如何更改 Tensorflow 数据集中的解码器特征类型？答案

【问题标题】：How do I change the decoder feature type in Tensorflow Datasets?如何更改 Tensorflow 数据集中的解码器特征类型？
【发布时间】：2021-05-24 07:49:06
【问题描述】：

我正在尝试从这里对 tensorflow 图像数据集（例如 cifar 和其他数据集）进行一些扩充： https://www.tensorflow.org/datasets/catalog/

现在我有一个映射函数，实际上来自 SO 的另一个用户帮助我使用了我自己的数据集：

def map_data(inputs):
    image = inputs['image']
    image = tf.numpy_function(func=aug_fn, inp=[image], Tout=tf.float32)
    image = image / 255.0

    labels = inputs['label']
    labels = tf.one_hot(labels, num_classes)

return {'image_input': image, 'label': labels}, labels

现在在迭代数据集时出现此错误：

ValueError: Missing data for input "image_input". You passed a data dictionary with keys ['image', 'label']. Expected the following keys: ['image_input', 'label']

这是有道理的，因为解码器返回 uint8 类型。

但我在文档中找不到有关如何更改它的任何信息或示例。

我能以某种方式访问解码器对象的属性吗？

我在 API 中尝试过 https://www.tensorflow.org/datasets/api_docs/python/tfds/decode/Decoder?hl=cs

但它不起作用。

非常感谢您！

【问题讨论】：

标签： tensorflow keras tensorflow-datasets

【解决方案1】：

如果你想使用增强，你应该在模型的顶部使用这些层

    data_augmentation = tf.keras.Sequential([
    tf.keras.layers.experimental.preprocessing.RandomFlip('horizontal'),
    tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),
    tf.keras.layers.experimental.preprocessing.RandomZoom(0.1),
    ])

对于缩放，你使用这条线

rescale = tf.keras.layers.experimental.preprocessing.Rescaling(1. / 255)

这应该可以在您的模型中顺利运行。这是一个具有增强和重新缩放的模型示例

    model = Sequential([
    layers.experimental.preprocessing.Rescaling(1. / 255, input_shape=(256, 256, 3)),
    layers.experimental.preprocessing.RandomFlip('horizontal'),
    layers.experimental.preprocessing.RandomRotation(0.2),
    layers.experimental.preprocessing.RandomZoom(0.1),
    layers.Conv2D(16, 3, padding='same', activation='relu'),
    layers.MaxPooling2D(),
    layers.Conv2D(32, 3, padding='same', activation='relu'),
    layers.MaxPooling2D(),
    layers.Conv2D(64, 3, padding='same', activation='relu'),
    layers.MaxPooling2D(),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(num_classes)
])

【讨论】：

嗨，Amel，谢谢，我知道这些层并且以前使用过它们，但是我用这些层做的很多事情是我不能用这些层做的。不过还是谢谢。