標籤: 網頁設計公司

　　本文面對三種常常遇到的情況，總結三種讀取數據的方式，分別用於處理單張圖片、大量圖片，和TFRecorder讀取方式。並且還補充了功能相近的tf函數。

1、處理單張圖片

　　我們訓練完模型之後，常常要用圖片測試，有的時候，我們並不需要對很多圖像做測試，可能就是幾張甚至一張。這種情況下沒有必要用隊列機制。

import tensorflow as tf
import matplotlib.pyplot as plt

def read_image(file_name):
    img = tf.read_file(filename=file_name)     # 默認讀取格式為uint8
    print("img 的類型是",type(img));
    img = tf.image.decode_jpeg(img,channels=0) # channels 為1得到的是灰度圖，為0則按照圖片格式來讀
    return img

def main( ):
    with tf.device("/cpu:0"):
　　　　     # img_path是文件所在地址包括文件名稱，地址用相對地址或者絕對地址都行 
            img_path='./1.jpg'
            img=read_image(img_path)
            with tf.Session() as sess:
            image_numpy=sess.run(img)
            print(image_numpy)
            print(image_numpy.dtype)
            print(image_numpy.shape)
            plt.imshow(image_numpy)
            plt.show()

if __name__=="__main__":
    main()

"""
輸出結果為：

img 的類型是 <class 'tensorflow.python.framework.ops.Tensor'>
[[[196 219 209]
  [196 219 209]
  [196 219 209]
  ...

 [[ 71 106  42]
  [ 59  89  39]
  [ 34  63  19]
  ...
  [ 21  52  46]
  [ 15  45  43]
  [ 22  50  53]]]
uint8
(675, 1200, 3)
"""

 　　和tf.read_file用法相似的函數還有tf.gfile.FastGFile  tf.gfile.GFile，只是要指定讀取方式是’r’ 還是’rb’ 。

2、需要讀取大量圖像用於訓練

　　這種情況就需要使用Tensorflow隊列機制。首先是獲得每張圖片的路徑，把他們都放進一個list裏面，然後用string_input_producer創建隊列，再用tf.WholeFileReader讀取。具體請看下例：

def get_image_batch(data_file,batch_size):
    data_names=[os.path.join(data_file,k) for k in os.listdir(data_file)]
 
    #這個num_epochs函數在整個Graph是local Variable，所以在sess.run全局變量的時候也要加上局部變量。  
    filenames_queue=tf.train.string_input_producer(data_names,num_epochs=50,shuffle=True,capacity=512)
    reader=tf.WholeFileReader()
    _,img_bytes=reader.read(filenames_queue)
    image=tf.image.decode_png(img_bytes,channels=1)    #讀取的是什麼格式，就decode什麼格式
    #解碼成單通道的，並且獲得的結果的shape是[?, ?,1]，也就是Graph不知道圖像的大小，需要set_shape
    image.set_shape([180,180,1])   #set到原本已知圖像的大小。或者直接通過tf.image.resize_images，tf.reshape()
    image=tf.image.convert_image_dtype(image,tf.float32)
    #預處理  下面的一句代碼可以換成自己想使用的預處理方式
    #image=tf.divide(image,255.0)   
    return tf.train.batch([image],batch_size) 

　　這裏的date_file是指文件夾所在的路徑，不包括文件名。第一句是遍歷指定目錄下的文件名稱，存放到一個list中。當然這個做法有很多種方法，比如glob.glob，或者tf.train.match_filename_once

全部代碼如下：

import tensorflow as tf
import os
def read_image(data_file,batch_size):
    data_names=[os.path.join(data_file,k) for k in os.listdir(data_file)]
    filenames_queue=tf.train.string_input_producer(data_names,num_epochs=5,shuffle=True,capacity=30)
    reader=tf.WholeFileReader()
    _,img_bytes=reader.read(filenames_queue)
    image=tf.image.decode_jpeg(img_bytes,channels=1)
    image=tf.image.resize_images(image,(180,180))

    image=tf.image.convert_image_dtype(image,tf.float32)
    return tf.train.batch([image],batch_size)

def main( ):
    img_path=r'F:\dataSet\WIDER\WIDER_train\images\6--Funeral'  #本地的一個數據集目錄，有足夠的圖像
    img=read_image(img_path,batch_size=10)
    image=img[0]  #取出每個batch的第一個數據
    print(image)
    init=[tf.global_variables_initializer(),tf.local_variables_initializer()]
    with tf.Session() as sess:
        sess.run(init)
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess,coord=coord)
        try:
            while not coord.should_stop():
                print(image.shape)
        except tf.errors.OutOfRangeError:
            print('read done')
        finally:
            coord.request_stop()
        coord.join(threads)


if __name__=="__main__":
    main()

