標籤: 新北清潔

東方電氣昨(28)日發佈2013年半年報，其在報告期內實現營業收入增加2.28%，達到204.67億元(人民幣，下同)；但淨利潤則同比下降4.65%，為11.86億元。對於業績上升而淨利潤下滑的原因，公司稱是產品毛利率下跌所致。資料顯示，上半年，該公司的毛利率下跌了1.3%，為18.05%。

雖然淨利潤下滑，但東方電氣的產品銷路仍良好。據中報披露，報告期內，公司新增訂單202億元，在手訂單超過1400億元。其中，高效清潔能源占59.5%、新能源占14%、水能及環保占7.3%、工程及服務業占19.2%。

東方電氣的中央研究院新能源與發電技術研究所，主要負責新能源開發，該所副所長胡蘊成近日表示，東方電氣的電動機產品已經成熟，進入到了市場領域，目前國內新能源汽車大多數電動機都是由東方電氣生產的。同時，動力總成和儲能技術已取得重大突破，不久將投入市場。

相關人士分析稱，成都發展新能源汽車有較強優勢：第一，成都有強大的汽車工業基礎，形成了較為完備的汽車產業鏈；第二，成都汽車科研實力強大，川大、電子科大等高校都有涉及，同時還有中科等電池、電機等的研發與生產企業；第三，鋰礦是新能源汽車的主要能源，而四川鋰礦資源豐富；第四，成都正在建設世界現代田園城市，在低碳方面投入力度也較大。

另外，國家對新能源汽車的扶持力度也正在加大，《節能與新能源汽車產業發展規劃》已編制完成，正在向各部委徵求意見，根據規劃，未來10年，中央財政將拿出超過1000億元，扶持新能源汽車產業鏈。

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務

※教你寫出一流的銷售文案?

據中國證券報報導，中國人民銀行、科技部、工信部等多部委正在加緊「備戰」新一輪新能源汽車的推廣方案。有觀點認為，隨著近來油價的持續高企，中國正在迎來新能源汽車推廣的最佳窗口期。

科技部部長萬鋼日前表示，國務院已正式批復新一輪的新能源汽車示范推廣方案，科技部、工信部等四部委正在制定實施細則。全國汽車標準委電動車輛分委會副主任陳全世表示，新一輪推廣政策或將淡化試點城市，在所有地級以上城市推廣混合動力汽車。隨著太陽能、風能和智能電網的發展，建議繼續大力拓展混合動力客車尤其是插電式混合動力客車的推廣。

中國人民銀行研究局副局長易誠表示，要完成「十二五」節能環保發展目標，我國每年在發展可再生能源方面的投入資金或將達到5000億到1萬億元(人民幣)。今後除繼續加強金融對綠色環保領域的產業扶持政策引導之外，建議在個人金融消費領域出臺綠色消費信貸扶持政策，支持混合動力汽車、節能家電等產品的消費信貸，鼓勵綠色消費方式。

據悉，新一輪新能源汽車示范推廣方案將以新能源汽車為主開展示范，以試點城市為核心建立試點區域，擴大輻射范圍，加大電動汽車的推廣。同時，改變原有的財政資金補貼方式，加快補貼資金的落實力度。此外，還將對充電站的建設進行財政支持。

業內人士認為，對汽車產品而言，一是通過節能產品惠民工程補貼政策，鼓勵傳統節能汽車消費；二是通過節能與新能源汽車示范推廣試點補貼政策，鼓勵多個城市的公共服務領域和私人購買使用新能源汽車。

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※新北清潔公司,居家、辦公、裝潢細清專業服務

※別再煩惱如何寫文案,掌握八大原則!

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※超省錢租車方案

※教你寫出一流的銷售文案?

