1.4 TF常用函数

tf.cast(tensor,dtype=datatype)可以进行强制类型转换。

tf.reduce_min(tensor)和tf.reduce_max(tensor)将计算出张量中所有元素的最大值和最小值。

import tensorflow as tf
x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
x2 = tf.cast(x1, tf.int32)
print("x2", x2)
print("minimum of x2：", tf.reduce_min(x2))
print("maxmum of x2:", tf.reduce_max(x2))

1.3 生成张量

张量就是多维数组，张量的阶就是张量的维度。标量就是0阶张量，例如 s=1, s=2 and s=3. 它代表一个单独的数字。向量就是1阶张量。比如v=[1,2,3]。显而易见，2阶张量就是矩阵例如m=[[1,2,3],[4,5,6],[7,8,9]]。当张量的维度大于2时我们没有特意地取名而是直呼n维张量。我们可以判断张量的维度通过数' = '后面有多少个' [ '。TensorFlow有tf.int, tf.float, tf.bool 以及tf.string等数据类型。我们将编码演示如何生成张量。

CycleGANS和Pix2Pix

鸣谢：介绍这些博客的简要版本，以解释pix2pix和cycleGAN背后的思想和概念。

Pix2Pix：

论文：https://phillipi.github.io/pix2pix/

pix2pix使用条件生成对抗网络（cGAN）来学习从输入图像到输出图像的映射。

数据集的一个示例是输入图像是黑白图片，目标图像是图片的彩色版本。在这种情况下，生成器正在尝试学习如何为黑白图像着色。区分者正在查看生成器的着色尝试，并试图学会分辨生成器提供的着色与数据集中提供的真实着色目标图像之间的区别。

一、计算模型----计算图

1.1 计算图的概念：TensorFlow就是通过图的形式绘制出张量节点的计算过程，例如下图执行了一个a+b的操作。

1.2 计算图的使用

TensorFlow程序一般分为两个阶段。第一个阶段定义计算图中的所有计算，第二个阶段执行计算（执行会话）。

阶段一

>>> import tensorflow as tf
>>> a = tf.constant([1,2],name = 'a')
>>> b = tf.constant([2,4],name = 'b')
>>> result = a + b

基本数据类型

tf.int32：tf.constant(1)

tf.float64：tf.constant(1.)

tf.int64：tf.constant(1, dtype=tf.int64)

TensorFlow简介

本节将从五个方面对 TensorFlow 进行一个简单的介绍。包括 TensorFlow 是什么、为什么选择TensorFlow、TensorFlow 的发展、TensorFlow 能干什么以及 TensorFlow 的核心理念。

在这个教程中，我们展示了 Ben Mildenhall 等人的研究论文 NeRF：将场景表示为用于视图合成的神经辐射场的最小实现。作者提出了一种巧妙的方法，通过神经网络对体积场景函数进行建模来合成场景的新颖视图。