Python怎么提取圖像顏色？

回答:python;提取圖像顏色的方法如下::。

#-*-coding:CP936-*-

從ctypes導(dǎo)入*

#介紹winapi

gdi32

用戶32

#獲取句柄

hdc(無)

#獲取指定像素的顏色

c(hdc，100，50)

#打印從十進(jìn)制轉(zhuǎn)換為十六進(jìn)制的顏色。

打印十六進(jìn)制(c).

僅供你參考。

如何使用Keras函數(shù)式API進(jìn)行深度學(xué)習(xí)？

可以說，KerasPython庫(kù)使得創(chuàng)建深度學(xué)習(xí)模型變得快速而簡(jiǎn)單。

sequenceAPI使您能夠?yàn)榇蠖鄶?shù)問題逐層創(chuàng)建模型。當(dāng)然也是有限制的，就是不允許你創(chuàng)建共享層或者多輸入多輸出的模型。

Keras中的函數(shù)式API是創(chuàng)建模型的另一種，它具有更大的靈活性，包括創(chuàng)建更復(fù)雜的模型。

在本教程中，您將學(xué)習(xí)如何使用Keras中更靈活的函數(shù)式API來定義深度學(xué)習(xí)模型。

完成本教程后，您將了解:

順序API和函數(shù)API的區(qū)別。

如何使用函數(shù)式API定義簡(jiǎn)單的多層感知器、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)模型？

如何定義一個(gè)具有共享層和多個(gè)輸入輸出的更復(fù)雜的模型。

教程概述

本教程涵蓋六個(gè)部分，即:

順序模型

功能模型

3.標(biāo)準(zhǔn)網(wǎng)絡(luò)模型

4.共享層模型

5.多輸入多輸出模型

6.最佳實(shí)踐

序列模型

Keras提供了一個(gè)序列模型API。

這是一種創(chuàng)建深度學(xué)習(xí)模型的方法，其中創(chuàng)建一個(gè)序列類的實(shí)例，并創(chuàng)建一個(gè)模型層并添加到其中。

例如，您可以將層定義為數(shù)組，并將其傳遞給序列:

從導(dǎo)入序列

從導(dǎo)入密集

模型順序([密集(2，input_dim1)，密集(1)])

此外，還可以分段添加層:

模型順序()

(Dense(2，input_dim1))

(密集(1))

可以說，在大多數(shù)情況下，序列模型API非常適合開發(fā)深度學(xué)習(xí)模型，但也有一定的局限性。

例如，定義一個(gè)可能有多個(gè)不同的輸入源并可以生成多個(gè)輸出目標(biāo)或重用層的模型并不容易。

KerasfunctionalAPI提供了一種更靈活的來定義模型。

特別是，它使您能夠決定意味著具有多個(gè)輸入或輸出以及共享層的模型。不僅如此，它還使你能夠定義一個(gè)特定的非循環(huán)網(wǎng)絡(luò)圖。

通過創(chuàng)建層的實(shí)例并將它們直接成對(duì)連接，然后定義模型，將層指定為模型的輸入和輸出，來定義模型。

接下來，讓我們讓我們來看看KerasfunctionalAPI的三個(gè)獨(dú)特方面:

定義輸入

與順序模型不同，您必須創(chuàng)建和定義獨(dú)立的輸入圖層來指定輸入數(shù)據(jù)的形狀。

輸入層接受一個(gè)形狀參數(shù)，即一個(gè)元組，它表示輸入數(shù)據(jù)的維度。。

如果輸入數(shù)據(jù)是一維的，比如多層感知器，那么這個(gè)形狀必須能夠清晰地為訓(xùn)練網(wǎng)絡(luò)劃分?jǐn)?shù)據(jù)過程中使用的小批量的形狀留出空間。因此，此形狀數(shù)組始終由最后一個(gè)維度(2)定義，例如:

從導(dǎo)入輸入

可見輸入(形狀(2，)

關(guān)節(jié)層

模型中的層是成對(duì)連接的。

這是通過在定義每個(gè)新層時(shí)指定輸入源來實(shí)現(xiàn)的。這里使用括號(hào)符號(hào)，以便在創(chuàng)建層之后，指定來自當(dāng)前層輸入源的層。

