如何将numpy数组转换为标准的TensorFlow格式？

Question

我有两个numpy数组

• 包含验证码图片和
的图片
• 包含相应标签的另一个标签（采用单热矢量格式）

我想将这些加载到TensorFlow中，以便我可以使用神经网络对它们进行分类。怎么办呢？

numpy数组需要具有什么形状？

其他信息 - 我的图像分别为60（高）×160（宽）像素，每个像素都有5个字母数字字符

每个标签是5乘62阵列。

Answer 1

您可以使用tf.convert_to_tensor()：

import tensorflow as tf
import numpy as np

data = [[1,2,3],[4,5,6]]
data_np = np.asarray(data, np.float32)

data_tf = tf.convert_to_tensor(data_np, np.float32)

sess = tf.InteractiveSession()  
print(data_tf.eval())

sess.close()

Answer 2

为此，您可以使用tf.pack（TensorFlow 1.0.0中的tf.stack）方法。以下是将numpy.ndarray类型的随机图片打包到Tensor：

的方法

import numpy as np
import tensorflow as tf
random_image = np.random.randint(0,256, (300,400,3))
random_image_tensor = tf.pack(random_image)
tf.InteractiveSession()
evaluated_tensor = random_image_tensor.eval()

更新：要将Python对象转换为Tensor，您可以使用tf.convert_to_tensor函数。

Answer 3

您可以使用占位符和feed_dict。

假设我们有像这样的numpy数组：

trX = np.linspace(-1, 1, 101) 
trY = 2 * trX + np.random.randn(*trX.shape) * 0.33 

您可以声明两个占位符：

X = tf.placeholder("float") 
Y = tf.placeholder("float")

然后，在模型，成本等中使用这些占位符（X和Y）：     model = tf.mul（X，w）... Y ...     ...

最后，当你运行模型/成本时，使用feed_dict：

来提供numpy数组

with tf.Session() as sess:
.... 
    sess.run(model, feed_dict={X: trY, Y: trY})