入门

专业基础概念

　　1.Anaconda ： Python用于深度学习的一站式开发环境，拥有Python的用于深度学习的库，方便简洁

　　2.Opencv：（open source computer vision library） 开源计算机视觉库，实现了图像处理和计算机视觉方面的很多通用算法

　　3.Tensorflow ：人工智能学习系统，语音，图片识别，tensorflow是一个基于数据流编程的符号数学系统，被广泛用于各类机器学习算法的编程实现

　　4.Numpy：  numpy系统是Python的一种开源的计算扩展，可以用来存储和处理大型矩阵，计算过程相比python自身的嵌套列表的结构要高效的多

　　5.Matplotlib： matplotlib是python的一个2D绘图库，它可以拷贝格式和跨平台的交互环境生成出版质量级别的图形，可以绘制直方图，功率谱，条形图，错误图，散点图等

1.tensorflow

　　1.常用api　　

　　　　import tensorflow as tf   # tensorflow 模块的引入

　　　　tf.constant()         # 常量的定义

　　　　tf.variable(0， name='num')          # 变量的定义， 第一个参数为变量的初始值，第二个参数是变量的name

　　　　tf.Session()          # 上下文的创建

　　　　sess.close()         # 关闭session

　　　　print(sess.run())      # 内容的打印输出

　　　　tf.assign(data1, data2)    # 将data2中的值赋值为data1， 返回值为赋值后data1的值

　　　　tf.get_default_session().run(variables)    # 获取默认session打印变量的值

　　　　variables.eval()             # 变量获取默认session直接打印出值

　　　　tf.placeholder()           # 用于声明一个具体数据类型的变量

　　实例一：使用tensorflow实现“hello world” 的打印

import tensorflow as tf

hello = tf.constant('hello world')   # 定义字符串
sess = tf.Session()    # 创建上下文
print(sess.run(hello))   # 打印

　　注意： 1.如果程序中定义了变量，那么就一定需要将变量初始化

　　实例二：初始化变量

import tensorflow as tf

number = tf.Variable(0, name='num')  # 定义一个变量
init = tf.global_variables_initializer()  # 初始化程序中的所有变量
with tf.Session() as sess:
    sess.run(init)

　　实例三：变量重新赋值，获取默认session，打印数值

import tensorflow as tf

data1 = tf.constant(3)
data2 = tf.Variable(2)

dataAdd = tf.add(data1, data2)

dataCopy = tf.assign(data2, dataAdd)   # 将dataAdd中的值赋值给data2

init = tf.global_variables_initializer()   # 初始化程序中的变量
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(dataCopy))
    print(dataCopy.eval())          # 获取默认的session，打印出datacopy的值
    print(tf.get_default_session().run(dataCopy))

 　　实例四：placeholder的使用

import tensorflow as tf

# placeholder的使用
data1 = tf.placeholder(tf.int32)
data2 = tf.placeholder(tf.int32)

dataAdd = data1 + data2
with tf.Session() as sess:
    print(sess.run(dataAdd, feed_dict={data1: 1, data2: 3}))

　　

　　2.常量与变量的四则运算

　　　　tf.add(data1, data2)    # 加法

　　　　tf.subtract()                # 减法

　　　　tf.multiply()                # 乘法

　　　　tf.divide()               # 除法

　　3.矩阵基础

　　　　1.矩阵的定义和特殊矩阵的初始化

　　　　　　tf.constant([[1, 2], [3, 4]])   # 定义一个两行两列的矩阵

　　　　　　tf.zeros([2, 3])                # 生成指定行列的空矩阵

　　　　　　tf.ones ([2, 3])                     # 生成指定行列的全一矩阵

　　　　　　tf.fill([2, 3], 1)                 # 生成指定行列的指定填充矩阵

　　　　　　tf.zeros_like(mat)        # 生成一个和mat维度相同的空矩阵

　　　　　　tf.random_uniform([2, 3], 1, 5)    # 在1到5之间随机选取填充指定维度的矩阵

　　　　2.矩阵的运算

　　　　　　。若矩阵之间进行加法运算，则必须保证，两个矩阵的行和列必须是一样的

　　　　　　。若矩阵之间进行乘法运算，则必须保证， 第一个矩阵的列和第二个矩阵的行是一样的

　　　　　　tf.add(data1, data2)    # 两个矩阵之间进行加法运算

　　　　　　tf.matmul(data1, data2)    # 两个矩阵之间进行矩阵乘法运算

　　　　　　tf.multiply(data1, data2)    # 两个矩阵之间进行普通的乘法运算

2.opencv

　　import cv2   # opencv的引入

　　cv2.imread()    # 实现图片的读取，返回值为图片的数据内容，第一个参数是图片的绝对路径，第二个参数（0， 1），0为灰度图片，1为彩色图片

　　cv2.imshow()    # 实现图片的显示，第一个参数为窗体名称，第二个参数是要显示图片的数据内容

　　cv2.waitKey()   # 实现程序的stop

　　cv2.write()     # 图片的写入，第一个参数是图片的名称，第二个参数图片的格式（jpg，png）,第三个参数可以控制图片的文件的大小（压缩），jpg有损压缩，png无损压缩