讓讓我們用一個(gè)簡(jiǎn)短的例子來說明這一點(diǎn)。我們可以如上所述創(chuàng)建輸入層，然后創(chuàng)建一個(gè)隱藏層作為密集層，只接受來自輸入層的輸入。

隱密(2)(可見)

注意能見度。創(chuàng)建密集圖層后，將輸入圖層的輸出與密集隱藏圖層連接作為輸入。

通過這種，各層可以一個(gè)接一個(gè)地連接起來，從而使功能API變得靈活。例如，您可以看到開始定義臨時(shí)層圖是多么容易。

創(chuàng)建模型

在創(chuàng)建所有模型層并將它們連接在一起之后，您必須定義模型。

像sequenceAPI一樣，模型是你可以總結(jié)、擬合、評(píng)估和預(yù)測(cè)的東西。

Keras提供了一個(gè)模型類，您可以使用它從創(chuàng)建的層創(chuàng)建一個(gè)模型。要求是您只能指定輸入和輸出層。例如:

從導(dǎo)入模型

模型模型(inputsvisible，outputshidden)

現(xiàn)在我們已經(jīng)知道了KerasfunctionalAPI的所有關(guān)鍵部分，讓讓我們定義一組不同的模型，并對(duì)它們進(jìn)行一些練習(xí)。

每個(gè)示例都是可執(zhí)行的，顯示結(jié)構(gòu)并創(chuàng)建圖的圖表。這樣做的好處是，你可以清楚地知道你在定義什么。

希望以后你想用函數(shù)式API定義自己的模型時(shí)，這些例子能給你提供模板。

開始使用函數(shù)式API時(shí)，最好先了解一些標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)模型是如何定義的。

在本節(jié)中，我們將定義一個(gè)簡(jiǎn)單的多層感知器，卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。

這些例子將為理解下面更詳細(xì)的例子打下基礎(chǔ)。

多層感知器

在本節(jié)中，我們定義了一個(gè)用于二進(jìn)制分類的多層感知器模型。

該模型有10個(gè)輸入，3個(gè)隱層分別有10、20和10個(gè)神經(jīng)元，一個(gè)輸出層只有一個(gè)輸出。校正的線性激活函數(shù)用于每個(gè)隱藏層，sigmoid激活函數(shù)用于二進(jìn)制分類的輸出層。

#多層感知機(jī)

從keras.utils導(dǎo)入繪圖_模型

可視輸入(形狀(10，)

hidden1Dense(10，activationrelu)(可見)

hidden2Dense(20，activationrelu)(hidden1)

hidden3Dense(10，activationrelu)(hidden2)

輸出密集(1，activationsigmoid)(隱藏3)

模型模型(輸入可見，輸出輸出)

#總結(jié)圖層

打印(())

#繪圖圖表

plot_model(模型，至文件多層感知器_)

運(yùn)行示例以顯示網(wǎng)絡(luò)的結(jié)構(gòu):

模型圖的草圖也被創(chuàng)建并保存到一個(gè)文件中。

多層感知器網(wǎng)絡(luò)圖

卷積神經(jīng)網(wǎng)絡(luò)

在本節(jié)中，我們將定義一個(gè)用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)。

該模型接收規(guī)格為64×64的黑白圖像作為輸入，然后有一系列卷積層和池層作為特征提取器，接著是完全連通層來解釋特征，還有一個(gè)sigmoid激活函數(shù)用于兩類預(yù)測(cè)。

#卷積神經(jīng)網(wǎng)絡(luò)

從導(dǎo)入Conv2D

從導(dǎo)入MaxPooling2D

可視輸入(shape(64，64，1))

conv1Conv2D(32，kernel_size4，activationrelu)(可見)

pool1MaxPooling2D(pool_size(2，2))(conv1)

conv2Conv2D(16，kernel_size4，activationrelu)(池1)

pool2MaxPooling2D(pool_size(2，2))(conv2)

hidden1Dense(10，activationrelu)(pool2)

