TensorFlow2简单入门
四维张量在卷积神经网络（CNN）中广泛应用，一般用于保存特征图(Feature maps)数据，格式一般定义为
其中𝑏表示输入样本的数量； ℎ表示特征图的高；w表示特征图的宽； 𝑐表示特征图的通道数。
先来看一份代码
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0
train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
'''
输出：
((50000, 32, 32, 3), (10000, 32, 32, 3), (50000, 1), (10000, 1))
'''
(50000, 32, 32, 3)中，50000是图片数目，图片是32×32的，3表示每个像素点都有3个值表示颜色（即彩色图像）。
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
'dog', 'frog', 'horse', 'ship', 'truck']
plt.figure(figsize=(20,10))
for i in range(20):
plt.subplot(5,10,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i][0]])
plt.show()
彩色图像
对比灰度图像：
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0
train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
"""
输出：
((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
"""
灰度图像仅用三维张量即可表示。
plt.figure(figsize=(20,10))
for i in range(20):
plt.subplot(5,10,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(train_labels[i])
plt.show()
灰度图像
