【10】tensorflow中feed函数喂入数据转换

【1】测试数据

背景：每次喂入神经网络数据时，用同样的数据喂入神经网络测试时就报错，原因如下；

神经网络中运行的是张量流，而测试时喂入的数据绝对不能为张量，因为feed函数不能介绍张量，因此需要转换。

测试数据有两种来源；
【1】一种是训练时候批量生产的数据，为张量形式，例如采用留一法，K交叉法等，
     均是将数据划分，一部分训练，一部分测试；
【2】直接采用外部的图片进行测试；
注：# 注意神经网络的输入是张量，测试数据输入不能是张量，需要转换为非张量数据类型输入
   #神经网络训练时候的输入类型、测试时候的模型都是输入张量形式的，神经网络的预测时候的输入的为非张量
   #但是占位的类型均是一样的

【2】方法1介绍

'''
【1】此处采用方法1进行测试
（1）从数据集读入数据。
（2）将张量数据装换为非张量数据。
（3）维度变换。
	x=tf.placeholder(tf.float32,[1,64,64,3],name='x-input')
	#【1】读入图片数据（读入的是图片路径），打乱放入列表
	train, train_label = input_selfdata.get_files(train_dir)
	#将图像转换为张量，制造标签
	x_test,y_test=input_selfdata.get_batch(train,train_label,image_size,image_size,batch_size,2000)
	#此处还有一部分数据去测试，一部分取训练，此处假设数据集全部取测试
	#--------------------------------------------------------------------------
	#。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
	#--------------------------------------------------------------------------
	#【2】张量转换为非张量，数组
	x_in=sess1.run(x_test)
	y_in=sess1.run(y_test)
	#【3】遍历数据，喂入数据
	for idex in range(len(x_in)):
		x_in_test=x_in[idex]
		#【4】数组维度变换
		test=np.reshape(x_in_test,(1,64,64,3))
		#【5】喂入数据
		soft=sess1.run([softmax],feed_dict={x:test})

'''

【3】方法二介绍

'''
【2】此处采用方法2进行测试，思路如下：
（1）批量读入图片，放置在列表中。
（2）将列表的数据单张读入。
（3）对单张图片大小变换，变换为神经网络数据图片的要求大小。###cv2.resize（64,64）
（4）标准化。加快数据运行速度。###tf.image.per_image_standardization
（5）数据维度变换，变换为神经网络的输入维度，就是占位符里面的维度。###tf.reshape(imageb, (1, 64, 64, 3))
（6）张量装换为非张量，因为feed不能喂入张量。###image_in=sess.run(image)
	具体实现
	注 image_array[index]为输入的单张图像（此处为列表中的图像）
	x=tf.placeholder(tf.float32,[1,64,64,3],name='x-input')
	for index in range(len(image_array[index])):
		#【1】图像大小变换
		reImg=cv2.resize(image_array[index],(64,64))
		#【2】图像标准化，加快神经网络的训练
		imageb = tf.image.per_image_standardization(reImg)
		#【3】图像矩阵转换转为x类型的张量
		image = tf.reshape(imageb, (1, 64, 64, 3))
		#【4】将张量变为非张量
		image_in=sess.run(image)
		#【5】数据喂入神经网络
		prediction = sess.run(logit, feed_dict={x:image_in})
'''