輸出密集(1，activationsigmoid)(hidden1)

plot_model(模型，to_卷積_neural_)

運(yùn)行示例以總結(jié)模型層:

模型圖的草圖也被創(chuàng)建并保存到一個(gè)文件中。

卷積神經(jīng)網(wǎng)絡(luò)圖

循環(huán)神經(jīng)網(wǎng)絡(luò)

在本節(jié)中，我們將定義一個(gè)用于序列分類的長(zhǎng)短記憶循環(huán)神經(jīng)網(wǎng)絡(luò)。

該模型期望將要素的100個(gè)時(shí)間步長(zhǎng)作為輸入。該模型有一個(gè)用于從序列中提取特征的LSTM隱藏層，一個(gè)用于解釋LSTM輸出的全連接層，以及一個(gè)用于二元預(yù)測(cè)的輸出層。

#遞歸神經(jīng)網(wǎng)絡(luò)

從LSTM進(jìn)口

可視輸入(shape(100，1))

隱藏1LSTM(10)(可見)

hidden2Dense(10，activationrelu)(hidden1)

輸出密集(1，activationsigmoid)(隱藏2)

plot_model(model，to_filerecurrent_neural_)

運(yùn)行示例來總結(jié)模型層。

循環(huán)神經(jīng)網(wǎng)絡(luò)圖

多個(gè)層可以共享一個(gè)層的輸出。

例如，同一輸入可能有多個(gè)不同的特征提取層，或者使用多個(gè)層來解釋一個(gè)特征提取層的輸出。

讓讓我們看看這兩個(gè)例子。

共享輸入層

在本節(jié)中，我們定義了多個(gè)卷積層，這些卷積層具有不同大小的核來解釋圖像輸入。

該模型使用大小為64×64像素的黑白圖像。有兩個(gè)CNN特征提取子模型共享該輸入。第一個(gè)內(nèi)核大小是4，第二個(gè)內(nèi)核大小是8。這些特征提取子模型的輸出被壓縮成向量，連接到一個(gè)長(zhǎng)向量，并且在最終輸出層中的二進(jìn)制分類之前被傳遞到一個(gè)完全連接的層用于解釋。

#共享輸入層

從導(dǎo)入展平

從導(dǎo)入連接

#輸入層

#第一個(gè)特征提取r

flat1Flatten()(池1)

#第二特征提取器

conv2Conv2D(16，kernel_size8，activationrelu)(可見)

flat2Flatten()(池2)

#合并特征提取器

合并連接([平面1，平面2])

#解釋層

hidden1Dense(10，activationrelu)(合并)

#預(yù)測(cè)輸出

plot_model(model，to_fileshared_input_)

共享輸入的神經(jīng)網(wǎng)絡(luò)圖

共享特征提取層

在本節(jié)中，我們將使用兩個(gè)平行的子模型來解釋用于序列分類的LSTM特征提取器的輸出。

模型的輸入是一個(gè)特征的100個(gè)時(shí)間步。一個(gè)具有10個(gè)存儲(chǔ)單元的LSTM層來解釋該序列。第一種解釋模型是淺層單一全連通層，第二種是深層三層模型。兩個(gè)解釋性模型的輸出連接到一個(gè)長(zhǎng)向量，并傳遞到輸出層進(jìn)行二進(jìn)制預(yù)測(cè)。

#共享特征提取層

#定義輸入

#特征提取

摘錄1LSTM(10)(可見)

#第一個(gè)解釋模型

interp1Dense(10，activationrelu)(extract1)

#第二種解釋模式

interp11Dense(10，activationrelu)(extract1)

interp12密集(20，activationrelu)(interp11)

interp13Dense(10，activationrelu)(interp12)

#合并解釋

合并連接([interp1，interp13])

#輸出

輸出密集(1，activationsigmoid)(合并)

plot_model(模型，到文件共享特征_)

