Tengo dos matrices numpy:
**Quiero cargarlos en TensorFlow para poder clasificarlos usando una red neuronal. ¿Cómo puedo hacerlo?
¿Qué forma deben tener las matrices numpy?
Información adicional - Mis imágenes son de 60 (alto) por 160 (ancho) píxeles cada una y cada una de ellas tiene 5 caracteres alfanuméricos. Aquí está una imagen de ejemplo:
Cada etiqueta es una matriz de 5 por 62.
Puede utilizar 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()
Aquí'hay un enlace a la documentación de este método:
https://www.tensorflow.org/api_docs/python/tf/convert_to_tensor
Puedes usar el método tf.pack (tf.stack en TensorFlow 1.0.0) para este propósito. A continuación se muestra cómo empaquetar una imagen aleatoria de tipo numpy.ndarray
en un Tensor
:
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()
ACTUALIZACIÓN: para convertir un objeto Python en un Tensor se puede utilizar la función tf.convert_to_tensor.
Puede utilizar marcadores de posición y feed_dict.
Supongamos que tenemos matrices numpy como estas:
trX = np.linspace(-1, 1, 101)
trY = 2 * trX + np.random.randn(*trX.shape) * 0.33
Puedes declarar dos marcadores de posición:
X = tf.placeholder("float")
Y = tf.placeholder("float")
A continuación, utilice estos marcadores de posición (X e Y) en su modelo, coste, etc: modelo = tf.mul(X, w) ... Y ... ...
Finalmente, cuando ejecutes el modelo/coste, alimenta las matrices numpy usando feed_dict:
with tf.Session() as sess:
....
sess.run(model, feed_dict={X: trY, Y: trY})