"""
輸出如下：
(180, 180, 1)
(180, 180, 1)
(180, 180, 1)
(180, 180, 1)
(180, 180, 1)
"""

　　這段代碼可以說寫的很是規整了。注意到init裏面有對local變量的初始化，並且因為用到了隊列，當然要告訴電腦什麼時候隊列開始, tf.train.Coordinator 和 tf.train.start_queue_runners 就是兩個管理隊列的類，用法如程序所示。

　　與 tf.train.string_input_producer相似的函數是 tf.train.slice_input_producer。 tf.train.slice_input_producer和tf.train.string_input_producer的第一個參數形式不一樣。等有時間再做一個二者比較的博客

 3、對TFRecorder解碼獲得圖像數據

　　其實這塊和上一種方式差不多的，更重要的是怎麼生成TFRecorder文件，這一部分我會補充到另一篇博客上。

　　仍然使用 tf.train.string_input_producer。

import tensorflow as tf
import matplotlib.pyplot as plt
import os
import cv2
import  numpy as np
import glob

def read_image(data_file,batch_size):
    files_path=glob.glob(data_file)
    queue=tf.train.string_input_producer(files_path,num_epochs=None)
    reader = tf.TFRecordReader()
    print(queue)
    _, serialized_example = reader.read(queue)
    features = tf.parse_single_example(
        serialized_example,
        features={
            'image_raw': tf.FixedLenFeature([], tf.string),
            'label_raw': tf.FixedLenFeature([], tf.string),
        })
    image = tf.decode_raw(features['image_raw'], tf.uint8)
    image = tf.cast(image, tf.float32)
    image.set_shape((12*12*3))
    label = tf.decode_raw(features['label_raw'], tf.float32)
    label.set_shape((2))
    # 預處理部分省略，大家可以自己根據需要添加
    return tf.train.batch([image,label],batch_size=batch_size,num_threads=4,capacity=5*batch_size)

def main( ):
    img_path=r'F:\python\MTCNN_by_myself\prepare_data\pnet*.tfrecords'  #本地的幾個tf文件
    img,label=read_image(img_path,batch_size=10)
    image=img[0]
    init=[tf.global_variables_initializer(),tf.local_variables_initializer()]
    with tf.Session() as sess:
        sess.run(init)
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess,coord=coord)
        try:
            while not coord.should_stop():
                print(image.shape)
        except tf.errors.OutOfRangeError:
            print('read done')
        finally:
            coord.request_stop()
        coord.join(threads)


if __name__=="__main__":
    main()

　　在read_image函數中，先使用glob函數獲得了存放tfrecord文件的列表，然後根據TFRecord文件是如何存的就如何parse，再set_shape；這裡有必要提醒下parse的方式。我們看到這裏用的是tf.decode_raw ，因為做TFRecord是將圖像數據string化了，數據是串行的，丟失了空間結果。從features中取出image和label的數據，這時就要用 tf.decode_raw  解碼，得到的結果當然也是串行的了，所以set_shape 成一個串行的，再reshape。這種方式是取決於你的編碼TFRecord方式的。

再舉一種例子：

reader=tf.TFRecordReader()
_,serialized_example=reader.read(file_name_queue)
features = tf.parse_single_example(serialized_example, features={
    'data': tf.FixedLenFeature([256,256], tf.float32), ###
    'label': tf.FixedLenFeature([], tf.int64),
    'id': tf.FixedLenFeature([], tf.int64)
})
img = features['data']
label =features['label']
id = features['id']

　　這個時候就不需要任何解碼了。因為做TFRecord的方式就是直接把圖像數據append進去了。

參考鏈接：

　　https://blog.csdn.net/qq_34914551/article/details/86286184

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※想知道最厲害的網頁設計公司"嚨底家"!