共享特征提取層的神經(jīng)網(wǎng)絡(luò)圖

功能aPI還可以用于開發(fā)具有多種輸入的更復(fù)雜的模型，這些模型可能有不同的形式。它還可以用于開發(fā)產(chǎn)生多種輸出的模型。

我們將在本節(jié)中查看每個(gè)示例。

多輸入模型

我們將開發(fā)一個(gè)圖像分類模型，它以兩個(gè)版本的圖像作為輸入，每個(gè)版本的大小都不同。具體來說就是黑白64×64版本和彩色32×32版本。在每個(gè)模型上運(yùn)行單獨(dú)的特征提取CNN模型，然后將兩個(gè)模型的結(jié)果連接起來進(jìn)行解釋和最終預(yù)測(cè)。

注意，在創(chuàng)建Model()實(shí)例時(shí)，我們將兩個(gè)輸入層定義為數(shù)組。詳情如下:

模型模型(輸入[可視1，可視2]，輸出輸出)

一個(gè)完整的例子如下:

#多個(gè)輸入

#第一個(gè)輸入模型

visible1輸入(shape(64，64，1))

conv11Conv2D(32，kernel_size4，activationrelu)(visible1)

pool11MaxPooling2D(pool_size(2，2))(conv11)

conv12Conv2D(16，kernel_size4，activationrelu)(池11)

pool12MaxPooling2D(pool_size(2，2))(conv12)

flat1Flatten()(池12)

#第二個(gè)輸入模型

visible2輸入(shape(32，32，3))

conv21Conv2D(32，kernel_size4，activationrelu)(visible2)

pool21MaxPooling2D(pool_size(2，2))(conv21)

conv22Conv2D(16，kernel_size4，activationrelu)(池21)

pool22MaxPooling2D(pool_size(2，2))(conv22)

flat2Flatten()(池22)

#合并輸入模型

#解釋模型

plot_model(model，to_filemultiple_)

模型圖的草圖被創(chuàng)建并保存到文件中。

多輸入的神經(jīng)網(wǎng)絡(luò)圖

多輸出模型

在本節(jié)中，我們將開發(fā)一個(gè)可以執(zhí)行兩種不同類型的系統(tǒng)。預(yù)測(cè)模型。給定一個(gè)100時(shí)間步長(zhǎng)的特征輸入序列，模型將對(duì)該序列進(jìn)行分類，并輸出一個(gè)具有相同長(zhǎng)度的新序列。

LSTM層解釋輸入序列并返回每個(gè)時(shí)間步長(zhǎng)的隱藏狀態(tài)。第一個(gè)輸出模型創(chuàng)建堆棧LSTM，解釋要素并進(jìn)行二元預(yù)測(cè)。第二個(gè)輸出模型使用相同的輸出圖層對(duì)每個(gè)輸入時(shí)間步長(zhǎng)進(jìn)行實(shí)值預(yù)測(cè)。

#多個(gè)輸出

從導(dǎo)入時(shí)間分布

提取LSTM(10，return_sequencesTrue)(可見)

#分類輸出

第11課LSTM(10)(摘錄)

第12類密集(10，activationrelu)(第11類)

output1Dense(1，activationsigmoid)(class12)

#序列輸出

output2時(shí)間分布式(Dense(1，activationlinear))(提取)

模型模型(inputsvisible，outputs[output1，output2])

plot_model(model，to_filemultiple_)

多輸出神經(jīng)網(wǎng)絡(luò)圖

在這一節(jié)中，我將為您提供一些建議，以便在定義自己的模型時(shí)充分利用函數(shù)式API。

變量名一致:輸入層(可見)、輸出層(輸出)甚至隱藏層(hidden1、hidden2)使用同一個(gè)變量名。這將有助于正確連接它們。

審查層總結(jié):堅(jiān)持總結(jié)歸納模型，審查層輸出，以確保模型按預(yù)期連接。

審查圖:不斷創(chuàng)建模型圖的圖，并審查它，以確保所有的東西都按照您的意愿放在一起。

命名層:當(dāng)查看模型圖的概要和草圖時(shí)，您可以為所使用的層指定名稱。例如:Dense(1，名為hidden1)。

單獨(dú)的子模型:考慮開發(fā)單獨(dú)的子模型，最后將它們組合在一起。