※網頁設計最專業,超強功能平台可客製化

　　本文面對三種常常遇到的情況，總結三種讀取數據的方式，分別用於處理單張圖片、大量圖片，和TFRecorder讀取方式。並且還補充了功能相近的tf函數。

1、處理單張圖片

　　我們訓練完模型之後，常常要用圖片測試，有的時候，我們並不需要對很多圖像做測試，可能就是幾張甚至一張。這種情況下沒有必要用隊列機制。

import tensorflow as tf
import matplotlib.pyplot as plt

def read_image(file_name):
    img = tf.read_file(filename=file_name)     # 默認讀取格式為uint8
    print("img 的類型是",type(img));
    img = tf.image.decode_jpeg(img,channels=0) # channels 為1得到的是灰度圖，為0則按照圖片格式來讀
    return img

def main( ):
    with tf.device("/cpu:0"):
　　　　     # img_path是文件所在地址包括文件名稱，地址用相對地址或者絕對地址都行 
            img_path='./1.jpg'
            img=read_image(img_path)
            with tf.Session() as sess:
            image_numpy=sess.run(img)
            print(image_numpy)
            print(image_numpy.dtype)
            print(image_numpy.shape)
            plt.imshow(image_numpy)
            plt.show()

if __name__=="__main__":
    main()

"""
輸出結果為：

img 的類型是 <class 'tensorflow.python.framework.ops.Tensor'>
[[[196 219 209]
  [196 219 209]
  [196 219 209]
  ...

 [[ 71 106  42]
  [ 59  89  39]
  [ 34  63  19]
  ...
  [ 21  52  46]
  [ 15  45  43]
  [ 22  50  53]]]
uint8
(675, 1200, 3)
"""

 　　和tf.read_file用法相似的函數還有tf.gfile.FastGFile  tf.gfile.GFile，只是要指定讀取方式是’r’ 還是’rb’ 。

2、需要讀取大量圖像用於訓練

　　這種情況就需要使用Tensorflow隊列機制。首先是獲得每張圖片的路徑，把他們都放進一個list裏面，然後用string_input_producer創建隊列，再用tf.WholeFileReader讀取。具體請看下例：

def get_image_batch(data_file,batch_size):
    data_names=[os.path.join(data_file,k) for k in os.listdir(data_file)]
 
    #這個num_epochs函數在整個Graph是local Variable，所以在sess.run全局變量的時候也要加上局部變量。  
    filenames_queue=tf.train.string_input_producer(data_names,num_epochs=50,shuffle=True,capacity=512)
    reader=tf.WholeFileReader()
    _,img_bytes=reader.read(filenames_queue)
    image=tf.image.decode_png(img_bytes,channels=1)    #讀取的是什麼格式，就decode什麼格式
    #解碼成單通道的，並且獲得的結果的shape是[?, ?,1]，也就是Graph不知道圖像的大小，需要set_shape
    image.set_shape([180,180,1])   #set到原本已知圖像的大小。或者直接通過tf.image.resize_images，tf.reshape()
    image=tf.image.convert_image_dtype(image,tf.float32)
    #預處理  下面的一句代碼可以換成自己想使用的預處理方式
    #image=tf.divide(image,255.0)   
    return tf.train.batch([image],batch_size) 

　　這裏的date_file是指文件夾所在的路徑，不包括文件名。第一句是遍歷指定目錄下的文件名稱，存放到一個list中。當然這個做法有很多種方法，比如glob.glob，或者tf.train.match_filename_once

全部代碼如下：

import tensorflow as tf
import os
def read_image(data_file,batch_size):
    data_names=[os.path.join(data_file,k) for k in os.listdir(data_file)]
    filenames_queue=tf.train.string_input_producer(data_names,num_epochs=5,shuffle=True,capacity=30)
    reader=tf.WholeFileReader()
    _,img_bytes=reader.read(filenames_queue)
    image=tf.image.decode_jpeg(img_bytes,channels=1)
    image=tf.image.resize_images(image,(180,180))

    image=tf.image.convert_image_dtype(image,tf.float32)
    return tf.train.batch([image],batch_size)

def main( ):
    img_path=r'F:\dataSet\WIDER\WIDER_train\images\6--Funeral'  #本地的一個數據集目錄，有足夠的圖像
    img=read_image(img_path,batch_size=10)
    image=img[0]  #取出每個batch的第一個數據
    print(image)
    init=[tf.global_variables_initializer(),tf.local_variables_initializer()]
    with tf.Session() as sess:
        sess.run(init)
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess,coord=coord)
        try:
            while not coord.should_stop():
                print(image.shape)
        except tf.errors.OutOfRangeError:
            print('read done')
        finally:
            coord.request_stop()
        coord.join(threads)


if __name__=="__main__":
    main()

