Comment compresser des images avec des API SVD et TensorFlow Core

Vue d'ensemble du contenu Introduction établissement Les principes fondamentaux de la SVD Approximation de faible rang avec SVD Images de chargement Algorithme de compression d'image Évaluation des approximations Facteur de compression vs rang La somme cumulative des valeurs singulières Erreur et valeurs uniques Conclusion Introduction Ce tutoriel explore la technique de (SVD) et ses applications pour les problèmes d'approximation de faible rang. Le SVD est utilisé pour factoriser des matrices réelles ou complexes et a une variété de cas d'utilisation dans la science des données, tels que la compression d'image. Le projet. Décomposition de la valeur unique Images établissement import matplotlib from matplotlib.image import imread from matplotlib import pyplot as plt import requests # Preset Matplotlib figure sizes. matplotlib.rcParams['figure.figsize'] = [16, 9] import tensorflow as tf print(tf.__version__) 2024-08-15 02:40:31.007111: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:485] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered 2024-08-15 02:40:31.028202: E external/local_xla/xla/stream_executor/cuda/cuda_dnn.cc:8454] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered 2024-08-15 02:40:31.034794: E external/local_xla/xla/stream_executor/cuda/cuda_blas.cc:1452] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered 2.17.0 Les principes fondamentaux de la SVD La décomposition de la valeur singulière d'une matrice, A, est déterminée par la factorialisation suivante : A = Résistance où Am×n : matrice d’entrée où m≥n Um×n : matrice orthogonale, UTU=I, avec chaque colonne, ui, désignant un vecteur singulier gauche de A Σn×n : matrice diagonale avec chaque entrée diagonale, σi, désignant une valeur singulière de A VTn×n: matrice orthogonale, VTV=I, avec chaque rangée, vi, désignant un vecteur singulier droit de A Lorsque m<n, U et Σ ont toutes deux une dimension (m×m), et VT a une dimension (m×n). Le paquet algèbre linéaire de TensorFlow a une fonction, , qui peut être utilisé pour calculer la décomposition de la valeur singulière d'une ou plusieurs matrices. Commencez par définir une matrice simple et calculer sa factorialisation SVD. tf.linalg.svd A = tf.random.uniform(shape=[40,30]) # Compute the SVD factorization s, U, V = tf.linalg.svd(A) # Define Sigma and V Transpose S = tf.linalg.diag(s) V_T = tf.transpose(V) # Reconstruct the original matrix A_svd = U@S@V_T # Visualize plt.bar(range(len(s)), s); plt.xlabel("Singular value rank") plt.ylabel("Singular value") plt.title("Bar graph of singular values"); WARNING: All log messages before absl::InitializeLog() is called are written to STDERR I0000 00:00:1723689633.424919 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.428762 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.432420 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.437707 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.449819 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.453529 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.457079 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.460600 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.464019 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.467451 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.470857 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689633.474376 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.696864 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.698995 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.701043 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.703182 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.705235 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.707223 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.709163 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.711162 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.713114 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.715090 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.717036 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.719041 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.757916 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.759983 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.761969 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.764105 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.766234 