microsoftml.extract_pixels: Bir görüntüden piksel çıkarır

Usage

microsoftml.extract_pixels(cols: [str, dict, list],
    use_alpha: bool = False, use_red: bool = True,
    use_green: bool = True, use_blue: bool = True,
    interleave_argb: bool = False, convert: bool = True,
    offset: float = None, scale: float = None, **kargs)

Description

Bir görüntüden piksel değerlerini çıkarır.

Ayrıntılar

extract_pixels bir görüntüden piksel değerlerini çıkarır. Giriş değişkenleri genellikle aynı boyutta görüntülerdir ve genellikle bir resizeImage dönüşümün çıktısıdır. Çıktı, genellikle bir öğrenici için özellik olarak kullanılan vektör biçiminde piksel verileridir.

Arguments

Cols

Dönüştürülecek bir karakter dizisi veya değişken isimleri listesi. Eğer dict, anahtarlar oluşturulacak yeni değişkenlerin isimlerini temsil eder.

use_alpha

Alfa kanalının kullanılıp kullanılmayacağını belirtir. False varsayılan değerdir.

use_red

Kırmızı kanal kullanılıp kullanılmayacağını belirtir. True varsayılan değerdir.

use_green

Yeşil kanal kullanılıp kullanılmayacağını belirtir. True varsayılan değerdir.

use_blue

Mavi kanal kullanılıp kullanılmayacağını belirtir. True varsayılan değerdir.

interleave_argb

Her kanalı ayırıp ayırmamak mı yoksa ARGB sırasına göre ara vermek mi gerekiyor. Bu önemli olabilir, örneğin konvolüsyon sinir ağı eğitiyorsanız, çünkü bu çekirdekin şeklini, adımı vb. etkiler.

convert

Kayan noktaya dönüştürüp dönüştürülmediği. False varsayılan değerdir.

offset

Ofseti (ön ölçeklendirme) belirtir. Bunun için .convert = True Varsayılan değer olarak Hiçbiri kullanılır.

scale

Ölçek faktörünü belirtir. Bunun için .convert = True Varsayılan değer olarak Hiçbiri kullanılır.

kargs

İşlem altyapısına gönderilen ek bağımsız değişkenler.

İadeler

Dönüşümü tanımlayan bir nesne.

Example

'''
Example with images.
'''
import numpy
import pandas
from microsoftml import rx_neural_network, rx_predict, rx_fast_linear
from microsoftml import load_image, resize_image, extract_pixels
from microsoftml.datasets.image import get_RevolutionAnalyticslogo

train = pandas.DataFrame(data=dict(Path=[get_RevolutionAnalyticslogo()], Label=[True]))

# Loads the images from variable Path, resizes the images to 1x1 pixels
# and trains a neural net.
model1 = rx_neural_network("Label ~ Features", data=train, 
            ml_transforms=[            
                    load_image(cols=dict(Features="Path")), 
                    resize_image(cols="Features", width=1, height=1, resizing="Aniso"), 
                    extract_pixels(cols="Features")], 
            ml_transform_vars=["Path"], 
            num_hidden_nodes=1, num_iterations=1)

# Featurizes the images from variable Path using the default model, and trains a linear model on the result.
# If dnnModel == "AlexNet", the image has to be resized to 227x227.
model2 = rx_fast_linear("Label ~ Features ", data=train, 
            ml_transforms=[            
                    load_image(cols=dict(Features="Path")), 
                    resize_image(cols="Features", width=224, height=224), 
                    extract_pixels(cols="Features")], 
            ml_transform_vars=["Path"], max_iterations=1)

# We predict even if it does not make too much sense on this single image.
print("\nrx_neural_network")
prediction1 = rx_predict(model1, data=train)
print(prediction1)

print("\nrx_fast_linear")
prediction2 = rx_predict(model2, data=train)
print(prediction2)

Çıktı:

Automatically adding a MinMax normalization transform, use 'norm=Warn' or 'norm=No' to turn this behavior off.
Beginning processing data.
Rows Read: 1, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 1, Read Time: 0.001, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 1, Read Time: 0, Transform Time: 0
Beginning processing data.
Using: AVX Math

***** Net definition *****
  input Data [3];
  hidden H [1] sigmoid { // Depth 1
    from Data all;
  }
  output Result [1] sigmoid { // Depth 0
    from H all;
  }
***** End net definition *****
Input count: 3
Output count: 1
Output Function: Sigmoid
Loss Function: LogLoss
PreTrainer: NoPreTrainer
___________________________________________________________________
Starting training...
Learning rate: 0.001000
Momentum: 0.000000
InitWtsDiameter: 0.100000
___________________________________________________________________
Initializing 1 Hidden Layers, 6 Weights...
Estimated Pre-training MeanError = 0.707823
Iter:1/1, MeanErr=0.707823(0.00%), 0.00M WeightUpdates/sec
Done!
Estimated Post-training MeanError = 0.707499
___________________________________________________________________
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.2716496
Elapsed time: 00:00:00.0396484
Automatically adding a MinMax normalization transform, use 'norm=Warn' or 'norm=No' to turn this behavior off.
Beginning processing data.
Rows Read: 1, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 1, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 1, Read Time: 0, Transform Time: 0
Beginning processing data.
Using 2 threads to train.
Automatically choosing a check frequency of 2.
Auto-tuning parameters: L2 = 5.
Auto-tuning parameters: L1Threshold (L1/L2) = 1.
Using model from last iteration.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:01.0508885
Elapsed time: 00:00:00.0133784

rx_neural_network
Beginning processing data.
Rows Read: 1, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.1339430
Finished writing 1 rows.
Writing completed.
  PredictedLabel     Score  Probability
0          False -0.028504     0.492875

rx_fast_linear
Beginning processing data.
Rows Read: 1, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.4977487
Finished writing 1 rows.
Writing completed.
  PredictedLabel  Score  Probability
0          False    0.0          0.5

İlgili içerik

  • Last updated on