如何从 Tensorflow 中提取“图像”和“标签”？答案

【问题标题】：How to extract 'image' and 'label' out of Tensorflow?如何从 Tensorflow 中提取“图像”和“标签”？
【发布时间】：2021-02-13 17:22:02
【问题描述】：

我已经从 CIFAR10 加载了我的训练集和验证集，如下所示：

train = tfds.load('cifar10', split='train[:90%]', shuffle_files=True)
validation = tfds.load('cifar10', split='train[-10%:]', shuffle_files=True)

我已经为我的 CNN 创建了架构

model = ...

现在我正在尝试使用 model.fit() 来训练我的模型，但我不知道如何从我的对象中分离出“图像”和“标签”。训练和验证如下所示：

print(train) # same layout as the validation set
<_OptionsDataset shapes: {id: (), image: (32, 32, 3), label: ()}, types: {id: tf.string, image: tf.uint8, label: tf.int64}>

我的幼稚方法是这样，但那些 OptionsDatasets 不能下标。

history = model.fit(train['image'], train['label'], epochs=100, batch_size=64, validation_data=(validation['image'], test['label'], verbose=0)

【问题讨论】：

标签： python tensorflow machine-learning conv-neural-network

【解决方案1】：

我们可以这样做

import tensorflow as tf
import tensorflow_datasets as tfds

def normalize(img, label):
  img = tf.cast(img, tf.float32) / 255.
  return (img, label)

ds = tfds.load('mnist', split='train', as_supervised=True)
ds = ds.shuffle(1024).batch(32).prefetch(tf.data.experimental.AUTOTUNE)
ds = ds.map(normalize)

for i in ds.take(1):
    print(i[0].shape, i[1].shape)
# (32, 28, 28, 1) (32,)

使用as_supervised=True 将image、label 作为元组返回
使用.map() 应用预处理功能甚至增强。

型号

# declare input shape 
input = tf.keras.Input(shape=(28,28,1))

# Block 1
x = tf.keras.layers.Conv2D(32, 3, strides=2, activation="relu")(input)

# Now that we apply global max pooling.
gap = tf.keras.layers.GlobalMaxPooling2D()(x)

# Finally, we add a classification layer.
output = tf.keras.layers.Dense(10, activation='softmax')(gap)

# bind all
func_model = tf.keras.Model(input, output)

编译并运行

print('\nFunctional API')
func_model.compile(
          metrics=['accuracy'],
          loss= 'sparse_categorical_crossentropy', # labels are integer (not one-hot)
          optimizer = tf.keras.optimizers.Adam()
          )

func_model.fit(ds)
# 1875/1875 [==============================] - 15s 7ms/step - loss: 2.1782 - accuracy: 0.2280

【讨论】：