网站建设采取招标的方式北京seo外包
题目一：（20分）
请使用Matplotlib中的折线图工具，绘制正弦和余弦函数图像，其中x的取值范围是，效果如图1所示。
要求：
(1)正弦图像是蓝色曲线，余弦图像是红色曲线，线条宽度为2.5；
(2)标题为:“正/余弦函数图像”，字体颜色为黑色，大小为16；
(3)横坐标标签为:“x轴”，纵坐标标签为“y轴”，字体大小为12。
图1 正/余弦函数
① 代码
import matplotlib.pyplot as plt
import numpy as np# 用于正常显示中文标签
plt.rcParams['font.sans-serif'] = 'SimHei'
# 用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False
# 获取x坐标
x = np.arange(-1 * np.pi,np.pi,0.1)
# 获取y坐标
y1=np.sin(x)y2=np.cos(x)plt.plot(x,y1,label='正弦',color='b',linewidth=2.5)plt.plot(x,y2,label='余弦',color='r',linewidth=2.5)
# x,y轴的最小最大值
plt.xlim(-1*np.pi,np.pi)plt.ylim(-1.5,1.5)
# 设置x,y轴的坐标刻度
plt.xticks([-np.pi,-np.pi/2,0,np.p/2,np.pi],[r'$-\pi$',r'$-\pi/2$',r'$0$',r'$\pi/2$',r'$\pi$'])plt.yticks([-1,0,1])plt.title('正/余弦函数图像',color='black',fontsize=16)plt.xlabel('x轴',fontsize=12)plt.ylabel('y轴',fontsize=12)plt.legend()plt.show()
② 实验结果
题目二：（40分）
请使用Windows中的“画图”工具，手写数字0-9，对图像进行适当的裁剪和处理后，保存为MNIST数据集的格式，具体步骤与要求如下：
步骤：
(1)使用Windows中的“画图”工具，手写数字0-9，并裁剪为适当尺寸的单个数字后，保存为图像文件，如图2所示；
(2)对裁剪过的图像进行反色、二值化处理，使图像呈现为黑底白字,如图3、4所示；
(3)对图像进行缩放，变换为2828像素的二值图像，如图5所示；
(4)将处理好的图像保存为与MNIST数据集相同的多维数组形式。
拓展要求：
在白纸上用黑色的笔写数字，拍照后，转换为MNIST数据集的格式。
提示：
(1)可以使用“全能扫描王”等工具优化所拍的图像，如图6所示；
(2)尝试用笔尖不同粗细的黑色笔写数字，看看什么情况下效果最好；
(3)在二值化之前先用高斯函数处理图像，看看效果有什么不同。
（高斯函数如表1所示。）
图2 图像裁剪
图3 反色处理
图4 图像二值化
图5 28×28像素图像
手写原图像 工具优化后的图像
图6 手写原图与工具优化后图像的对比图
① 主要函数及参数说明
def fomatPng(i) ，初始化图片函数，i为图片
② 代码
import numpy as npimport matplotlib.pyplot as pltfrom PIL import Image# 初始化图片
def fomatPng(i):# 打开图像，返回image对象img = Image.open("D:\\ui\haohaoxuexi\\神经网络\\me\\code\\image\\%d.png" % i)# 转换图像的色彩模式为二值图像img_gary = img.convert("1")# 将图像转换为数组arr_img_gary = np.array(img_gary)# 反色处理arr_img_fanzhi = np.invert(arr_img_gary)# 将数组转换为imgimg_fanzhi = Image.fromarray(arr_img_fanzhi)# 缩放图像为28*28img_small = img_fanzhi.resize((28, 28))plt.imshow(img_fanzhi)print(np.array(img_small))arr_img_small = np.array(img_small).reshape(1, 28, 28)return arr_img_smalltrain_x = fomatPng(0)
train_y = np.array((0, ))for i in range(1, 10):# 数组拼接train_x = np.concatenate((train_x, fomatPng(i)))train_y = np.append(train_y, i)print(train_x.shape)
print(train_y.shape)for i in range(0,10):plt.subplot(2, 5, i + 1)plt.axis("off")plt.imshow(train_x[i],cmap="gray")plt.show()
③ 实验结果
④ 实验小结
题目三：（40分）
Fashion MNIST数据集中包含10种类别、共7万张不同商品的正面图像。在Keras中集成了Fashion MNIST数据集，被划分为训练集和测试集。
下载数据集，并完成以下要求：
要求：
(1)下载Fashion MNIST数据集，读取训练集和测试集数据，分别放在NumPy数组train_x、train_y、test_x、test_y中（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签）
(2)编写代码段，查看训练集和测试集的样本数、形状，并查看数据集中的10类标签分别是什么。
(3)从训练集中选择前10张图像，对每张图像分别进行以下变换：转置、上下翻转、顺时针旋转10度、逆时针旋转10度、水平镜像，将图像数量由10张增加到60张，并将处理后的图像保存在多维数组train_x_aug1中。
(4)将train_x_aug1中的图像显示在10×6子图布局的画布中，其中第1列为原图，第2-6列为变换后的效果，每列图像的上方显示变换效果。全局标题为“Fashion Mnist数据增强”。字体颜色、字号、以及其他版式细节自定义，要求清晰、简洁、美观。
(5)要求(3)中，进行旋转操作时，如果要求旋转方向和角度随机，应该如何做？尝试对前10张图像完成以上变换，将结果保存在多维数组train_x_aug2中，并以清晰、美观的形式展示结果。
(6)要求(5)中，如果要求变换方式也随机选择，应该如何做？尝试对前100张图像，每张图像实现5种随机变换，并将结果保存在多维数组train_x_aug3中。随机选择其中的10张原图，把变换的结果展示出来。
拓展要求：
对图像进行缩放时，图像的像素会改变，要求对图像分别缩小10%、放大10%，缩放后图像尺寸仍保持2828，应该怎么做？
相关函数如表2所示：
表2 相关函数
序号 函数 函数功能 函数相关库
1 fashion_mnist=tf.keras.datasets.fashion_mnist 下载Fashion MNIST数据集 Keras库
2 对象名.rotate() 图像旋转度 PIL库
3 Image(类名).fromarray(obj)
将对象obj从Numpy数组格式转化为Image格式 PIL库Image类
4 对象名.tolist() 将数组或矩阵转化为列表 Numpy库
5 对象名.append(obj) 在数组或列表末尾追加新的对象obj Python内置函数
6 random(类名).choice(seq) 从指定序列seq中返回一个随机选择的元素。Seq可以是字符串，列表，元组或任何其他种类的序列 Random库
7 对象名.pad(array, pad_width, mode,constant_values ) 向array数组中以mode模式，按照pad_width指定的维度，填充constant_values指定的数值 Numpy库
① 主要函数及参数说明
1）展示图片函数：pics为图片数组，title为标题
def showPic(pics, titles):
2）显示标签函数：i为图片的下标
def get_fasion_mnist_labels(i):
3）随机变换函数：img为要变换的图片
def randomTran(img):
② 代码
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
def show(train_x, titles):plt.rcParams['font.sans-serif'] = "SimHei" #字体设置plt.figure(figsize=(8, 15)) #画布大小设置index = 1for i in train_x:plt.subplot(10, 6, index) #10行6列 第x个位置的图片plt.title(titles[index % 6 - 1], fontsize=6) #取标签 取余的方式 循环输出每组图片plt.axis("off") #关闭坐标轴plt.imshow(i) #显示第几张图片index += 1plt.suptitle("Fashion Mnist 数据增强")plt.show()
def Choose_way(img):k = np.random.randint(0, 6, 1) #创建一个只有0-5的随机数组 用于随机选择处理方式if k == 0:return np.array(img.transpose(Image.TRANSPOSE)).reshape(1, 28, 28) # 转置if k == 1:return np.array(img.transpose(Image.FLIP_TOP_BOTTOM)).reshape(1, 28, 28) # 上下翻转if k == 2:return np.array(img.rotate(-10)).reshape(1, 28, 28) # 顺时针10度if k == 3:return np.array(img.rotate(10)).reshape(1, 28, 28) # 逆时针10度if k == 4:return np.array(img.transpose(Image.FLIP_LEFT_RIGHT)).reshape(1, 28, 28) # 水平镜像if k == 5:return np.array(img.transpose(Image.TRANSVERSE)).reshape(1, 28, 28) # 上下翻转
def Show_message():print("训练集x的样本数:", len(train_x))print("训练集y的样本数:", len(train_y))print("测试集x的样本数:", len(test_x))print("测试集y的样本数:", len(test_y))print("训练集x的形状:", train_x.shape)print("训练集y的形状:", train_y.shape)print("测试集x的形状:", test_x.shape)print("测试集y的形状", test_y.shape)
