مجموعه کدهای مفید پایتون در شبکه های عصبی عمیق

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(&quotx =&quot, x)
print(&quotTranspose of x is &quot, 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(&quotHello World!&quot)
myVar = input (&quotWhat is your name: &quot)
print(&quotHello &quot, myVar, &quot, Nice to meet you!&quot)
myVar2 = input(&quotDo you want to close the window?&quot)
if (myVar2 == &quotyes&quot):
      exit()
else:
      print(&quotSorry! but I have to go&quot)
      print(&quotBye!&quot)
      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: