首页 文章

切片Tensorflow FixedLengthRecordReader值

提问于
浏览 次
2

我正在实现一个回归网络映射图像到姿势，使用Tensorflow / python API并尝试处理FixedLengthRecordReader的输出 .

我试图最小化cifar10 example以达到我的目的 .

cifar10示例读取原始字节，解码，然后拆分 .

result.key, value = reader.read(filename_queue)

# Convert from a string to a vector of uint8 that is record_bytes long.
record_bytes = tf.decode_raw(value, tf.uint8)

# The first bytes represent the label, which we convert from uint8->int32.
result.label = tf.cast(
    tf.slice(record_bytes, [0], [label_bytes]), tf.int32)

# The remaining bytes after the label represent the image, which we reshape
# from [depth * height * width] to [depth, height, width].
depth_major = tf.reshape(tf.slice(record_bytes, [label_bytes], [image_bytes]),
                         [result.depth, result.height, result.width])
# Convert from [depth, height, width] to [height, width, depth].
result.uint8image = tf.transpose(depth_major, [1, 2, 0])

我正在从二进制文件列表中读取数据，保存为（pose_data，image_data） . 因为我的姿势数据是float32而我的图像数据是uint8，所以我想首先切片，然后进行转换 . 不幸的是，reader.read的值结果是零维字符串张量，因此切片不起作用 .

key, value = reader.read(filename_queue)
print value.dtype
print value.get_shape()

<dtype: 'string'>
()

tf.decode_raw（value，dtype）的结果是一维数组，但需要指定dtype，并且tf.string不是它所采用的有效类型 .

在解码之前切片是否可行？或者我必须解码 - >案例回到字符串 - >切片 - >重铸？还有另一种方式吗？

python tensorflow slice

2 回答

  • -1

    OP提到的cifar10示例以及解码两次的解决方案在您的数据有多种类型（OP的问题）并且没有“排队”（更一般情况）时不起作用 .

    如果您的数据是例如：

    [float32][int16][int16]

    两次解码工作 . 但是，如果您的数据是：

    [int16][float32][int16]

    它不起作用，因为tf.decode_raw不接受半float32的偏移量 .

    在这种情况下工作的是tf.substr()，返回值来自

    result.key, value = reader.read(filename_queue)

    实际上是一个字符串（如果你愿意，还是一个字节串），让它自己分裂 .

    回复于
  • 0

    找到了一个解决方案：解码两次并扔掉一半 . 效率不高（如果有人有更好的解决方案，我会很高兴听到它），但似乎有效 .

    key, value = reader.read(filename_queue)
uint8_bytes = tf.decode_raw(value, tf.uint8)
uint8_data = uint8_bytes[:n_uint8_vals]
float32_bytes = tf.decode_raw(value, tf.float32)
float32_start_index = n_uint8_vals // 4
float32_data = float32_bytes[float32_start_index:]

    这要求 n_uint8_vals 是4的因子 .

    回复于

相关问题