
-
import matplotlib.pyplot as plt
-
a=Image.open('/home/zzp/um_lane_000000.png') # 加载图片数据,返回的是一个PIL类型
-
b=np.array(a).astype(np.float32) # 先将PIL类型转化成numpy类型,并且把数据变成浮点数
-
c=b.transpose((2,0,1)) # 调整成torch的通道
-
d=torch.from_numpy(c).float() # 再将numpy类型转化成torch.tensor类型
-
-
# 或者另外一种加载图片的方式
-
import scipy.misc
-
import torch
-
import numpy as np
-
a=scipy.misc.imread('/home/zzp/um_lane_000000.png') # 加载图片数据,返回的是一个numpy类型
-
c=a.transpose((2,0,1)).astype(np.float32) # 直接调整成torch的通道,不需要转化成numpy类型了,还是要变为浮点数
-
d=torch.from_numpy(c).float() # 再将numpy类型转化成torch.tensor类型
-
-
# 三种加载图像的方法
-
a=Image.open('/home/zzp/um_lane_000000.png')
-
b=scipy.misc.imread('/home/zzp/um_lane_000000.png')
-
c=plt.imread('/home/zzp/um_lane_000000.png')
-
#显示
(1)在元素总数不变的情况下
(2)元素总数可以变化