使用张量流实现强化学习时，输入为黑白图像。每个像素可以表示为1/0位。
我是否可以将数据直接提供给tensorflow，并将每一位作为特征？或者我必须在发送到tensorflow之前将位扩展为字节？我是tensorflow的新手，所以一些代码示例会很好。
谢谢
答案 0 :(得分：0)
您可以像平常一样直接加载Image数据，二进制图像将不会起作用，除了输入通道的输入宽度变为1之外。
每当通过卷积网络放置映像时，每个输出过滤器通常都会学习所有通道的功能，因此，对于二进制映像，将为每个输入通道/输出通道组合定义一个单独的内核（因为只有1个输入频道）。
每个通道都由number of filters定义，每个输入通道都有一个2D内核，该内核在所有滤波器上取平均值，因此权重/参数等于input_channels * number_of_filters * filter_dims，在这里是第一层input_channels成为一个。
由于您要求提供一些示例代码。 让您的图像位于张量X中，只需使用
X_out = tf.nn.conv2d(X, filters = 6, kernel_size = [height,width])
之后，您可以应用激活，这将使您的输出图像具有6个通道。如果您遇到任何问题或有任何疑问，请随时发表评论，为澄清理论，请查看https://www.coursera.org/learn/convolutional-neural-networks/lecture/nsiuW/one-layer-of-a-convolutional-network
修改
由于问题是关于简单的神经网络，而不是转换网络，所以这里是代码，
X_train是用于以（n_x，n_x）字节分辨率存储图像的变量，以后将使用n_x。
您将需要拼合输入。
X_train_flatten = X_train_orig.reshape(X_train_orig.shape[0], -1).T
首先将图像水平展平，然后将其转置以垂直排列。
然后，您将创建占位符张量X：
X = tf.placeholder(tf.bool,[n_x*n_x,None])＃您的输入张量应具有与输入图层相同的尺寸。
让W, b分别是权重和偏见。
Z1 = tf.add(tf.matmul(W1,X),b1) #Linear Transformation step
A1 = tf.nn.relu(Z1) #Activation Step
您继续创建图形，我认为这可以回答您的问题，即使不告诉我。