　　实例一：实现图片的读取和显示

import cv2

img_data = cv2.imread('imgs/image0.jpg', 1)   # 获取到图片的数据内容
cv2.imshow('img', img_data)   # 显示图片
cv2.waitKey()    # 为了图片一直显示在桌面上，所以我们需要将这个进程暂时的stop一下

　　实例二：实现图片的写入，有损压缩

cv2.imwrite('1.jpg', jpg, [cv2.IMWRITE_JPEG_QUALITY, 50])

 　　实例三：对像素的读写操作  ， 注意：opencv读取出来的像素值是bgr顺序的

import cv2

img_data = cv2.imread('imgs/image0.jpg', 1)
(b, g, r) = img_data[100, 100]   # 读取指定像素的内容
print(b, g, r)  

img_data[100, 100] = (0, 0, 255)   # 给指定像素写入指定的内容

 3.numpy

　　　1.常用api

　　　　np.array([[1, 2], [3, 4]])    # 使用numpy定义一个2*2的矩阵

　　　　np.zeros([2, 3])          # 定义指定维度的空矩阵

　　　　np.ones([2, 3])            # 定义指定维度的全一矩阵

　　　　np.linspace(1, 15, 15)   # 可以定义一个呈线性增长的矩阵，这代码范围从1， 15， 一共有15个数据

  

4.matplotlib

　　。模块的导入方法： import matplotlib.pyplot as plt

　　1.绘制折线图

　　　　需要x轴数据， y轴数据， 折线图线的颜色‘r’， 折线图的线的粗细（lw= ）

　　　　plt.plot(x, y, 'r', lw=2)             # 绘制折线图

　　实例一：绘制折线图

import matplotlib.pyplot as plt
import numpy as np

x = np.array([1, 2, 3, 4, 5, 6])  # 定义x的值
y = np.array([3, 45, 54, 23, 5, 55])   # 定义y的值

plt.plot(x, y, 'r', lw=2)       # 绘制折线图

plt.show()    # 显示折线图

　　

2.绘制柱状图

　　　　需要x轴数据，y轴数据，柱状图的粗细， 柱状图的颜色深浅（透明度, 取值范围【0， 1】）， 柱状图的颜色，

　　　　plt.bar(x, y, 0.2, alpha=0.2, color=‘r’)             # 绘制柱状图

　　实例二：绘制柱状图

import matplotlib.pyplot as plt
import numpy as np

x = np.array([1, 2, 3, 4, 5, 6])  # 定义x的值
y = np.array([3, 45, 54, 23, 5, 55])   # 定义y的值

plt.bar(x, y, 0.2, alpha=0.3, color='b')  # 绘制柱状图
plt.show()   # 展示绘制好的柱状图

 

 实例三：实现股票数据日线的绘制

# 股票数据日线的绘制
import numpy as np
import matplotlib.pyplot as plt

startPrice = np.array([20.12, 12.34, 23.33, 54.09, 33.12])  # 五天中每天的开盘价格
endPrice = np.array([11.44, 41.45, 12.21, 90.32, 45.03])    # 对应开盘价格的五天收盘价格
dataNum = np.linspace(1, 5, 5)   # 生成从一到五天的日期

# print(dataNum)
# 开始是使用折线图的方式画出柱状图, 需要二维的x值和二维的y值
plt.figure()
for i in range(5):
    dataMat = np.zeros([2])
    dataMat[0] = dataNum[i]
    dataMat[1] = dataNum[i]

    priceMat = np.zeros([2])
    priceMat[0] = startPrice[i]  # 当天的开盘价格
    priceMat[1] = endPrice[i]  # 当天的收盘价格

    if startPrice[i] > endPrice[i]:  # 判断当天的开盘价格和收盘价格的大小
        plt.plot(dataMat, priceMat, 'r', lw=5)
    else:
        plt.plot(dataMat, priceMat, 'g', lw=5)

    # 绘图完毕
plt.show()