در این پست، کدهای مفید و کاربردی مربوط به شبکه های عصبی و یادگیری عمیق قرار می گیرند. علت اینکه این کدها را در گیت هاب قرار ندادم حجم کم آن ها است.
* این پست به صورت پیوسته به روزرسانی می شود. آخرین به روزرسانی 1399/01/15
1. دریافت یک عکس به عنوان وروردی، تبدیل عکس به ماتریکس و درپایان تبدیل ماتریکس به عکس.
نکته: در این مثال تصویر و کد در کنار یکدیگر قرار دارند. فراخوانی تصویر در خط 4 انجام شده است.
import numpy as np from PIL import Image img = Image.open('orig.png').convert('RGBA') arr = np.array(img) # record the original shape shape = arr.shape # make a 1-dimensional view of arr flat_arr = arr.ravel() # convert it to a matrix vector = np.matrix(flat_arr) # do something to the vector vector[:,::10] = 128 # reform a numpy array of the original shape arr2 = np.asarray(vector).reshape(shape) # make a PIL image img2 = Image.fromarray(arr2, 'RGBA') img2.show()
2. تابع سیگمویید
import numpy as np def sigmoid(x): s = 1/(1+np.exp(-x)) return s z = np.array([0,2]) print (sigmoid(z))
3. محاسبه ترانهاده ماتریس (Transpose)
یادآوری: در ترانهاده ماتریس جای سطر ها و ستون ها با یکدیگر عوض می شود. مارتیس ترانهاده با یک حرف T در کنار نام ماتریس اصلی نشان داده می شود. (حرف T بزرگ، بالا سمت راست، در جایگاه توان)
برای محاسبه ماتریس ترانهاده در نامپای کافی است به صورت زیر عمل کنیم:
import numpy as np x = np.array([[1,2],[3,4]]) print("x =", x) print("Transpose of x is ", x.T)
نتیجه اجرای این کد به صورت زیر است:
4. رسم نمودار
import numpy as np from numpy.polynomial.polynomial import polyfit import matplotlib.pyplot as plt x = np.array([1, 3, 5, 7]) y = np.array([1, 3, 9, 5]) plt.plot(x, y, 'ro') # Fit with polyfit b, m = polyfit(x, y, 1) plt.plot(x, b + m * x) plt.show()
5. گرفتن ورودی از کاربر
print("Hello World!") myVar = input ("What is your name: ") print("Hello ", myVar, ", Nice to meet you!") myVar2 = input("Do you want to close the window?") if (myVar2 == "yes"): exit() else: print("Sorry! but I have to go") print("Bye!") input()
6. اضافه کردن درایه به مارتیس نامپای - Append in numpy
import numpy a = numpy.array([[4], [7], [10]]) b = numpy.array([[400], [800], [500]]) newArray = numpy.append(a, b, axis = 1) print(newArray)
نتیجه اجرای این قطعه کد، به صورت زیر است: