我尝试使用Tensorflow Estimator API实现我的模型 . 作为我使用的数据输入功能
def input_fn():
train_in_np = sorted(io_utils.loadDataset(join(basepath, r"leftImg8bit/train/*/*")))
train_out_np = sorted(io_utils.loadDataset(join(basepath, r"gtFine/train/*/*_ignoreLabel.png")))
train_in = tf.constant(train_in_np)
train_out = tf.constant(train_out_np)
tr_data = tf.data.Dataset.from_tensor_slices((train_in, train_out))
tr_data = tr_data.shuffle(len(train_in_np))
tr_data = tr_data.repeat(epoch_cnt+1)
tr_data = tr_data.apply(tf.contrib.data.map_and_batch(parse_files, batch_size=batchSize))
tr_data = tr_data.prefetch(buffer_size=batchSize)
iterator = tr_data.make_initializable_iterator()
return iterator.get_next()
io_utils.loadDataset只返回文件路径列表 . 数据本身由解析
def parse_files(in_file, gt_file):
image_in = tf.read_file(in_file)
image_in = tf.image.decode_image(image_in, channels=3)
image_in.set_shape([None, None, 3])
image_in = tf.cast(image_in, tf.float32)
mean, std = tf.nn.moments(image_in, [0, 1])
image_in = image_in - mean
image_in = image_in / std
gt = tf.read_file(gt_file)
gt = tf.image.decode_image(gt, channels=1)
gt.set_shape([None, None, 1])
gt = tf.cast(gt, tf.int32)
return {'img':image_in}, gt
我的估计开始于
def estimator_fcn_model_fn(features, labels, mode, params):
x = tf.feature_column.input_layer(features, params['feature_columns'])
并且要素列定义为
my_feature_columns = []
my_feature_columns.append(tf.feature_column.numeric_column(key='img'))
我跳过的其余代码的可清除性 . 我的问题是功能的形状：
Blockquote ValueError :('排名不支持卷积'，2）
x，features和feature_columns的打印输出：
Tensor（“input_layer / concat：0”，shape =（？，1），dtype = float32）{'img'：tf.Tensor'IteratorGetNext：0'shape =（？，？，？，3）dtype = float32 } [_NumericColumn（key ='img'，shape =（1，），default_value = None，dtype = tf.float32，normalizer_fn = None）]
有谁知道如何解决这个问题，我猜它与特征列的类型有关，但我不知道将谁应用于图像 .
1 回答
由于Y.Luo给出了一个提示tf.feature_column.input_layer不适合图像 . 一种更简单的方法是通过密钥直接使用特征字典，这可以通过参数传递以获得更大的灵活性 .
代替