如何使用Python使用Tensorflow可视化数据？

假设我们有一组花数据集。可以使用谷歌API下载花数据集，该API基本上链接到花数据集。 可以使用‘get_file’方法将API作为参数传递。完成后，数据将下载到环境中。

它可以使用“matplotlib”库进行可视化。使用“imshow”方法在控制台上显示图像。

我们将使用Keras Sequential API，该API有助于构建顺序模型，该模型用于处理一个简单的层堆栈，其中每个层具有一个输入张量和一个输出张量。

使用preprocessing.image_dataset_from_directory加载数据创建了一个keras.Sequential模型的图像分类器。通过数据增强和随机失活技术，优化这个模型，以使其不会overfit。这里有3700张花的图像。该数据集包含5个子目录，每个子目录都是一个类。它们分别是：

• 雏菊，
• 蒲公英，
• 玫瑰，
• 向日葵和
• 郁金香。

我们将使用Google Colaboratory运行以下代码。Google Colab或Colaboratory可以通过浏览器运行Python代码，并不需要配置，也可以免费访问GPU（图形处理单元）。 Colaboratory构建在Jupyter Notebook之上。

print("可视化数据集")
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 10))
for images,labels in train_ds.take(1):
    for i in range(6):
        ax=plt.subplot(3, 3, i+1)
        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])
        plt.axis("off")

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

代码来源: https://www.tensorflow.org/tutorials/images/classification

更多Python相关文章，请阅读：Python 教程

输出结果

Visualizing the dataset
(32, 180, 180, 3)
(32,)

说明

• 使用fit方法训练数据后，也可以手动迭代以检索图像批次。
• 在控制台上显示此数据。
• image_batch是形状为（32，180，180，3）的张量。
• 这是32个形状为180x180x3的图像组成的一个批次。
• label_batch是形状为（32，）的张量，这些是对这32个图像的相应标签。
• 可以在image_batch和labels_batch张量上调用.numpy（）以将它们转换为numpy.ndarray。