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.768229 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.770180 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.772176 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.774158 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.776614 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.779022 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723689634.781451 126589 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 Le fonction peut être utilisée pour calculer directement la reconstruction de la matrice à partir des . tf.einsum tf.linalg.svd A_svd = tf.einsum('s,us,vs -> uv',s,U,V) print('\nReconstructed Matrix, A_svd', A_svd) Reconstructed Matrix, A_svd tf.Tensor( [[0.819255 0.95082176 0.30085772 ... 0.34306473 0.9112067 0.45277762] [0.71988434 0.20786765 0.3098724 ... 0.82478774 0.82917416 0.19994356] [0.23278469 0.17072585 0.10488278 ... 0.60508984 0.8121238 0.10594818] ... [0.10953172 0.72077066 0.30288345 ... 0.5790409 0.15389094 0.11265922] [0.44894537 0.04313891 0.6947845 ... 0.41589245 0.6668094 0.53494996] [0.79140556 0.47814542 0.24980234 ... 0.32851136 0.86007696 0.32692394]], shape=(40, 30), dtype=float32) Approximation de faible rang avec le SVD Le rang d'une matrice, A, est déterminé par la dimension de l'espace vectoriel étendu par ses colonnes. Le SVD peut être utilisé pour approximer une matrice avec un rang inférieur, ce qui diminue finalement la dimensionnalité des données nécessaires pour stocker les informations représentées par la matrice. L'approximation de rang-r de A en termes de SVD est définie par la formule : Ar=UrΣrVrT où Urm×r : matrice composée des premières colonnes r de U Σrr×r : matrice diagonale composée des premières valeurs r singulières dans Σ Vrr×nT : matrice composée des premières lignes r de VT Commencez par écrire une fonction pour calculer l'approximation de rang-r d'une matrice donnée. Cette procédure d'approximation de faible rang est utilisée pour la compression d'image; par conséquent, il est également utile de calculer les tailles de données physiques pour chaque approximation. Pour la simplicité, supposez que la taille des données pour une matrice approximative de rang-r est égale au nombre total d'éléments nécessaires pour calculer l'approximation. Ensuite, écrivez une fonction pour visualiser la matrice d'origine, A son approximation de rang-r, Ar et la matrice d'erreur. def rank_r_approx(s, U, V, r, verbose=False): # Compute the matrices necessary for a rank-r approximation s_r, U_r, V_r = s[..., :r], U[..., :, :r], V[..., :, :r] # ... implies any number of extra batch axes # Compute the low-rank approximation and its size A_r = tf.einsum('...s,...us,...vs->...uv',s_r,U_r,V_r) A_r_size = tf.size(U_r) + tf.size(s_r) + tf.size(V_r) if verbose: print(f"Approximation Size: {A_r_size}") return A_r, A_r_size def viz_approx(A, A_r): # Plot A, A_r, and A - A_r vmin, vmax = 0, tf.reduce_max(A) fig, ax = plt.subplots(1,3) mats = [A, A_r, abs(A - A_r)] titles = ['Original A', 'Approximated A_r', 'Error |A - A_r|'] for i, (mat, title) in enumerate(zip(mats, titles)): ax[i].pcolormesh(mat, vmin=vmin, vmax=vmax) ax[i].set_title(title) ax[i].axis('off') print(f"Original Size of A: {tf.size(A)}") s, U, V = tf.linalg.svd(A) Original Size of A: 1200 # Rank-15 approximation A_15, A_15_size = rank_r_approx(s, U, V, 15, verbose = True) viz_approx(A, A_15) Approximation Size: 1065 # Rank-3 approximation A_3, A_3_size = rank_r_approx(s, U, V, 3, verbose = True) viz_approx(A, A_3) Approximation Size: 213 Comme prévu, l'utilisation de rangs inférieurs entraîne des approximations moins précises. Cependant, la qualité de ces approximations de faible rang est souvent suffisamment bonne dans les scénarios du monde réel. Notez également que l'objectif principal de l'approximation de faible rang avec SVD est de réduire la dimensionnalité des données mais pas de réduire l'espace disque des données elles-mêmes. Cependant, à mesure que les matrices d'entrée deviennent plus dimensionnelles, de nombreuses approximations de faible rang finissent également par bénéficier de la taille réduite des données. Images de chargement L’image suivante est disponible sur le Page d'accueil. Imagen est un modèle de diffusion de texte à image développé par l'équipe Brain de Google Research. Une AI a créé cette image en fonction de la prompt: "Une photo d'un chien Corgi en train de faire du vélo à Times Square. Il