Как сжать изображения с помощью SVD и TensorFlow Core API

Обзор контента Введение Настройка ОСНОВНЫЕ ОСНОВНЫЕ Приближение низкого ранга с SVD Изображение загрузки Алгоритм сжатия изображения Оценка приближений Компрессионный фактор против ранга Кумулятивная сумма единичных значений Ошибки и уникальные значения Заключение Введение Данный урок исследует технику SVD используется для факторизации реальных или сложных матриц и имеет различные случаи использования в науке о данных, такие как сжатие изображений. проекта . Уникальная декомпозиция ценностей изображение Настройка 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 ОСНОВНЫЕ ОСНОВНЫЕ Уникальное значение распада матрицы A определяется следующей факторизацией: А = УСВТ Где Am×n: матрица ввода, где m≥n Um×n: ортогональная матрица, UTU=I, с каждой колонной, ui, обозначающей левый сингулярный вектор A Σn×n: диагональная матрица с каждым диагональным вводом, σi, обозначающая однозначное значение A VTn×n: ортогональная матрица, VTV=I, с каждым рядом, vi, обозначающим правый сингулярный вектор A Когда m<n, U и Σ оба имеют размер (m×m), а VT имеет размер (m×n). Пакет линейной алгебры TensorFlow имеет функцию, , который можно использовать для вычисления декомпозиции единичных значений одной или нескольких матриц. Начните с определения простой матрицы и вычисления ее SVD-факторизации. 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 ТЭ Функция может быть использована для прямого вычисления матричной реконструкции из выходов . 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) Сближение низкого ранга с SVD Ранг матрицы, A, определяется измерением векторного пространства, охваченного ее столбцами. SVD может быть использован для приближения матрицы с более низким рангом, что в конечном счете уменьшает размерность данных, необходимых для хранения информации, представленной матрицей. Приближение ранга-r А по SVD определяется формулой: Ar=UrΣrVrT Где Urm×r: матрица, состоящая из первых r колонн U Σrr×r: диагональная матрица, состоящая из первых единичных значений r в Σ Vrr×nT: матрица, состоящая из первых r рядов VT Начинайте с написания функции для вычисления приближения ранга-r данной матрицы. Эта процедура приближения низкого ранга используется для сжатия изображения; поэтому также полезно вычислить размеры физических данных для каждого приближения. Для простоты предположите, что размер данных для приближенной матрицы ранга-r равен общему количеству элементов, необходимых для вычисления приближения. Далее напишите функцию для визуализации первоначальной матрицы, A ее приближения ранга-r, Ar и матрицы ошибок, I-A-Ar. 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 Как и ожидалось, использование низких рядов приводит к менее точным приближениям. Тем не менее, качество этих низких приближений часто достаточно хорошо в реальных сценариях. Также обратите внимание, что главной целью низких приближений с SVD является уменьшение размерности данных, но не уменьшение дискового пространства самих данных. Однако, поскольку входные матрицы становятся более высокими, многие низкие приближения также в конечном итоге получают выгоду от уменьшения размера данных. Изображение загрузки Следующее изображение доступно на Главная страница. Imagen - это модель распространения текста на изображение, разработанная командой мозга Google Research. ИИ создал это изображение на основе проспекта: "Фотография собаки Corgi, ездящей на велосипеде на Таймс-Сквер. Она носит солнцезащитные очки и пляжную шляпу". Как это круто! Вы также можете изменить URL ниже на любую ссылку .jpg, чтобы загрузить в пользовательское изображение по выбору. изображение После чтения JPEG-файла Matplotlib выводит матрицу, I, формы (m×n×3), которая представляет собой двухмерное изображение с 3 цветовыми каналами для красного, зеленого и синего соответственно. 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) Алгоритм сжатия изображения Теперь используйте SVD для вычисления низкопоставленных приближений образца. Вспомните, что изображение имеет форму (1024×1024×3) и что теория SVD применяется только к двумерным матрицам. Это означает, что образцовое изображение должно быть разбито на 3 матрицы равного размера, которые соответствуют каждому из 3 цветовых каналов. Это можно сделать, перенося матрицу в форму (3×1024×1024). Чтобы четко визуализировать ошибку приближения, пересканируйте значения RGB изображения с [0,255] до [0,1]. Не забывайте вырезать приближенные значения, чтобы они попали в этот интервал, прежде чем их визуализировать. Для этого нужна функция. 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 Теперь вычислите приближения ранга-r для следующих рангов : 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 Оценка приближений Существует множество интересных методов измерения эффективности и большего контроля над матричными приближениями. Компрессионный фактор против ранга Для каждого из вышеперечисленных приближений обратите внимание на то, как размеры данных изменяются с рангом. 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"); Основываясь на этом сюжете, существует линейная связь между коэффициентом сжатия приближенного изображения и его рангом. Чтобы исследовать это дальше, вспомните, что размер данных приближенной матрицы, Ar, определяется как общее количество элементов, необходимых для его вычисления. x=(m×r)+r+(r×n)=r×(m+n+1) c=xy=r×(m+n+1)m×n Где x: размер воздуха Y: размер A c = xy - коэффициент сжатия r - ранг приближения m и n: размеры ряда и столбца A Чтобы найти ранг, r, который необходим для сжатия изображения до желаемого фактора, c, вышеуказанное уравнение можно перестроить, чтобы решить для r: r = c×m×nm+n+1 Обратите внимание, что эта формула независима от размера цветового канала, так как каждое из приближений RGB не влияет друг на друга. 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 Сжатие изображения до 15% от его первоначального размера. 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 Кумулятивная сумма единичных значений Кумулятивная сумма сингулярных значений может быть полезным показателем количества энергии, захваченной приближением ранга-r. Визуализируйте кумулятивную долю сингулярных значений в среднем RGB в образце образца. Функция может быть полезна для этого. 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) Кажется, что более 90% энергии в этом изображении запечатлено в пределах первых 100 единичных значений. 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 Компрессируйте изображение, чтобы сохранить 75% его энергии. 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 Ошибки и уникальные значения Получается, что квадратная норма Фробения приближения равна сумме квадратов ее сингулярных значений, которые были исключены: Ааааааааааааааааааааааааааааааааааааааааааааааааааааа Тестируйте эту связь с рангом-10 приближения матрицы примера в начале этого руководства. 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 Заключение В этой записной книжке был представлен процесс реализации декомпозиции единичных значений с помощью TensorFlow и его применения для написания алгоритма сжатия изображения. API TensorFlow Core могут быть использованы для различных случаев использования высокопроизводительных научных вычислений. Чтобы узнать больше о функциональности линейной алгебры TensorFlow, посетите документы для модуля linalg. SVD также можно применить для создания систем рекомендаций. Для получения дополнительных примеров использования API TensorFlow Core см. Если вы хотите узнать больше о загрузке и подготовке данных, см. учебники на или . Руководство Изображение Data Loading CSV загрузка данных Первоначально опубликованная на веб-сайте TensorFlow, эта статья появляется здесь под новым заголовком и лицензирована под CC BY 4.0. Первоначально опубликованная на веб-сайте TensorFlow, эта статья появляется здесь под новым заголовком и лицензирована под CC BY 4.0. TensorFlow TensorFlow