安静会的博客

对图片进行样本采集并标注label，用鼠标在图片中选择要标注的区域，当鼠标左键弹起便加入样本和标签，此图片采集器默认选取28x28尺寸的图片，三类标签各1000个;如有需要可自行在代码中更改。最后处理的样本数据保存成.npy格式。

矩阵拼接的函数tf.stack()与矩阵分解的函数tf.unstack()tf.unstack(value, num=None, axis=0, name='unstack') Unpacks the given dimension of a rank-`R` tensor into rank-`(R-1)` tensors. Unpacks `num` tensors ...

one_hot处理利用keras模块import keraslabels=keras.utils.to_categorical(labels, 10)orlabels=keras.utils.np_utils.to_categorical(labels, 10)# np_utils.pydef to_categorical(y, num_classes=None):...

ｌｏａｄpython2def unpickle(file): import cPickle with open(file, 'rb') as fo: dict = cPickle.load(fo) return dictpython3def unpickle(file): import pickle with open(file, 'rb')

Usage example (libtiff wrapper)>>> from libtiff import TIFF>>> # to open a tiff file for reading:>>> tif = TIFF.open('filename.tif', mode='r')>>> # to read an image in the currect TIFF directory an

colormap（色度图） 假设我们想在地图上显示美国不同地区的温度。我们可以把美国地图上的温度数据叠加为灰度图像——较暗的区域代表较冷的温度，更明亮的区域代表较热的区域。这样的表现不仅令人难以置信，而且代表了两个重要的原因。首先，人类视觉系统没有被优化来测量灰度强度的微小变化。我们能更好地感知颜色的变化。第二，我们用不同的颜色代表不同的意思。用蓝色和较温暖的温度用红色表示较冷的温度更有意义。

numpy.expand_dims(a, axis) Examples>>> x = np.array([1,2])>>> x.shape(2,)>>> y = np.expand_dims(x, axis=0)>>> yarray([[1, 2]])>>> y.shape(1, 2)>>> y = np.expand_dims(x, axis=1) # Equivalent

pickle模块保存.p文件import numpy as npimport pickleimg_db = np.array(img_db)zeros = np.zeros(12500, dtype=np.uint8)ones = np.ones(12500, dtype=np.uint8)labels = np.concatenate((zeros, ones))obj = {'im

读取.mat数据之scipy.io&h5py

https://github.com/aleju/imgaug/blob/master/imgaug/imgaug.py