【10】tensorflow中feed函數喂入數據轉換

【1】測試數據

背景：每次喂入神經網絡數據時，用同樣的數據喂入神經網絡測試時就報錯，原因如下；

神經網絡中運行的是張量流，而測試時喂入的數據絕對不能爲張量，因爲feed函數不能介紹張量，因此需要轉換。

測試數據有兩種來源；
【1】一種是訓練時候批量生產的數據，爲張量形式，例如採用留一法，K交叉法等，
     均是將數據劃分，一部分訓練，一部分測試；
【2】直接採用外部的圖片進行測試；
注：# 注意神經網絡的輸入是張量，測試數據輸入不能是張量，需要轉換爲非張量數據類型輸入
   #神經網絡訓練時候的輸入類型、測試時候的模型都是輸入張量形式的，神經網絡的預測時候的輸入的爲非張量
   #但是佔位的類型均是一樣的

【2】方法1介紹

'''
【1】此處採用方法1進行測試
（1）從數據集讀入數據。
（2）將張量數據裝換爲非張量數據。
（3）維度變換。
	x=tf.placeholder(tf.float32,[1,64,64,3],name='x-input')
	#【1】讀入圖片數據（讀入的是圖片路徑），打亂放入列表
	train, train_label = input_selfdata.get_files(train_dir)
	#將圖像轉換爲張量，製造標籤
	x_test,y_test=input_selfdata.get_batch(train,train_label,image_size,image_size,batch_size,2000)
	#此處還有一部分數據去測試，一部分取訓練，此處假設數據集全部取測試
	#--------------------------------------------------------------------------
	#。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
	#--------------------------------------------------------------------------
	#【2】張量轉換爲非張量，數組
	x_in=sess1.run(x_test)
	y_in=sess1.run(y_test)
	#【3】遍歷數據，喂入數據
	for idex in range(len(x_in)):
		x_in_test=x_in[idex]
		#【4】數組維度變換
		test=np.reshape(x_in_test,(1,64,64,3))
		#【5】喂入數據
		soft=sess1.run([softmax],feed_dict={x:test})

'''

【3】方法二介紹

'''
【2】此處採用方法2進行測試，思路如下：
（1）批量讀入圖片，放置在列表中。
（2）將列表的數據單張讀入。
（3）對單張圖片大小變換，變換爲神經網絡數據圖片的要求大小。###cv2.resize（64,64）
（4）標準化。加快數據運行速度。###tf.image.per_image_standardization
（5）數據維度變換，變換爲神經網絡的輸入維度，就是佔位符裏面的維度。###tf.reshape(imageb, (1, 64, 64, 3))
（6）張量裝換爲非張量，因爲feed不能喂入張量。###image_in=sess.run(image)
	具體實現
	注 image_array[index]爲輸入的單張圖像（此處爲列表中的圖像）
	x=tf.placeholder(tf.float32,[1,64,64,3],name='x-input')
	for index in range(len(image_array[index])):
		#【1】圖像大小變換
		reImg=cv2.resize(image_array[index],(64,64))
		#【2】圖像標準化，加快神經網絡的訓練
		imageb = tf.image.per_image_standardization(reImg)
		#【3】圖像矩陣轉換轉爲x類型的張量
		image = tf.reshape(imageb, (1, 64, 64, 3))
		#【4】將張量變爲非張量
		image_in=sess.run(image)
		#【5】數據喂入神經網絡
		prediction = sess.run(logit, feed_dict={x:image_in})
'''