மறுஅளவிடப்பட்ட படங்களை ஒரு கட்ட வடிவத்தில் காண்பிக்க குறியீட்டை மாற்ற, நாம் பைத்தானில் உள்ள matplotlib நூலகத்தைப் பயன்படுத்தலாம். Matplotlib என்பது பரவலாகப் பயன்படுத்தப்படும் சதி நூலகமாகும், இது காட்சிப்படுத்தல்களை உருவாக்குவதற்கான பல்வேறு செயல்பாடுகளை வழங்குகிறது.
முதலில், தேவையான நூலகங்களை இறக்குமதி செய்ய வேண்டும். TensorFlow க்கு கூடுதலாக, matplotlib.pyplot தொகுதியை plt ஆக இறக்குமதி செய்வோம்:
python import tensorflow as tf import matplotlib.pyplot as plt
அடுத்து, படங்களின் அளவை மாற்ற குறியீட்டை மாற்ற வேண்டும். `images` எனப்படும் மாறியில் சேமிக்கப்பட்ட படங்களின் பட்டியல் எங்களிடம் இருப்பதாகக் கருதினால், ஒவ்வொரு படத்தையும் விரும்பிய வடிவத்திற்கு மறுஅளவிடுவதற்கு TensorFlow இன் `tf.image.resize()` செயல்பாட்டைப் பயன்படுத்தலாம். எடுத்துக்காட்டாக, படங்களை (64, 64) வடிவத்திற்கு மாற்ற விரும்பினால், பின்வருவனவற்றைச் செய்யலாம்:
python resized_images = [tf.image.resize(image, (64, 64)) for image in images]
இப்போது எங்களிடம் மறுஅளவிடப்பட்ட படங்கள் உள்ளன, அவற்றைக் காண்பிக்க ஒரு கட்ட அமைப்பை உருவாக்கலாம். சப்பிளாட்களின் கட்டத்தை உருவாக்க, `plt.subplots()` செயல்பாட்டைப் பயன்படுத்துவோம், அங்கு ஒவ்வொரு துணைப் பகுதியும் ஒரு படத்தைக் குறிக்கும். கட்டத்தில் உள்ள வரிசைகள் மற்றும் நெடுவரிசைகளின் எண்ணிக்கையையும், ஒவ்வொரு துணைப்பகுதியின் அளவையும் நாம் குறிப்பிடலாம்:
python num_rows = 4 num_cols = 4 fig, axes = plt.subplots(num_rows, num_cols, figsize=(10, 10))
அடுத்து, நாம் மறுஅளவிடப்பட்ட படங்களை மீண்டும் மீண்டும் செய்யலாம் மற்றும் ஒவ்வொரு படத்தையும் ஒரு துணைப் பகுதியில் திட்டமிடலாம். படத்தைக் காட்ட, `Axes` பொருளிலிருந்து `imshow()` செயல்பாட்டைப் பயன்படுத்தலாம்:
python for i, ax in enumerate(axes.flat): ax.imshow(resized_images[i]) ax.axis('off')
இறுதியாக, படங்களின் கட்டத்தைக் காட்ட `plt.show()` செயல்பாட்டைப் பயன்படுத்தலாம்:
python plt.show()
அனைத்தையும் ஒன்றாக இணைத்து, மறுஅளவிடப்பட்ட படங்களை ஒரு கட்ட வடிவத்தில் காண்பிக்க மாற்றியமைக்கப்பட்ட குறியீடு இப்படி இருக்கும்:
python import tensorflow as tf import matplotlib.pyplot as plt # Assuming we have a list of images stored in the variable `images` resized_images = [tf.image.resize(image, (64, 64)) for image in images] # Create a grid layout for the images num_rows = 4 num_cols = 4 fig, axes = plt.subplots(num_rows, num_cols, figsize=(10, 10)) # Plot each resized image on a subplot for i, ax in enumerate(axes.flat): ax.imshow(resized_images[i]) ax.axis('off') # Display the grid of images plt.show()
இந்தப் படிகளைப் பின்பற்றுவதன் மூலம், பைத்தானில் உள்ள matplotlib நூலகத்தைப் பயன்படுத்தி மறுஅளவிடப்பட்ட படங்களை கட்ட வடிவத்தில் காண்பிக்க குறியீட்டை மாற்றலாம்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் காகில் நுரையீரல் புற்றுநோய் கண்டறிதல் போட்டியுடன் 3 டி கன்வெல்ஷனல் நியூரல் நெட்வொர்க்:
- Kaggle போட்டியில் நுரையீரல் புற்றுநோயைக் கண்டறிவதற்கான 3D கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கின் செயல்திறனை மேம்படுத்துவதற்கான சில சாத்தியமான சவால்கள் மற்றும் அணுகுமுறைகள் யாவை?
- ஒரு 3D கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கில் உள்ள அம்சங்களின் எண்ணிக்கையை எவ்வாறு கணக்கிடுவது, கன்வல்யூஷனல் பேட்ச்களின் பரிமாணங்கள் மற்றும் சேனல்களின் எண்ணிக்கையைக் கருத்தில் கொண்டு?
- கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளில் பேடிங்கின் நோக்கம் என்ன, டென்சர்ஃப்ளோவில் பேடிங்கிற்கான விருப்பங்கள் என்ன?
- பரிமாணங்கள் மற்றும் முன்னேற்றங்களின் அடிப்படையில் 3D நெட்வொர்க்கிலிருந்து 2D கன்வல்யூஷனல் நியூரல் நெட்வொர்க் எவ்வாறு வேறுபடுகிறது?
- டென்சர்ஃப்ளோவைப் பயன்படுத்தி காகில் நுரையீரல் புற்றுநோயைக் கண்டறிதல் போட்டிக்கான 3D கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கை இயக்குவதில் என்ன படிநிலைகள் உள்ளன?
- படத்தின் தரவை நம்பி கோப்பில் சேமிப்பதன் நோக்கம் என்ன?
- முன்செயலாக்கத்தின் முன்னேற்றம் எவ்வாறு கண்காணிக்கப்படுகிறது?
- பெரிய தரவுத்தொகுப்புகளை முன்செயலாக்குவதற்கு பரிந்துரைக்கப்பட்ட அணுகுமுறை என்ன?
- லேபிள்களை ஒரு சூடான வடிவத்திற்கு மாற்றுவதன் நோக்கம் என்ன?
- "process_data" செயல்பாட்டின் அளவுருக்கள் என்ன மற்றும் அவற்றின் இயல்புநிலை மதிப்புகள் என்ன?
மேலும் கேள்விகள் மற்றும் பதில்கள்:
- களம்: செயற்கை நுண்ணறிவு
- திட்டம்: EITC/AI/DLTF டென்சர்ஃப்ளோவுடன் ஆழமான கற்றல் (சான்றிதழ் திட்டத்திற்குச் செல்லவும்)
- பாடம்: காகில் நுரையீரல் புற்றுநோய் கண்டறிதல் போட்டியுடன் 3 டி கன்வெல்ஷனல் நியூரல் நெட்வொர்க் (தொடர்புடைய பாடத்திற்குச் செல்லவும்)
- தலைப்பு: காண்பதற்குப் (தொடர்புடைய தலைப்புக்குச் செல்லவும்)
- தேர்வு ஆய்வு