※幫你省時又省力,新北清潔一流服務好口碑

※別再煩惱如何寫文案,掌握八大原則!

※產品缺大量曝光嗎?你需要的是一流包裝設計!

日產和三菱汽車周二(5)宣布策略結盟，將藉由共同開發電動車，共享工廠、產能和技術，並提升北美和新興市場汽車銷量。日產在聲明中表示，「日產已與三菱達成策略結盟，此舉將擴大雷諾與日產的盟友關係。」

三菱加入後，雷諾與日產的盟友將增加至5名，還包括德國戴姆勒和俄羅斯的AvtoVAZ，共同抵禦德國福斯和日本豐田的競爭。此外，雷諾的本國對手標緻雪鐵龍(PSA Peugeot Citroen)也與通用結盟，以節省成本。

2011年，日產和三菱成立合資公司NMKV，共同研發迷你車，本次的聲明表示，「預期現有的NMKV公司將共同研發新款小車，其中包括預計在全球銷售、特定版本的電動車。」

雷諾、日產和三菱表示，結盟後的首批新車之一，將是由雷諾子公司－雷諾三星汽車在南韓生產的大型車，該車款將掛上三菱的品牌在北美市場販售。第2款較小型的車款也是為三菱設計，係由雷諾研發，生產地點尚未決定。

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

※南投搬家公司費用,距離,噸數怎麼算?達人教你簡易估價知識!

※教你寫出一流的銷售文案?

※超省錢租車方案

  探索新一代節能智聯車輛的創新業務與技術戰略   第二屆中國高新汽車國際峰會由法蘭克福展覽（上海）有限公司和中國國家發展和改革委員會 國際合作中心聯合主辦，是真正國際化的行業思想領袖盛會。演講嘉賓和與會代表將相互交流，分享理念，推廣新策略、新協作、新技術、新服務與新應用。 與會代表在峰會中將獲得有關商業模式、產品和服務戰略、技術創新的寶貴新創意和洞察力， 將推動OEM廠商、供應商和服務提供商朝著更加可持續、更具盈利能力的未來繼續前進。    本屆峰會的演講和討論會將深入探索各種熱門主題，包括：    1.
中國汽車行業和相關市場實現可持續發展的政策、首要任務與積極措施演變 2.
國外經驗與案例分析：為汽車行業發展而採用的商業模式和技術創新 3.
促進中國國有和民營汽車企業的發展：朝著真正合作、技術轉讓和全球市場渠道邁進 4.
電動方程式賽車(Formula E)來臨中國 – 對電動車的研發，性能，安全性，可靠性和消費者的接受程度帶來潛在附帶利益 5.
個人交通的新方向如何與中國未來智能生態城市發展的目標接軌 6.
電動交通和電動化 – 使市場增長的關鍵步驟 7.
未來高增長售後市場的機會：實現盈利發展和客戶滿意度 8.
經銷商和分銷商將業務擴大至新維修市場的潛力 9.
將威力強大的數字營銷和社交媒體戰略用於汽車市場的發展：OEM廠商及零售商的最佳實 踐 10.
評估乘用車和商用車市場中的綜合機遇 11.
在中國的商用車輛和運輸車隊中減排，實現更清潔高效的運作 12.
汽車智聯技術創新實現遠程信息處理之外的新商機   聆聽各大OEM商、供應商和政府政策制定者的新見解，目前，來自國內外的多位高級別演講嘉賓業已確認出席：   ‧
中國國家發展和改革委員會：高級司長 ‧
中國科技部：高級司長 ‧
王成先生，中國汽車技術研究中心 （CATARC）, 汽車產業發展研究所副 總工程師及清潔能源汽車生產力促進中心執行主任 ‧
呂洋先生, 中國海億汽車賽事管理（北京）有限公司副總裁及CEO ‧
Thomas Hajek先生, 德國菲亞特克萊斯勒集團董事會成員 ‧
Boriana Lambreva女士，大眾汽車（中國）公司新能源汽車集團戰略與規劃高 級經理 ‧
原誠寅博士, 北京汽車新能源汽車有限公司產品工程院副院長 ‧
Ridzuan Yusof先生, 馬來西亞Proton電動 車輛項目總監 ‧
Martin Rosell先生, 瑞典WirelessCar公司董事總經理 ‧
Christophe Aufrere先生，法國佛吉亞集團首席技術官 ‧
Christian Heep先生，德國電動交通協會（BEM）首席執行官兼營銷總監 ‧
董揚先生, 中國汽車工業協會（CAAM） 秘書長 ‧
Francois Schoentgen先生，大陸汽車集團動力總成變速箱控制董事總經理 ‧
Klaus Paur先生，中國益普索公司全球汽車業總監製 ‧
Ing Bernd Kraemmer先生, 奧地利iO Vehicles/ iO-E-Scooter公司董事總經理 ‧
Rebecca Zhu女士, 中國HTI業務發展總監（休斯通信公司） ‧
Rick Longobart先生，美國聖塔阿娜市 設施與車隊經理兼市政設備維護協會 （MEMA）主席 ‧
宋健教授，清華大學汽車技術研究院院長及汽車工程系教授 ‧
Madani Sahari先生, 馬來西亞汽車研究院（MAI）首席執行官 ‧
林程博士，北京理工大學電動車輛國家工程實驗室（NELEV）教授兼副主任   詳細內容請上 

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※Google地圖已可更新顯示潭子電動車充電站設置地點!!

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※別再煩惱如何寫文案,掌握八大原則!

※網頁設計最專業,超強功能平台可客製化

第一次在基隆市舉辦的「全國第32屆環保盃桌球錦標賽」，自9日起一連三天在體育館熱鬧開打，市長林右昌也以地主台北網頁設計身份歡迎全國各縣市環保單位41支隊伍、近500名桌球好手來到基隆，並期許選手們除了以球會友，也別忘了好好欣新北清潔賞基隆的山海美景。

開幕典禮由基隆市長林右昌及環保署署長張子敬到場勉勵選手，並在台上進行開iphone維修球儀式。林右昌代表基隆市民歡迎全國各縣市選手的到來，希望在大FB行銷會的妥善安排下，能讓選手賓至如歸，展現最佳實力，並提醒選台北網頁設計手們除了透過比賽相互交流切磋球技，也別忘了盡情享受基隆的在地文化。

林右昌表示，這屆的環保盃桌球錦標賽是32年貨運來首度在基隆舉行，過去由於基隆市的運動場館場地環境條件不太好，因此無租車法舉辦全國賽事，這幾年來市府把包括市立體育館的運動空間及游泳池大幅整修，讓大家享受優質的運動環境，除了比賽之外銷售文案也歡迎大家在基隆住宿，並且進行觀光遊程，𣈱遊基隆的好山好水。

環保局指出，市府如何寫文案將安排選手前往有「網頁設計台灣龍珠」美譽的基隆嶼，以及海科館、和平島等地，進行環保網頁設計公司業務交流活動，讓各地的環保夥伴能夠對基隆有更進一步的瞭解。

環保盃桌球錦標賽是從環保署成立之初就開始舉辦，每年由包裝行銷各縣市環保局輪流辦理，今年已邁入第32年，除網頁設計讓各縣市環保人員有聯誼交流機會，也鼓勵大家運動強身，發揮團隊精神，讓工作更有效率。

為全面提升學生法治教育素養，基隆市政府與基隆地方法院特別為全市高中學生，安排專業法律素養學習與公民實踐活動，第一批八斗高中的學生11日前往地院參觀，透過真實情境與模擬法庭學習法律知識，為培育「國民法官」超前部署。

這項青少年專業法律素養學習與公民實踐活動，是由林右昌市長與基隆地院李台北網頁設計麗玲院長大力促成，以專業的角度，為本市高中833位學生精心規劃「法FB行銷院設施導覽」、「青少年版模擬法庭」及「與法官有約」等系列學習活動，透過各活動體驗傳達各項法律知識，讓原本抽象的法律用語、知識變得更親近、更有趣。