porte des lunettes de soleil et un chapeau de plage." C'est cool! Vous pouvez également changer l'URL ci-dessous à n'importe quel lien .jpg pour charger dans une image personnalisée de votre choix. Images Après avoir lu un fichier JPEG, Matplotlib produit une matrice, I, de forme (m×n×3) qui représente une image en 2 dimensions avec 3 canaux de couleur pour le rouge, le vert et le bleu respectivement. img_link = "https://imagen.research.google/main_gallery_images/a-photo-of-a-corgi-dog-riding-a-bike-in-times-square.jpg" img_path = requests.get(img_link, stream=True).raw I = imread(img_path, 0) print("Input Image Shape:", I.shape) Input Image Shape: (1024, 1024, 3) def show_img(I): # Display the image in matplotlib img = plt.imshow(I) plt.axis('off') return show_img(I) Algorithme de compression d'image Maintenant, utilisez le SVD pour calculer les approximations de faible rang de l'image de l'échantillon. Rappelez-vous que l'image est en forme (1024×1024×3) et que la théorie SVD s'applique uniquement aux matrices en 2 dimensions. Cela signifie que l'image de l'échantillon doit être battue en 3 matrices de même taille qui correspondent à chacun des 3 canaux de couleur. Cela peut être fait en transposant la matrice en forme (3×1024×1024). Pour visualiser clairement l'erreur d'approximation, réévaluez les valeurs RGB de l'image de [0,255] à [0,1]. Rappelez-vous de cliquer les valeurs approximatives pour tomber dans cet intervalle avant de les visualiser. La fonction est utile pour cela. tf.clip_by_value def compress_image(I, r, verbose=False): # Compress an image with the SVD given a rank I_size = tf.size(I) print(f"Original size of image: {I_size}") # Compute SVD of image I = tf.convert_to_tensor(I)/255 I_batched = tf.transpose(I, [2, 0, 1]) # einops.rearrange(I, 'h w c -> c h w') s, U, V = tf.linalg.svd(I_batched) # Compute low-rank approximation of image across each RGB channel I_r, I_r_size = rank_r_approx(s, U, V, r) I_r = tf.transpose(I_r, [1, 2, 0]) # einops.rearrange(I_r, 'c h w -> h w c') I_r_prop = (I_r_size / I_size) if verbose: # Display compressed image and attributes print(f"Number of singular values used in compression: {r}") print(f"Compressed image size: {I_r_size}") print(f"Proportion of original size: {I_r_prop:.3f}") ax_1 = plt.subplot(1,2,1) show_img(tf.clip_by_value(I_r,0.,1.)) ax_1.set_title("Approximated image") ax_2 = plt.subplot(1,2,2) show_img(tf.clip_by_value(0.5+abs(I-I_r),0.,1.)) ax_2.set_title("Error") return I_r, I_r_prop Maintenant, calculer les approximations de rang-r pour les rangs suivants : 100, 50, 10 I_100, I_100_prop = compress_image(I, 100, verbose=True) Original size of image: 3145728 Number of singular values used in compression: 100 Compressed image size: 614700 Proportion of original size: 0.195 I_50, I_50_prop = compress_image(I, 50, verbose=True) Original size of image: 3145728 Number of singular values used in compression: 50 Compressed image size: 307350 Proportion of original size: 0.098 I_10, I_10_prop = compress_image(I, 10, verbose=True) Original size of image: 3145728 Number of singular values used in compression: 10 Compressed image size: 61470 Proportion of original size: 0.020 Évaluation des approximations Il existe une variété de méthodes intéressantes pour mesurer l'efficacité et avoir plus de contrôle sur les approximations de matrice. Facteur de compression vs rang Pour chacune des approximations ci-dessus, observez comment les tailles de données changent avec le rang. plt.figure(figsize=(11,6)) plt.plot([100, 50, 10], [I_100_prop, I_50_prop, I_10_prop]) plt.xlabel("Rank") plt.ylabel("Proportion of original image size") plt.title("Compression factor vs rank"); Pour explorer davantage cela, rappelez-vous que la taille des données d'une matrice approximative, Ar, est définie comme le nombre total d'éléments requis pour son calcul. x=(m×r)+r+(r×n)=r×(m+n+1) c=xy=r×(m+n+1)m×n où x : taille de l'air Y : Taille de A C = XY : facteur de compression R : rang de l'approximation m et n : dimensions de ligne et de colonne de A Afin de trouver le rang, r, qui est nécessaire pour compresser une image à un facteur souhaité, c, l'équation ci-dessus peut être réarrangée pour résoudre pour r: r = c×m×nm+n+1 Notez que cette formule est indépendante de la dimension du canal de couleur car chacune des approximations RGB n'affecte pas l'autre. def compress_image_with_factor(I, compression_factor, verbose=False): # Returns a compressed image based