def Show_label_train_y():class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag','Ankle boot']label_train_y = np.sort(train_y) # 对数据集里面的值进行从小到大排序 无数个000 111 222 - 99999temp = -1for i in label_train_y: #遍历 且防止输出重复的数字if i > temp:print("数据集中类标签有：",i+1, class_names[i])temp = i
def mode1():train_x_aug1 = train_x[0].reshape(1, 28, 28)for i in range(0, 10):img = Image.fromarray(train_x[i])# 第一幅图不处理，第二幅图处理if i != 0:train_x_aug1 = np.concatenate((train_x_aug1, train_x[i].reshape(1, 28, 28))) # 将第一幅图片加入trainx_x_aug1train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.transpose(Image.TRANSPOSE)).reshape(1, 28, 28))) # 转置train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.transpose(Image.FLIP_TOP_BOTTOM)).reshape(1, 28, 28))) # 上下翻转train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.rotate(-10)).reshape(1, 28, 28))) # 顺时针10度train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.rotate(10)).reshape(1, 28, 28))) # 逆时针10度train_x_aug1 = np.concatenate((train_x_aug1, np.array(img.transpose(Image.FLIP_LEFT_RIGHT)).reshape(1, 28, 28))) # 水平镜像titles = ['原图', '转置', '上下翻转', '顺时针旋转10度', '逆时针旋转10度', '水平镜像']show(train_x_aug1, titles) # train_x_aug1 包含了60张图print(train_x_aug1)def mode2():train_x_aug2 = train_x[0].reshape(1, 28, 28)for i in range(0, 10): #依次处理10幅图 内部再对每幅图处理成6种状态k = np.random.randint(-180, 180, 5) # 旋转角度随机数img = Image.fromarray(train_x[i])if i != 0:train_x_aug2 = np.concatenate((train_x_aug2, train_x[i].reshape(1, 28, 28)))for j in range(0,5):train_x_aug2 = np.concatenate((train_x_aug2, np.array(img.rotate(k[j])).reshape(1, 28, 28))) #循环四次添加各种角度处理后的图片titles = ['原图', '随机1', '随机2', '随机3', '随机4', '随机5']show(train_x_aug2, titles)def mode3():train_x_aug3 = train_x[0].reshape(1, 28, 28)for i in range(0, 100):img = Image.fromarray(train_x[i]) #取100张图片 每张图片随机5种处理方式if i != 0:train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))train_x_aug3 = np.concatenate((train_x_aug3, Choose_way(img)))r = np.random.randint(0, 100, 10)train_x_aug3_show = train_x_aug3[r[0]*6:r[0] * 6 + 6 ]for x in range(1, 10): #在前6张图后面再加9次6张图train_x_aug3_show = np.concatenate((train_x_aug3_show, train_x_aug3[r[x] * 6:r[x] * 6 + 6]))titles = ['原图', '随机1', '随机2', '随机3', '随机4', '随机5']show(train_x_aug3_show, titles)
if __name__ == '__main__':fashion_mnist = tf.keras.datasets.fashion_mnist #下载数据集(train_x, train_y), (test_x, test_y) = fashion_mnist.load_data()#train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签Show_message() # 查看训练集和测试集的样本数、形状Show_label_train_y() #查看数据集中的10类标签分别是什么 标签是放在train_y里面的#取从第一幅图开始的10张图进行处理mode1()mode2()mode3()③ 实验结果
中间部分图省略
④ 实验小结