Je možné Oříznout/změnit Velikost obrázků v jedné dávce ?
Používám Tensorflow soubor údajů API, jak je uvedeno níže:
dataset = dataset.shuffle().repeat().batch(batch_size, drop_remainder=True)
Chci, v rámci dávkového všechny obrázky by měly mít stejnou velikost. Nicméně po dávkách to může mít různé velikosti.
Například, 1. várka má všechny obrazy tvar (batch_size, 300, 300, 3). Další dávka může mít obrazy tvar (batch_size, 224, 224, 3). Další dávku můžete mít obrazy tvar (batch_size, 400, 400, 3).
V podstatě chci mít dymanically ve tvaru dávkách, nicméně všechny obrázky v dávce statické tvary.
Pokud to uděláme následovně:
dataset = dataset.shuffle().repeat().batch(batch_size, drop_remainder=True).map(lambda x, y: map_fn(x, y))
Dělá výše .mapa() platí pro každou dávku samostatně nebo přes celý dataset ?
Pokud výše uvedené .mapa() neplatí pro každou dávku zvlášť, jak to můžeme udělat ? Můžeme definovat libovolný iterator po dataset.šarže(), platí tf.obraz.crop_and_resize() nad každý obrázek na dávce a později použít dataset.concatenate() spojit všechny transformované dávkách ?
Jsem vytvořit soubor údajů, jak je uvedeno níže:
# Dataset creation (read image data from files of COCO dataset)
dataset = tf.data.Dataset.list_files(self._file_pattern, shuffle=False)
dataset = dataset.shard(dataset_num_shards, dataset_shard_index)
dataset = dataset.shuffle(tf.cast(256 / dataset_num_shards, tf.int64))
dataset = dataset.interleave(map_func=tf.data.TFRecordDataset(filename).prefetch(1), cycle_length=32, block_length=1, num_parallel_calls=tf.data.experimental.AUTOTUNE)
dataset = dataset.map(tf_example_decoder.TfExampleDecoder().decode, num_parallel_calls=64)
dataset = dataset.shuffle(64).repeat()
# Parse each image for preprocessing
dataset = dataset.map(lambda data, _: _parse_example(data), num_parallel_calls=64)
dataset = dataset.batch(batch_size=batch_size, drop_remainder=True)
# Below code suggested by you to resize images to fixed shape in each batch
def resize_data(images, labels):
tf.print('Original shape -->', tf.shape(images))
SIZE = (300, 300)
return tf.image.resize(images, SIZE), labels
dataset = dataset.map(resize_data)
dataset = dataset.prefetch(tf.data.experimental.AUTOTUNE)
tf.estimator.Estimator(...).train(
input_fn=dataset,
steps=steps,
hooks=train_hooks)
INVALID_ARGUMENT: Cannot add tensor to the batch: number of elements does not match. Shapes are: [tensor]: [640,426,3], [batch]: [480,640,3]
I když jsem dal VELIKOST = (300, 300) v tf.obraz.velikost(obrázky, VELIKOST), šarže má VELIKOST = (480, 640). A jako další obrázek má jinou VELIKOST = (640, 426), to se nepodařilo přidat do dávky. To znamená, že to nějak není schopen aplikovat .map() funkce na každé jednotlivé šarže. Pomoc/nápad ?