林右昌在11日下午的開幕新北清潔儀式中指出，民主政治不只是投票選舉，公民才是民iphone維修主政治的基礎，在古代也不是每個人都有網頁設計公民權，身為公民既有權利也有責任，權利與責任之間就是法治的基礎，近年來包括司台北網頁設計法體制跟法院與人民的認知比較疏遠，因此他認為應該要為學生規劃建立法治觀念，讓大家成為負責任的公民。

林右昌說，雖然在學校中有公民跟法治教育，但比較難以引起銷售文案學生的興趣，感謝李院長跟法院同仁在百忙中安排這樣的課程，透過真實情境參觀與模網頁設計公司擬法庭等，希望讓同學建立更正確的法律價值觀念。

在導覽中，學生能近距離認識投標室、公證禮堂、法貨運律服務櫃台等與生活貼近的法院場網頁設計所，更特別安排學生參觀少年法庭與收容室，導覽過程同步進行青少年犯罪防治宣導，接著進行「模擬法庭」，學生必須預先了解法院精心準備的劇本，然後在法庭分別飾演法官、檢察官、書租車記官、法警及律師等，依著劇情完成如何寫文案一次審理程序，擔任證人的同學甚至能體驗變聲設備，過程十分真實！

在最後「與法官有約」的座談中，法官除了為學生解說模擬法庭中的法律知識，更現身說法，讓學生對司法官、檢察官等司法工作有更多認識，由於「國民法官」制度即將在2023年上路，透過這一系列的活動，法院也將逐步推動本市國民參與審判準備工作。

教育處表示，法治教育是社會基礎工程，法治素養是一項重要的公民包裝行銷素養，為了深化法治教育，將持續與法院合作辦理「高中法治教育與公民實踐活動」，規劃每位高中生在畢業前均能到法院參與體驗學習，全面提升本市學生公民與法治素養。

美國電動車製造商特斯拉(Tesla Motors)於美股5日收盤後公佈的上季汽車銷量不如預期、賣給其他車商的碳權抵換交易收入下滑，加上第4季盈餘財測欠佳，導致該公司盤後股價重挫逾12%。

特斯拉表示，Q3期間電動轎車每週已可生產550台、整季出貨量達創記錄的5,500台，其中歐洲地區的出貨量超過了1,000台。不過，Model S的Q3出貨量仍不如市場樂觀的預估，市場曾預期Model S的Q3銷售量有望上升至5,850台。

展望Q4，特斯拉預估Model S的出貨量有望接近6,000台，這會讓2013年一整年的出貨量達到21,500台，而當季的本業毛利率則可望上升至25%。此外，特斯拉已在Q3開始接受來自中國大陸客戶對Model S下達的訂單，預計可在明年Q1首度交貨。

特斯拉去年的Model S出貨量僅約2,650台，不如該公司原本設定的5,000台。

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務

※教你寫出一流的銷售文案?

美國知名電動車大廠特斯拉 (Tesla)熱門車款 Model S，週三 (6 日) 傳出近日第三起電池起火事件，引發外界對於爭議性高的電動車輛安全再掀疑慮。Tesla 週三股價才因前日盤後發布第三季車輛銷售不如預期而下挫，週四股價再因上述消息大跌 7.53%，收 139.77 美元。

這起 Tesla 電池起火事件發生在美國田納西州的 Murfreesboro 市，駕駛者 Juris Shibayama 週三下午開著 Model S 駛過路上遺落的拖車掛鉤，因刺破了車輛的電池部位而造成車輛起火。所幸駕駛者在起火之前逃出，並未受傷。

據CNBC報導，這已是過去6 週 Model S 傳出的第 3 起電池起火事件。第 1 次事件發生在西雅圖，當時也是車輛駛過路上一大塊金屬物體，導致電池部分被刺穿而起火。美國國家公路交通安全管理局 (NHTSA)針對上述事件的立場是，他們正在監視情況發展，但並未展開正式調查。

而最新週三的這次車輛起火事件過後，NHTSA 仍表示目前處於搜集資料階段，將諮詢事發當局來確定事故是否與車輛安全相關。

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※想知道最厲害的網頁設計公司"嚨底家"!

※幫你省時又省力,新北清潔一流服務好口碑

※別再煩惱如何寫文案,掌握八大原則!

※產品缺大量曝光嗎?你需要的是一流包裝設計!