on a desired compression factor m,n,o = I.shape r = int((compression_factor * m * n)/(m + n + 1)) I_r, I_r_prop = compress_image(I, r, verbose=verbose) return I_r Comprimez une image à 15% de sa taille d'origine. compression_factor = 0.15 I_r_img = compress_image_with_factor(I, compression_factor, verbose=True) Original size of image: 3145728 Number of singular values used in compression: 76 Compressed image size: 467172 Proportion of original size: 0.149 La somme cumulative des valeurs singulières La somme cumulative des valeurs singulières peut être un indicateur utile de la quantité d'énergie capturée par une approximation de rang-r. Visualisez la proportion cumulative moyenne RGB des valeurs singulières dans l'image de l'échantillon. Cette fonctionnalité peut s’avérer utile. tf.cumsum def viz_energy(I): # Visualize the energy captured based on rank # Computing SVD I = tf.convert_to_tensor(I)/255 I_batched = tf.transpose(I, [2, 0, 1]) s, U, V = tf.linalg.svd(I_batched) # Plotting average proportion across RGB channels props_rgb = tf.map_fn(lambda x: tf.cumsum(x)/tf.reduce_sum(x), s) props_rgb_mean = tf.reduce_mean(props_rgb, axis=0) plt.figure(figsize=(11,6)) plt.plot(range(len(I)), props_rgb_mean, color='k') plt.xlabel("Rank / singular value number") plt.ylabel("Cumulative proportion of singular values") plt.title("RGB-averaged proportion of energy captured by the first 'r' singular values") viz_energy(I) Il semble que plus de 90% de l'énergie de cette image est capturée dans les 100 premières valeurs singulières. Maintenant, écrivez une fonction pour compresser une image d'entrée en fonction du facteur de rétention d'énergie souhaité. def compress_image_with_energy(I, energy_factor, verbose=False): # Returns a compressed image based on a desired energy factor # Computing SVD I_rescaled = tf.convert_to_tensor(I)/255 I_batched = tf.transpose(I_rescaled, [2, 0, 1]) s, U, V = tf.linalg.svd(I_batched) # Extracting singular values props_rgb = tf.map_fn(lambda x: tf.cumsum(x)/tf.reduce_sum(x), s) props_rgb_mean = tf.reduce_mean(props_rgb, axis=0) # Find closest r that corresponds to the energy factor r = tf.argmin(tf.abs(props_rgb_mean - energy_factor)) + 1 actual_ef = props_rgb_mean[r] I_r, I_r_prop = compress_image(I, r, verbose=verbose) print(f"Proportion of energy captured by the first {r} singular values: {actual_ef:.3f}") return I_r Comprimez une image pour conserver 75% de son énergie. energy_factor = 0.75 I_r_img = compress_image_with_energy(I, energy_factor, verbose=True) Original size of image: 3145728 Number of singular values used in compression: 35 Compressed image size: 215145 Proportion of original size: 0.068 Proportion of energy captured by the first 35 singular values: 0.753 Erreur et valeurs uniques Il s'avère que la norme de Frobenius carré de l'approximation est égale à la somme des carrés de ses valeurs singulières qui ont été omises: A-A-A-A-A-A-A-A-A-A-A-A-A-A-A-A-A-A Testez cette relation avec une approximation de rang-10 de la matrice d'exemple au début de ce tutoriel. s, U, V = tf.linalg.svd(A) A_10, A_10_size = rank_r_approx(s, U, V, 10) squared_norm = tf.norm(A - A_10)**2 s_squared_sum = tf.reduce_sum(s[10:]**2) print(f"Squared Frobenius norm: {squared_norm:.3f}") print(f"Sum of squared singular values left out: {s_squared_sum:.3f}") Squared Frobenius norm: 33.021 Sum of squared singular values left out: 33.021 Conclusion Ce bloc-notes a introduit le processus de mise en œuvre de la décomposition des valeurs singulières avec TensorFlow et de l'appliquer à l'écriture d'un algorithme de compression d'image. Les API TensorFlow Core peuvent être utilisées pour une variété de cas d'utilisation de l'informatique scientifique de haute performance. Pour en savoir plus sur les fonctionnalités d'algèbre linéaire de TensorFlow, visitez les documents du module linalg. Le SVD peut également être appliqué pour construire des systèmes de recommandation. Pour plus d'exemples d'utilisation des API de base TensorFlow, consultez Si vous souhaitez en savoir plus sur le chargement et la préparation des données, consultez les tutoriels sur ou . Guide Images de données de chargement Téléchargement de données CSV Publié à l'origine sur le site Web de TensorFlow, cet article apparaît ici sous un nouveau titre et est sous licence CC BY 4.0. Publié à l'origine sur le site Web de TensorFlow, cet article apparaît ici sous un nouveau titre et est sous licence CC BY 4.0. TensorFlow TensorFlow