"""
輸出如下：
(180, 180, 1)
(180, 180, 1)
(180, 180, 1)
(180, 180, 1)
(180, 180, 1)
"""

　　這段代碼可以說寫的很是規整了。注意到init裏面有對local變量的初始化，並且因為用到了隊列，當然要告訴電腦什麼時候隊列開始, tf.train.Coordinator 和 tf.train.start_queue_runners 就是兩個管理隊列的類，用法如程序所示。

　　與 tf.train.string_input_producer相似的函數是 tf.train.slice_input_producer。 tf.train.slice_input_producer和tf.train.string_input_producer的第一個參數形式不一樣。等有時間再做一個二者比較的博客

 3、對TFRecorder解碼獲得圖像數據

　　其實這塊和上一種方式差不多的，更重要的是怎麼生成TFRecorder文件，這一部分我會補充到另一篇博客上。

　　仍然使用 tf.train.string_input_producer。

import tensorflow as tf
import matplotlib.pyplot as plt
import os
import cv2
import  numpy as np
import glob

def read_image(data_file,batch_size):
    files_path=glob.glob(data_file)
    queue=tf.train.string_input_producer(files_path,num_epochs=None)
    reader = tf.TFRecordReader()
    print(queue)
    _, serialized_example = reader.read(queue)
    features = tf.parse_single_example(
        serialized_example,
        features={
            'image_raw': tf.FixedLenFeature([], tf.string),
            'label_raw': tf.FixedLenFeature([], tf.string),
        })
    image = tf.decode_raw(features['image_raw'], tf.uint8)
    image = tf.cast(image, tf.float32)
    image.set_shape((12*12*3))
    label = tf.decode_raw(features['label_raw'], tf.float32)
    label.set_shape((2))
    # 預處理部分省略，大家可以自己根據需要添加
    return tf.train.batch([image,label],batch_size=batch_size,num_threads=4,capacity=5*batch_size)

def main( ):
    img_path=r'F:\python\MTCNN_by_myself\prepare_data\pnet*.tfrecords'  #本地的幾個tf文件
    img,label=read_image(img_path,batch_size=10)
    image=img[0]
    init=[tf.global_variables_initializer(),tf.local_variables_initializer()]
    with tf.Session() as sess:
        sess.run(init)
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess,coord=coord)
        try:
            while not coord.should_stop():
                print(image.shape)
        except tf.errors.OutOfRangeError:
            print('read done')
        finally:
            coord.request_stop()
        coord.join(threads)


if __name__=="__main__":
    main()

　　在read_image函數中，先使用glob函數獲得了存放tfrecord文件的列表，然後根據TFRecord文件是如何存的就如何parse，再set_shape；這裡有必要提醒下parse的方式。我們看到這裏用的是tf.decode_raw ，因為做TFRecord是將圖像數據string化了，數據是串行的，丟失了空間結果。從features中取出image和label的數據，這時就要用 tf.decode_raw  解碼，得到的結果當然也是串行的了，所以set_shape 成一個串行的，再reshape。這種方式是取決於你的編碼TFRecord方式的。

再舉一種例子：

reader=tf.TFRecordReader()
_,serialized_example=reader.read(file_name_queue)
features = tf.parse_single_example(serialized_example, features={
    'data': tf.FixedLenFeature([256,256], tf.float32), ###
    'label': tf.FixedLenFeature([], tf.int64),
    'id': tf.FixedLenFeature([], tf.int64)
})
img = features['data']
label =features['label']
id = features['id']

　　這個時候就不需要任何解碼了。因為做TFRecord的方式就是直接把圖像數據append進去了。

參考鏈接：

　　https://blog.csdn.net/qq_34914551/article/details/86286184

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※想知道最厲害的網頁設計公司"嚨底家"!

※幫你省時又省力,新北清潔一流服務好口碑

※別再煩惱如何寫文案,掌握八大原則!

※產品缺大量曝光嗎?你需要的是一流包裝設計!