Визуализируйте набор данных цветов с помощью Tensorflow — Python

7 лучших библиотек Python для науки о данных и машинного обучения Изучение

Набор данных цветов Tensorflow — это большой набор данных, состоящий из изображений цветов. В этой статье мы узнаем, как визуализировать набор данных цветов в Python. Для целей этой статьи мы будем использовать наборы данных tensorflow_datasets и библиотеку Matplotlib.

Prerequisites

Если у вас нет какой-либо из перечисленных ниже библиотек, вы можете установить их с помощью команды pip, например, для установки библиотеки tensorflow_datasets вам нужно написать следующую команду:

pip install tensorflow-datasets

Matplotlib — это библиотека для построения графиков для Python. Он позволяет пользователю с функциональными возможностями визуализировать и строить сложные графики в Python, но при этом предоставляет широкие возможности настройки. Чтобы установить Matplotlib, как и раньше, вы можете использовать команду pip:

pip install matplotlib

Импорт библиотек

tensorflow_datasets — это библиотека общедоступных наборов данных, готовых к использованию с TensorFlow, а MatplotLib — один из удобных инструментов, используемых специалистами по машинному обучению для построения визуализации на различных типах наборов данных.

Python3

import tensorflow_datasets as tfds
import matplotlib.pyplot as plt

Загрузка цветочного набора данных

Начнем с импорта набора данных. Мы будем использовать функцию tfds.load() для импорта набора данных цветов. Он используется для загрузки указанного набора данных в tf.data.Dataset, который предоставляется через аргумент имени. Набор цветочных данных называется tf_flowers.

Python3

dataset, info = tfds.load(
    'tf_flowers',
    with_info=True,
    as_supervised=True,
)
get_image_label = info.features['label'].int2str

дем использовать функцию tfd

Давайте проверим, сколько изображений у нас есть в наборе данных.

Python3

print(len(dataset['train']))

Выход:

3670

Теперь пришло время визуализировать изображения. Следующий фрагмент кода показывает первые четыре изображения в наборе данных.

Python3

num = 1
fig = plt.figure(figsize=(20, 14))
for image, label in iter(dataset['train']):
    if num > 4:
        break
    img = image.numpy()
    fig.add_subplot(2, 2, num)
    plt.imshow(img)
    plt.axis('off')
    plt.title(get_image_label(label))
    num += 1
plt.tight_layout()
plt.show()

Выход:

Визуализация некоторых изображений из набора данных цветов

Визуализация некоторых изображений из набора данных цветов

Мы также можем применить к нему увеличение данных, используя одну из очень удобных библиотек — Albumentation.

Python3

import albumentations as A
 
augmenter = A.VerticalFlip(p=1)
image, label = next(iter(dataset['train']))
plt.subplot(1, 2, 1)
_ = plt.imshow(image)
_ = plt.title(get_image_label(label))
 
plt.subplot(1, 2, 2)
image = augmenter(image=image)['image']
_ = plt.imshow(image)
_ = plt.title(get_image_label(label))

Выход:

Исходное изображение и дополненное изображение

Исходное изображение и дополненное изображение

Читайте также:  10 лучших альтернатив ChatGPT в 2023 году (бесплатных и платных)
Оцените статью
bestprogrammer.ru
Добавить комментарий